会話内の感情認識（ERC）は、対話中の話者の状態を分析し、その感情を特定することを目的としている。近年のERC研究では文脈モデリングに注目が集まっているが、文脈における感情的傾向（emotional tendency）の表現は無視されがちである。本研究では、マルチモーダル情報および発話の感情的傾向を効果的に抽出するため、新しい構造であるEmoformerを提案する。Emoformerは、異なるモダリティからマルチモーダル感情ベクトルを抽出し、文ベクトルと統合して「感情カプセル（emotion capsule）」を構成する。さらに、Emoformerを用いて感情ベクトルを抽出し、文脈分析モデルから感情分類結果を取得するエンドツーエンド型ERCモデルであるEmoCapsを設計した。2つのベンチマークデータセットを用いた実験により、本モデルが既存の最先端モデルを上回る性能を示したことが確認された。