음성 감정 인식(Speech Emotion Recognition, SER)은 음성을 행복, 분노, 슬픔, 중립 등의 감정 범주로 분류하는 기술이다. 최근 들어 딥러닝 기법이 SER 작업에 적용되고 있다. 본 논문은 wav2vec-2.0 기반의 엔드투엔드 딥 신경망 모델을 활용하여 음성 인식과 감정 분류를 동시에 수행할 수 있는 다중 작업 학습(Multi-task Learning, MTL) 프레임워크를 제안한다. IEMOCAP 벤치마크에서 수행한 실험 결과, 제안하는 방법이 SER 작업에서 최신 기준(SOTA, State-of-the-art) 성능을 달성함을 확인하였다. 또한, 아블레이션 스터디를 통해 제안한 MTL 프레임워크의 효과성을 입증하였다.