Olá Hugo,
(Ótima pergunta!!)
Ainda que o conjunto de dados usado para treinar o modelo seja em inglês, a natureza da detecção de emoções baseia-se mais na entonação e padrões de fala do que no idioma específico. Em outras palavras, a classificação das emoções em áudio é mais influenciada pela maneira como as emoções são expressas vocalmente, que é algo universal entre os seres humanos, do que pelo idioma em si. Por exemplo, a expressão de tristeza em áudio, tanto em inglês quanto em português, tende a compartilhar características acústicas semelhantes, tornando o idioma menos relevante para a precisão do modelo.