Las emociones son una parte integral de las interacciones humanas y son factores significativos en la determinación de la satisfacción del usuario u opinión del cliente. Los módulos de reconocimiento de emociones en el habla (SER) también juegan un papel importante en el desarrollo de aplicaciones de interacción humano-computadora (HCI). Se han desarrollado un gran número de sistemas SER en las últimas décadas. Las redes neuronales profundas (DNN) basadas en la atención se han mostrado como herramientas adecuadas para la extracción de información distribuida de manera desigual en el tiempo en el contenido multimedia. El mecanismo de atención ha sido incorporado recientemente en las arquitecturas DNN para enfatizar también la información emocional relevante. Este artículo proporciona una revisión del desarrollo reciente en SER y examina el impacto de varios mecanismos de atención en el rendimiento de SER. Se realiza una comparación general de las precisiones del sistema en una base de datos de referencia ampliamente utilizada, IEMOCAP.