El reconocimiento de emociones en el habla (SER) juega un papel vital en la mejora de la interacción humano-computadora (HCI) y puede aplicarse en la computación afectiva, el soporte virtual y la atención médica. Esta investigación presenta un marco de SER de alto rendimiento basado en una red neuronal convolucional 1D ligera (1D-CNN) y una técnica de fusión de múltiples características. En lugar de emplear espectrogramas como entrada basada en imágenes, se calculan características a nivel de cuadro (coeficientes cepstrales en frecuencia Mel, espectrogramas Mel y vectores de Chroma) a lo largo de las secuencias para preservar la información temporal y reducir el costo computacional. El modelo alcanzó precisiones de clasificación del 94.0% en MELD (charlas multiparte) y del 91.9% en RAVDESS (discurso actuado). Los experimentos de ablación demuestran que la integración de características complementarias supera significativamente la utilización de una única característica como línea base. Las técnicas de aumento de datos, que incluyen ruido gaussiano y desplazamiento temporal, mejoran la generalización del modelo. El método propuesto demuestra un potencial significativo para el reconocimiento de emociones en tiempo real utilizando solo audio en dispositivos embebidos o con recursos limitados.