La comunicación humana se expresa predominantemente a través del habla y la escritura, que son medios poderosos para transmitir pensamientos y opiniones. Los investigadores han estado estudiando el análisis de sentimientos humanos durante mucho tiempo, incluida el área emergente del análisis de sentimientos bimodal en el procesamiento del lenguaje natural (NLP). El análisis de sentimientos bimodal ha ganado atención en diversas áreas como la minería de opiniones sociales, la atención médica, la banca y más. Sin embargo, hay una cantidad limitada de investigaciones sobre el análisis de sentimientos conversacionales bimodal, lo cual es un desafío debido a la naturaleza compleja de cómo los humanos expresan señales de sentimiento a través de diferentes modalidades. Para abordar esta brecha en la investigación, se ha realizado una comparación de múltiples modelos de modalidad de datos en el ampliamente utilizado conjunto de datos MELD, que sirve como referencia para el análisis de sentimientos en la comunidad investigadora. Los resultados muestran la efectividad de combinar representaciones acústicas y lingüísticas utilizando una técnica de aprendizaje en conjunto basada en redes neuronales propuesta sobre seis modelos basados en transformadores y aprendizaje profundo, logrando una precisión de vanguardia.