ERLE، أكثر أرقام مُلغيات الصدى اقتباسا، لا يتفق مع المستمعين البشر إلا بمعامل ارتباط بيرسون 0.31، بينما يبلغ مقياس AECMOS العصبي من Microsoft نحو 0.99 في تقييمات صدى الطرف البعيد (Microsoft، ورقتا AEC Challenge لمؤتمري ICASSP 2021 وICASSP 2023). وعلى صعيد المعايير، تمنح ITU-T G.168 مُلغي الصدى الشبكي نحو ثانية واحدة للتقارب، وتطلب المواصفة 3GPP TS 26.131 من سماعات الرأس فقد صدى لا يقل عن 46 dB، وخفضت مسابقة Microsoft حد زمن التأخير إلى النصف من 40 ms إلى 20 ms بين عامي 2021 و2023. والصدى هو أيضا المشكلة التي تدفع الناس نحو معدات أفضل للقاعات، وقد تناولناها من جانب الميكروفون في إحصائيات الميكروفونات ذات تشكيل الحزمة في أسقف قاعات الاجتماعات. جمعنا بيانات من ITU-T و3GPP والأوراق الأربع لمسابقة AEC Challenge من Microsoft Research وAmazon Web Services وByteDance ومختبر Tongyi التابع لـ Alibaba وباحثين مستقلين على arXiv وشركة HEAD acoustics.
أبرز النقاط
- يجب أن تبلغ مُلغيات الصدى الشبكية الفقد المركّب المطلوب خلال نحو ثانية واحدة في الاختبار 2A (ITU-T G.168، 04/2015).
- تحتاج سماعات الرأس إلى فقد اقتران طرفية موزون لا يقل عن 46 dB عند أي مستوى صوت، مع توصية بـ 55 dB عند مستوى الصوت الاسمي (3GPP TS 26.131، Rel-19).
- يرتبط ERLE بتقييمات المستمعين بمعامل PCC يساوي 0.31 وSRCC يساوي 0.23 (Microsoft، ورقة AEC Challenge لمؤتمر ICASSP 2021).
- يرتبط AECMOS بتقييمات صدى الطرف البعيد بمعامل PCC يساوي 0.99 (Microsoft، ورقة AEC Challenge لمؤتمر ICASSP 2023).
- انخفض حد زمن التأخير في المسابقة من 40 ms من التأخير الخوارزمي في عام 2021 إلى 20 ms من التأخير الخوارزمي مع التخزين المؤقت في عام 2023 (أوراق AEC Challenge ومستودعها من Microsoft).
- بلغ متوسط أعلى مشاركة في INTERSPEECH 2021 درجة 4.43 مقابل 3.87 لخط الأساس (Microsoft، نتائج AEC Challenge لمؤتمر INTERSPEECH 2021).
- سجلت الأجهزة المحمولة أقل من أجهزة سطح المكتب بمقدار 0.75 MOS في تدهور التحدث المتزامن (Microsoft، ورقة AEC Challenge لمؤتمر ICASSP 2022).
- أزال WebRTC AEC3 نحو 30 dB من الصدى مقابل 40.8 dB لكابت عصبي (ByteDance، arXiv 2020).
- بلغ نموذج شامل في يناير 2026 قيمة ERLE تساوي 78.69 dB بـ 1.2 مليون معامل (Alibaba Tongyi Lab، E2E-AEC، arXiv 2026).
- يعمل نموذج عصبي صغير للصدى والضجيج في 0.14 ms لكل إطار، بعامل زمن حقيقي قدره 0.014 (Microsoft، DeepVQE، Interspeech 2023).
- تخفّض الأجهزة الحرة في أفضل فئة للتحدث المتزامن (الفئة 1) الكلام المرسل بما لا يزيد على 3 dB أثناء التحدث المتزامن (HEAD acoustics، في وصفها لـ ITU-T P.340).
1. القواعد المرجعية لـ ITU-T: التقارب والتحدث المتزامن واختبارات التسرب
القواعد الأساسية في الاتصالات لمُلغيات الصدى قديمة لكنها لا تزال سارية. والمقصود بـ”الصدى” هنا صوتك أنت وهو يعود إليك بعد أن انتقل إلى الطرف البعيد وتسرب إلى مسار العودة. تمنح G.168 المُلغي نحو ثانية واحدة ليبلغ الفقد المطلوب، ثم تواصل اختبار قدرته على الحفاظ على هذا الفقد حين يتحدث الطرفان في آن واحد (“التحدث المتزامن”) وحين يصمت الخط لدقائق. والمعالج غير الخطي (NLP) هو المرحلة الأخيرة التي تكبت ما يتركه المرشح التكيفي من صدى متبقٍ؛ وتعطّله عدة اختبارات حتى يُقاس المرشح نفسه.
مسارات الصدى الواقعية التي تحاكيها هذه الاختبارات قصيرة. ففي بيانات ميدانية أُعيد نشرها في ITU-T G.168 (04/2015)، قيست 101 مكالمة بعيدة المدى من مونتريال عبر أمريكا الشمالية (من يونيو 1998 إلى أبريل 1999)، وأظهر المدرج التكراري لـ 88 منها متوسط زمن تشتت قدره 6.02 ms، ولم تتجاوز أي مكالمة 12 ms. أما نظيرتها الصوتية G.167 فقد سُحبت ونُقل محتواها إلى P.340 وG.161.
| المقياس | القيمة | المصدر |
|---|---|---|
| إصدار توصية مُلغي الصدى الشبكي السارية | G.168 (04/2015)، مع التصويب 1 (12/2022) | ITU-T G.168 |
| الحد الأدنى لفقد عودة الصدى (الفقد الذي يوفره مسار الصدى نفسه) المستخدم في الاختبارات؛ عدد نماذج مسار الصدى القياسية | 6 dB كحد أدنى؛ 8 نماذج (m1 إلى m8)، بحد أدنى 6.55 dB و11.06 dB و9.27 dB للنماذج m2 وm7 وm8 | ITU-T G.168 (04/2015)، الملحق D |
| تقارب الاختبار 2A مع تفعيل المعالج غير الخطي | الفقد المركّب المطلوب خلال 1 s مضافا إليها تأخير مسار الصدى والإزاحة الابتدائية؛ ولا تزيد الذروات على الحد بأكثر من 5 dB | ITU-T G.168 (04/2015) |
| الاختبار 3A، التحدث المتزامن بإشارة للطرف القريب أدنى بـ 15 dB من مستوى الطرف البعيد (الطرف البعيد من -25 إلى 0 dBm0) | يجب أن يتقارب خلال 5 s | ITU-T G.168 (04/2015) |
| الاختبار 3B(a) والاختبار 4: الارتفاع المسموح للصدى المتبقي أثناء التحدث المتزامن، وبعد دقيقتين من توقف إشارة الطرف البعيد (اختبار التسرب) | لا يزيد على 10 dB فوق المتطلب في الحالة المستقرة في الحالتين | ITU-T G.168 (04/2015) |
| حالة G.167، التوصية الأصلية لمتحكمات الصدى الصوتي (03/1993) | مسحوبة؛ استُبدلت بـ P.340 (2000) للبنود 1-5 وبـ G.161 (2002) للبند 6 | سجل ITU-T G.167 |
| أحدث إصدار من توصية الأجهزة الحرة التي تغطي أداء الصدى والتحدث المتزامن | P.340 (07/2026) | ملخص ITU-T P.340 لعام 2026 |
| نطاق ترددات توصية الاتصال الحر عريض النطاق داخل المركبات | من 50 إلى 7,000 Hz؛ الإصدار الساري P.1110 (10/2025) | ITU-T P.1110 |
ملاحظة سياقية: dBm0 هو مستوى إشارة نسبة إلى نقطة مرجعية في الشبكة، ولذلك فإن “-25 إلى 0 dBm0” تعني متحدثا في الطرف البعيد يتراوح بين الصوت الخافت والعالي. ومراجعة P.340 لعام 2026 جديدة؛ ولم يكن نصها الكامل متاحا للعموم وقت الكتابة، لذلك يكتفي هذا الاستعراض بملخصها المنشور.
2. أهداف فقد الصدى لسماعات الرأس والأجهزة الحرة والشبكات
فقد اقتران الطرفية (TCLw) هو مقدار ما يُخفَّض من صوت الطرف البعيد، الذي يُشغَّل عبر مكبر صوت الجهاز أو سماعة أذنه، قبل أن يتسرب عائدا إلى ميكروفون الجهاز نفسه ويُرسَل مجددا. وتضع معايير الاتصالات المتنقلة 46 dB حدا أدنى لسماعات الرأس عند أي مستوى صوت، ويأتي الهدف الموصى به البالغ 55 dB مع إقرار بأنه قد لا يكون قابلا للقياس على كل جهاز بسبب ضجيج الجهاز الخامل نفسه.
والفجوة المثيرة للاهتمام تخص الأجهزة الحرة. فقد ينخفض هاتف المؤتمرات المكتبي إلى 40 dB عند أقصى مستوى صوت ويظل مطابقا، ولهذا يحظى سلوك التحدث المتزامن في الأجهزة الحرة بفئات خاصة به: فجهاز الفئة 1 بالكاد يخفض صوتك أثناء تحدث الطرف الآخر (بما لا يزيد على 3 dB)، بينما يخفضه جهاز الفئة 3 بأكثر من 12 dB، وهو قريب من سلوك أجهزة اللاسلكي اليدوية حيث يُسمع طرف واحد فقط في كل مرة.
| المقياس | القيمة | المصدر |
|---|---|---|
| فقد اقتران الطرفية الموزون لسماعة الرأس: عند أي مستوى صوت مقابل الموصى به عند مستوى الصوت الاسمي | 46 dB على الأقل مقابل 55 dB على الأقل | 3GPP TS 26.131 (Rel-19) |
| فقد اقتران الطرفية الموزون للجهاز الحر المكتبي: أي مستوى صوت مقابل المستوى الاسمي في ظروف المجال الحر | 40 dB على الأقل مقابل 46 dB على الأقل | 3GPP TS 26.131 (Rel-19) |
| هدف الأداء الموصى به للجهاز الحر المكتبي عند مستوى الصوت الاسمي | 55 dB على الأقل (قد لا يكون قابلا للقياس بسبب ضجيج القناة الخاملة) | 3GPP TS 26.131 (Rel-19) |
| فقد الصدى الذي توفره شبكات GSM أو 3G أو LTE أو NR عند نقطة التوصيل البيني، في التحدث المنفرد | 46 dB على الأقل | 3GPP TS 26.132 (Rel-19) |
| الكلام المهمل في بداية اختبار فقد الصدى ليتمكن مُلغي الصدى من التقارب؛ مستوى إشارة الاختبار | أول 17.0 s؛ 10 dBm0 | 3GPP TS 26.132 (Rel-19) |
| إرشادات فقد اقتران الطرفية: من الدخل الرقمي إلى الخرج (وفق P.341) مقابل الظروف الميدانية (وفق P.342) مقابل المرغوب لأهداف صدى المتحدث في G.131 | 35 dB على الأقل مقابل أكثر من 40 dB مقابل أكثر من 45 dB | ITU-T G.168 (04/2015)، الملحق I |
| فئات التحدث المتزامن للأجهزة الحرة وتخفيض الكلام المرسل | 5 فئات (1 و2a و2b و2c و3): 3 dB كحد أقصى للفئة 1، و9 dB كحد أقصى للفئة 2b، وأكثر من 12 dB للفئة 3 | صحيفة بيانات HEAD acoustics ACOPT 32، التي تصف ITU-T P.340 |
ملاحظة سياقية: قُرئت قيم 3GPP من نص Rel-19 للمواصفتين TS 26.131 وTS 26.132؛ وللمواصفة TS 26.132 ملف أحدث من Rel-20 مؤرخ في يوليو 2026 في أرشيف 3GPP. ووثيقة HEAD acoustics هي صحيفة بيانات لمعدات اختبار تعيد صياغة فئات P.340؛ ولا تذكر حدود الفئتين 2a و2c.
3. ميزانيات زمن التأخير: كم ميلي ثانية يجوز لمُلغي الصدى أن ينفق
كل ميلي ثانية ينفقها مُلغي الصدى في تخزين الصوت مؤقتا هي ميلي ثانية تُضاف إلى المحادثة. وقد تحرك المعيار البحثي بقوة في هذا الشأن: فقد سمحت مسابقة Microsoft بزمن تأخير خوارزمي قدره 40 ms في عام 2021، وخفضت الحد إلى النصف ليصبح 20 ms من التأخير الخوارزمي مع التخزين المؤقت في عام 2023، ولم يخسر نموذج المنظمين نفسه شيئا يُذكر في درجات الصدى عند الحد الأضيق. وتذكر ورقة ICASSP 2023 هدفا شاملا من البداية إلى النهاية أدنى من 50 ms (أصغر فرق ملحوظ) وهدفا مستقبليا أقل من 5 ms للخوارزمية مع التخزين المؤقت (Microsoft، ورقة AEC Challenge لمؤتمر ICASSP 2023).
والقدرة الحسابية ميزانية أخرى. فالنموذج العصبي الذي يحتاج إلى جزء من ميلي ثانية لكل إطار يمكن تشغيله على كل حاسوب محمول في اجتماع؛ أما الذي يحتاج إلى معظم نواة معالج فلا يمكن. ولمعرفة كيف تُنفق مخازن الاهتزاز والترميزات بقية ميزانية التأخير، راجع إحصائيات مخزن الاهتزاز في VoIP وجودة الكلام.
| المقياس | القيمة | المصدر |
|---|---|---|
| التأخير في اتجاه واحد من الفم إلى الأذن لتفاعل شفاف في جوهره مقابل السقف لتخطيط الشبكات عموما | أقل من 150 ms مقابل 400 ms | ITU-T G.114 (05/2003) |
| حد زمن التأخير الخوارزمي في AEC Challenge، ICASSP 2021 | 40 ms كحد أقصى (سُمح بإطار 20 ms مع خطوة 10 ms، أي 30 ms) | Microsoft، ورقة AEC Challenge لمؤتمر ICASSP 2021 |
| حد زمن التأخير في AEC Challenge، ICASSP 2023 | 20 ms من التأخير الخوارزمي مع التخزين المؤقت | مستودع AEC-Challenge من Microsoft |
| حد القدرة الحسابية في AEC Challenge، ICASSP 2023 | عامل زمن حقيقي لا يزيد على 0.5 على معالج Intel Core i5 رباعي النوى بتردد 2.4 GHz، بخيط واحد | Microsoft، ورقة AEC Challenge لمؤتمر ICASSP 2023 |
| نموذج Microsoft عند 20 ms مقابل فائز مسابقة 2022 عند 40 ms: MOS صدى الطرف البعيد؛ MOS الصدى أثناء التحدث المتزامن | 4.65 مقابل 4.66؛ 4.68 مقابل 4.68 | Microsoft، ورقة AEC Challenge لمؤتمر ICASSP 2023 |
| نموذج DeepVQE الكامل مقابل النموذج الصغير DeepVQE-S: المعاملات ووقت المعالج لكل إطار | 7.5M و3.66 ms مقابل 0.59M و0.14 ms (عامل زمن حقيقي 0.014) | Microsoft، DeepVQE، Interspeech 2023 |
| مُلغي صدى خطي مدمج مع كابت صدى متبقٍ عصبي، مشاركة في المسابقة بتردد 16 kHz | 5.5% من نواة Intel i7-8565U واحدة، 0.55 ms لكل إطار مدته 10 ms | Amazon Web Services، التحكم في الصدى بـ PercepNet، arXiv 2021 |
أحدث بيانات متاحة لحدود المسابقة: Microsoft، 2023. ولا يزال مستودع AEC-Challenge يدرج ICASSP 2023 بوصفه أحدث إصدار، لذلك تظل هذه أحدث قواعد المعيار العام المتاحة من هذه السلسلة.
4. لوائح نتائج AEC Challenge من 2021 إلى 2023
مسابقة AEC Challenge من Microsoft هي أقرب ما يملكه هذا المجال إلى جدول ترتيب عام. تُقيَّم المشاركات من مستمعين عبر العمل الجماعي على مقياس من 1 إلى 5 (MOS لجودة كلام الطرف القريب، وDMOS، وهو درجة تدهور، للصدى والتشوهات الأخرى). في INTERSPEECH 2021 بلغ متوسط أعلى مشاركة 4.43 مقابل 3.87 لخط الأساس (تعادلت الأربع الأولى إحصائيا، فرتبتها Microsoft بحسب التعقيد الحسابي)، وجاء معظم المكسب من إزالة الصدى والتحدث المتزامن (السيناريو الذي كانت المُلغيات القديمة تترك فيه الصدى يمر أو تقطع كلام الطرف القريب)، وليس من جودة كلام الطرف القريب التي لم تتحرك إلا من 4.18 إلى 4.25.
ونمت مجموعات البيانات مع كل جولة: أكثر من 2,500 بيئة وجهاز حقيقي في ICASSP 2021 (Microsoft، ورقة AEC Challenge لمؤتمر ICASSP 2021)، و5,000 في INTERSPEECH 2021، وأكثر من 10,000 في جولة 2023 (يختلف رقم 2022 بين ورقتي Microsoft، انظر المنهجية). ولا تزال البيانات العامة عن مدى وصول الصدى فعلا إلى المستخدمين في المكالمات الإنتاجية مفقودة: فأوراق Microsoft تصف الصدى فقط بأنه “أحد المصادر الرئيسية لتقييمات جودة الكلام المتدنية”، دون نسبة مئوية.
| المقياس | القيمة | المصدر |
|---|---|---|
| ICASSP 2021: خط الأساس مقابل نظام المركز الأول، متوسط الاختبارات الذاتية الأربعة | 3.68 مقابل 4.11 (17 مشاركة) | Amazon Web Services، التحكم في الصدى بـ PercepNet، arXiv 2021 |
| ICASSP 2021: خط الأساس مقابل نظام المركز الأول، تدهور كلام الطرف القريب أثناء التحدث المتزامن (DMOS) | 3.28 مقابل 4.07 | Amazon Web Services، التحكم في الصدى بـ PercepNet، arXiv 2021 |
| INTERSPEECH 2021: أعلى مشاركة (ERCESI) مقابل خط الأساس، متوسط الدرجة | 4.43 مقابل 3.87 | Microsoft، نتائج AEC Challenge لمؤتمر INTERSPEECH 2021 |
| INTERSPEECH 2021: أعلى مشاركة مقابل خط الأساس، DMOS صدى التحدث المنفرد للطرف البعيد؛ DMOS التشوهات الأخرى أثناء التحدث المتزامن | 4.59 مقابل 3.82؛ 4.18 مقابل 3.45 | Microsoft، نتائج AEC Challenge لمؤتمر INTERSPEECH 2021 |
| INTERSPEECH 2021: مشاركات الفرق المصنفة التي يفوق متوسطها خط الأساس | 10 من 14 (محسوبة من جدول النتائج) | Microsoft، نتائج AEC Challenge لمؤتمر INTERSPEECH 2021 |
| ICASSP 2022: عدد المشاركات؛ الفجوة بين الأجهزة المحمولة وأجهزة سطح المكتب في تدهور التحدث المتزامن | 18 مشاركة؛ المحمولة أدنى بمقدار 0.75 MOS | Microsoft، ورقة AEC Challenge لمؤتمر ICASSP 2022 |
| ICASSP 2023: عدد المشاركات؛ درجة الفائز وحجم النموذج | 20 مشاركة (17 غير مخصصة و3 مخصصة)؛ 0.854 بـ 1.5M معامل | Microsoft، ورقة AEC Challenge لمؤتمر ICASSP 2023 |
| ICASSP 2023: خط الأساس مقابل الفائز، الدرجة النهائية ودقة الكلمات في التعرف على الكلام | 0.736 مقابل 0.852؛ 64.9% مقابل 82.3% | Microsoft، DeepVQE، Interspeech 2023 |
ملاحظة سياقية: الدرجة النهائية لعام 2023 مقياس مركّب من 0 إلى 1 يحسب متوسط خمس درجات ذاتية معاد تدريجها مع دقة الكلمات، ولذلك لا تقارَن بمتوسطات MOS لعام 2021. وتطبع ورقتا Microsoft درجتين متباينتين قليلا للفائز في 2023 (انظر المنهجية). أحدث بيانات متاحة: Microsoft، 2023.
5. قياس الصدى: لماذا خسر ERLE مكانته أمام المقاييس الإدراكية
ERLE (تحسين فقد عودة الصدى) هو عدد الديسيبلات التي يزيلها مُلغي الصدى من إشارة الميكروفون. وهو سهل الحساب، ولهذا لا يزال يتصدر صحائف البيانات، لكن ERLE يرتبط بتقييمات المستمعين بمعامل 0.31 فقط (بيرسون)، لأن المُلغي قد يحقق ERLE هائلا بكتم الخط وتدمير صوت متحدث الطرف القريب. أما PESQ، وهو مقياس أقدم لجودة الكلام يقارن الخرج بمرجع نظيف، فيؤدي أفضل بمعامل 0.67.
ولا يحتاج AECMOS، مقدّر Microsoft العصبي، إلى مرجع نظيف، ويتنبأ بدرجات الصدى والتدهور التي سيمنحها المستمعون. والتغيير العملي: صار بوسع الفرق ترتيب النماذج دون دفع تكلفة اختبار استماع في كل مرة. وهذا مهم لكل من قارن أجهزة في مختبر بدلا من غرف حقيقية، وهي فجوة تناولناها في إحصائيات اختبارات الصوتيات في الغرف اللاصدوية.
| المقياس | القيمة | المصدر |
|---|---|---|
| ERLE مقابل التقييمات الذاتية: ارتباط بيرسون (PCC) وسبيرمان (SRCC) | 0.31 و0.23 | Microsoft، ورقة AEC Challenge لمؤتمر ICASSP 2021 |
| PESQ مقابل التقييمات الذاتية: PCC وSRCC | 0.67 و0.57 | Microsoft، ورقة AEC Challenge لمؤتمر ICASSP 2021 |
| AECMOS (نسخة 2023)، ارتباط بيرسون بتقييمات المستمعين: صدى التحدث المنفرد للطرف البعيد؛ صدى التحدث المتزامن؛ التشوهات الأخرى أثناء التحدث المتزامن | 0.99 (SRCC 0.92)؛ 0.99؛ 0.96 | Microsoft، ورقة AEC Challenge لمؤتمر ICASSP 2023 |
| مجموعة التدريب الأصلية لـ AECMOS؛ الأصوات الجماعية لكل مقطع | 64,013 مقطعا (145.8 ساعة)؛ 5 أصوات لكل مقطع | Microsoft، ورقة AECMOS، ICASSP 2022 |
| ترتيب النماذج الأصلي في AECMOS: النماذج المرتبة؛ PCC لكل مشارك في صدى التحدث المنفرد للطرف البعيد | 22 نموذجا (14 مشاركا، و4 نماذج عميقة و4 نماذج DSP من المؤلفين)؛ 0.996 | Microsoft، ورقة AECMOS، ICASSP 2022 |
| دقة الكلمات في التعرف على الكلام مقابل متوسط الدرجة الذاتية عبر مشاركات ICASSP 2022 (PCC) | 0.85 | Microsoft، ورقة AEC Challenge لمؤتمر ICASSP 2022 |
| المستمعون لكل مقطع كلامي في اختبارات ICASSP 2021 الذاتية؛ فاصل الثقة 95% | 10 مستمعين؛ 0.01 MOS | Amazon Web Services، التحكم في الصدى بـ PercepNet، arXiv 2021 |
ملاحظة حول القيم المتطرفة: الارتباطات لكل مقطع أضعف بكثير منها لكل نموذج. فورقة AECMOS الأصلية تذكر PCC لكل مقطع قدره 0.582 لصدى التحدث المتزامن، ولذلك فالمقياس موثوق لترتيب الأنظمة، لا للحكم على تسجيل واحد.
6. التحكم العصبي مقابل الخطي في الصدى: ماذا تُظهر المواجهات المباشرة
تنمذج المرشحات التكيفية الخطية مسار الصدى بوصفه نظاما خطيا مستقيما، فتعجز أمام صدى مشوَّه من مكبر صوت حاسوب محمول رخيص مُثقل. وفي أفضل خمسة أنظمة في ICASSP 2022 بُنيت معظم الأنظمة العصبية فوق مرشح خطي ولم تحل محله. وفي أحد اختبارات ByteDance، أزال WebRTC AEC3 نحو 30 dB من الصدى بينما بلغ الكابت العصبي للصدى المتبقي 40.8 dB، بل جعل AEC3 جودة الكلام أثناء التحدث المتزامن أسوأ من عدم المعالجة عند نسبة إشارة إلى صدى قدرها 0 dB (صدى بصخب صوت الطرف القريب نفسه).
تعامل مع أرقام ERLE بالحذر الموضح في القسم 5: فقيمة ERLE البالغة 78.69 dB تعني أن الخط كان هادئا جدا أثناء كلام الطرف البعيد، لا أن صوت الطرف القريب نجا. وعلى جانب الشركات، تقول Microsoft إن نموذج الصدى في Teams دُرّب على 30,000 ساعة من عينات الكلام (مدونة Microsoft 365 لعام 2022، وهو ادعاء من الشركة نفسها)، ويقول باحثو DeepVQE لديها إن النموذج الصغير اختُبر في Teams لمئات الملايين من المستخدمين.
| المقياس | القيمة | المصدر |
|---|---|---|
| ERLE، التحدث المنفرد للطرف البعيد مع كلام: مرشح تكيفي خطي مقابل WebRTC AEC3 مقابل مرشح تكيفي مع كابت عصبي للصدى المتبقي | 16.612 dB مقابل 29.976 dB مقابل 40.786 dB | ByteDance، كبت الصدى المتبقي، arXiv 2020 |
| ERLE، التحدث المنفرد للطرف البعيد مع كلام وموسيقى: WebRTC AEC3 مقابل الكابت العصبي للصدى المتبقي | 25.376 dB مقابل 43.144 dB | ByteDance، كبت الصدى المتبقي، arXiv 2020 |
| PESQ أثناء التحدث المتزامن عند نسبة إشارة إلى صدى 0 dB: دون معالجة مقابل WebRTC AEC3 مقابل الكابت العصبي للصدى المتبقي | 1.908 مقابل 1.610 مقابل 2.816 | ByteDance، كبت الصدى المتبقي، arXiv 2020 |
| ERLE: Speex مقابل WebRTC مقابل مرشح تكيفي مع شبكة عصبية تكرارية | 25 dB مقابل 40 dB مقابل 68 dB | Ma وآخرون، arXiv 2020 |
| مُلغي الصدى LSTM ثنائي الإشارة (DTLN-aec): المكسب في MOS مقارنة بخط أساس AEC Challenge؛ بيانات التدريب | 0.30 MOS؛ 60 ساعة من سيناريوهات الصدى الحقيقية والاصطناعية | Westhausen وMeyer، DTLN-aec، arXiv 2020 |
| أفضل 5 أنظمة في ICASSP 2022: التصاميم الهجينة (خطي مع عصبي)؛ نطاق المعاملات | 3 من 5؛ من 1.5M إلى 55.5M معامل | Microsoft، ورقة AEC Challenge لمؤتمر ICASSP 2022 |
| مشاركات ICASSP 2023: ارتباط الدرجة النهائية بحجم النموذج؛ وباستخدام تصميم هجين (PCC) | -0.54؛ 0.10 | Microsoft، ورقة AEC Challenge لمؤتمر ICASSP 2023 |
| مُلغي صدى عصبي شامل (يناير 2026): ERLE مع إخفاء نشاط الصوت؛ المعاملات؛ متوسط المكسب في MOS من استراتيجية تدريب واحدة | 78.69 dB؛ 1.2M معامل؛ من 4.31 إلى 4.38 | Alibaba Tongyi Lab، E2E-AEC، arXiv 2026 |
ملاحظة سياقية: تأتي هذه النتائج من مجموعات اختبار مختلفة، فهي ترتب الطرق داخل كل ورقة، لا بين الأوراق. أحدث بيانات متاحة لمقارنتي AEC3 وSpeex: ByteDance وMa وآخرون، 2020.
الخلاصة: إلغاء الصدى الصوتي بالأرقام
| المقياس | القيمة | المصدر |
|---|---|---|
| زمن تقارب الاختبار 2A في G.168 | نحو 1 s مضافا إليها تأخير مسار الصدى | ITU-T G.168 (04/2015) |
| فقد اقتران الطرفية الموزون لسماعة الرأس، عند أي مستوى صوت مقابل المستوى الاسمي | 46 dB على الأقل مقابل 55 dB على الأقل | 3GPP TS 26.131 (Rel-19) |
| فقد الصدى في الشبكة عند نقطة التوصيل البيني | 46 dB على الأقل | 3GPP TS 26.132 (Rel-19) |
| فئات التحدث المتزامن للأجهزة الحرة | 5؛ الفئة 1 تخفض الكلام المرسل بما لا يزيد على 3 dB | HEAD acoustics، في وصفها لـ ITU-T P.340 |
| توصية الأجهزة الحرة، أحدث إصدار | P.340 (07/2026) | ملخص ITU-T P.340 لعام 2026 |
| التأخير في اتجاه واحد لتفاعل شفاف | أقل من 150 ms | ITU-T G.114 (05/2003) |
| حد زمن التأخير في AEC Challenge، 2023 | 20 ms من التأخير الخوارزمي مع التخزين المؤقت | مستودع AEC-Challenge من Microsoft |
| ERLE مقابل تقييمات المستمعين | PCC 0.31 | Microsoft، ورقة AEC Challenge لمؤتمر ICASSP 2021 |
| AECMOS مقابل تقييمات صدى الطرف البعيد | PCC 0.99 | Microsoft، ورقة AEC Challenge لمؤتمر ICASSP 2023 |
| مجموعة التدريب الأصلية لـ AECMOS | 64,013 مقطعا، 145.8 ساعة | Microsoft، ورقة AECMOS، ICASSP 2022 |
| ICASSP 2021، خط الأساس مقابل الفائز | 3.68 مقابل 4.11 | Amazon Web Services، التحكم في الصدى بـ PercepNet، arXiv 2021 |
| INTERSPEECH 2021، أعلى مشاركة مقابل خط الأساس | 4.43 مقابل 3.87 | Microsoft، نتائج AEC Challenge لمؤتمر INTERSPEECH 2021 |
| المحمول مقابل سطح المكتب، تدهور التحدث المتزامن | المحمول أدنى بمقدار 0.75 MOS | Microsoft، ورقة AEC Challenge لمؤتمر ICASSP 2022 |
| وقت معالج DeepVQE-S لكل إطار | 0.14 ms (عامل زمن حقيقي 0.014) | Microsoft، DeepVQE، Interspeech 2023 |
| WebRTC AEC3 مقابل الكابت العصبي للصدى المتبقي، ERLE | 29.976 dB مقابل 40.786 dB | ByteDance، كبت الصدى المتبقي، arXiv 2020 |
| Speex مقابل WebRTC مقابل الهجين مع شبكة تكرارية، ERLE | 25 dB مقابل 40 dB مقابل 68 dB | Ma وآخرون، arXiv 2020 |
| مكسب DTLN-aec على خط أساس المسابقة | 0.30 MOS | Westhausen وMeyer، DTLN-aec، arXiv 2020 |
| إلغاء صدى عصبي شامل، ERLE (2026) | 78.69 dB بـ 1.2M معامل | Alibaba Tongyi Lab، E2E-AEC، arXiv 2026 |
المنهجية والمصادر
- ITU-T: G.168، مُلغيات الصدى الرقمية الشبكية (04/2015، التصويب 12/2022)، G.167، متحكمات الصدى الصوتي (03/1993، مسحوبة)، ملخص P.340 (07/2026)، P.1110، الاتصال الحر عريض النطاق في المركبات (10/2025)، G.114، زمن الإرسال في اتجاه واحد (05/2003)
- 3GPP: TS 26.131، الخصائص الصوتية للطرفيات في الهاتفية؛ المتطلبات (Rel-19) وTS 26.132، مواصفة الاختبار الصوتي لطرفيات الهاتفية الصوتية والمرئية (Rel-19)
- HEAD acoustics: صحيفة بيانات ACOPT 32 للتحدث المتزامن المبني على الكلام (تعيد صياغة فئات ITU-T P.340)
- Microsoft Research: ورقة AEC Challenge لمؤتمر ICASSP 2021، نتائج AEC Challenge لمؤتمر INTERSPEECH 2021، ورقة AEC Challenge لمؤتمر ICASSP 2022، ورقة AEC Challenge لمؤتمر ICASSP 2023، ورقة AECMOS، DeepVQE، Interspeech 2023، مستودع AEC-Challenge
- Amazon Web Services: Low-complexity joint neural echo control and speech enhancement based on PercepNet (2021)
- ByteDance: Residual acoustic echo suppression based on efficient multi-task convolutional neural network (2020)
- Ma وHuang وZhao وSu: Acoustic echo cancellation by combining adaptive digital filter and recurrent neural network (2020)
- Westhausen وMeyer: Acoustic echo cancellation with the dual-signal transformation LSTM network (2020)
- Alibaba Tongyi Lab: E2E-AEC, an end-to-end neural network approach for acoustic echo cancellation (يناير 2026)
- مدونة Microsoft 365: How Microsoft Teams uses AI and machine learning to improve calls and meetings (2022، ادعاء من الشركة)
- ملاحظة حول البيانات: لم تنشر أي منصة معدلا للصدى في المكالمات الحقيقية مبنيا على القياس عن بعد، ولذلك لا يورد هذا الاستعراض أي معدل؛ وتصف أوراق Microsoft الصدى وصفا نوعيا فقط بأنه من أبرز الشكاوى. ويختلف مصدرا Microsoft قليلا بشأن فائز 2023: إذ تذكر ورقة مسابقة ICASSP 2023 درجة المركز الأول 0.854، بينما يذكر جدول ورقة DeepVQE فائز AEC بدرجة 0.852. كما يختلف مصدرا Microsoft بشأن مجموعة بيانات ICASSP 2022: إذ تذكر ورقة ICASSP 2022 أكثر من 10,000 بيئة وجهاز، بينما تذكر ورقة ICASSP 2023 الرقم 7,500 لتلك الجولة. وارتباطا ERLE (0.31) وPESQ (0.67) متطابقان في أوراق مسابقات 2021 و2022 و2023، ما يوحي بدراسة أساسية واحدة لا بثلاثة قياسات مستقلة. وتتفاوت ارتباطات AECMOS بحسب إصدار النموذج (تذكر ورقة ICASSP 2022 قيمة PCC تساوي 0.828 لصدى الطرف البعيد، وورقة 2023 القيمة 0.99). وتقول ورقة INTERSPEECH 2021 إن جميع المشاركين تقريبا تفوقوا على خط الأساس، بينما يظهر جدول النتائج العام أن 10 من 14 مشاركة مصنفة تتجاوز متوسط خط الأساس. وقيم ERLE في مقارنتي Speex وWebRTC لعام 2020 مأخوذة من مجموعة الاختبار والإعدادات الخاصة بكل ورقة. ومعظم بيانات AEC Challenge من 2021 إلى 2023 لأن مستودع AEC-Challenge يدرج ICASSP 2023 بوصفه أحدث إصدار؛ والنص الكامل لـ P.340 (07/2026) وملف 3GPP TS 26.132 Rel-20 هما التحديثان التاليان اللذان ينبغي فحصهما.
آخر تحديث: 24 أكتوبر 2026. نحدّث هذا الاستعراض كل ثلاثة أشهر، ومن المتوقع التحديث التالي عند نشر النص الكامل لتوصية ITU-T P.340 (07/2026).