حددت تحديات Deep Noise Suppression (DNS) لعام 2021 إجمالي زمن التأخير الخوارزمي بسقف 40 ms، بينما شغّلت دراسة عام 2025 حول أجهزة السمع القابلة للارتداء قمع الضوضاء العصبي بزمن تأخير خوارزمي قدره 1.25 ms وزمن تأخير شامل 3.35 ms على معالج إشارات رقمية (DSP) منخفض الطاقة (Microsoft Research، ورقة Interspeech 2021 DNS Challenge؛ Dementyev وآخرون، arXiv 2025). وتمتد أحجام النماذج على أكثر من ثلاث رتب من الحجم: يستخدم RNNoise نحو 87,503 وزنا ويبلغ GTCRN عن 23.7K معلمة، بينما استخدم أفضل نظام في URGENT ضمن Interspeech 2025 نحو 102M. وتواصل اختبارات الاستماع كشف ما تغفله مقاييس المختبر: فقد سجل PercepNet الكامل قيمة PESQ أقل من نسخته بدون مرشح لاحق (2.54 مقابل 2.73) لكنه سجل MOS أعلى لدى المستمعين (4.05 مقابل 3.91). وقمع الضوضاء هو نصف قصة عزل الصوت؛ أما النصف الآخر، أي فصل متحدث واحد عن المتحدثين الآخرين، فنتناوله في إحصائيات فصل الكلام ومشكلة حفلة الكوكتيل لدينا، ويرد الجانب التجاري لهذه الأدوات في إحصائيات برمجيات إلغاء الضوضاء للمؤسسات. جمعنا البيانات من أوراق DNS Challenge الصادرة عن Microsoft Research، وITU-T، وأعمال Mozilla وXiph.Org حول RNNoise، وأوراق DeepFilterNet، ومنظمي تحدي URGENT، ووثائق NVIDIA حول Maxine، وباحثين مستقلين في الجامعات والصناعة.
أبرز النقاط
- شغّل نموذج عصبي لقمع الضوضاء بزمن 1.25 ms على معالج DSP منخفض الطاقة بزمن تأخير شامل 3.35 ms (Dementyev وآخرون، ورقة أجهزة السمع دون الميلي ثانية، arXiv 2025).
- يعمل RNNoise بـ 87,503 وزنا، أي نحو 1.3% من نواة x86 واحدة (Mozilla، ورقة RNNoise، MMSP 2018).
- يبلغ GTCRN عن 23.7K معلمة و39.6 MMACs في الثانية (Rong وآخرون، GTCRN، ICASSP 2024).
- يبلغ DeepFilterNet2 نحو 2.306 M معلمة وعامل زمن حقيقي قدره 0.42 حتى على Raspberry Pi 4 (Schröter وآخرون، ورقة DeepFilterNet2 2022).
- يحتاج مزيل ضوضاء على GPU إلى 0.410 ms (النسبة المئوية 95) لمعالجة إطار مدته 10 ms على وحدة GPU لحاسوب محمول (NVIDIA، دليل أداء Maxine AFX SDK، ادعاء الشركة المصنعة).
- سجل PercepNet درجة MOS لدى المستمعين قدرها 4.05 مقابل 3.40 للمدخل المشوش على VCTK (Valin وآخرون، ورقة PercepNet، Interspeech 2020).
- استخدم الفائز في URGENT ضمن Interspeech 2025 نحو 102M معلمة، أي نحو 12 ضعف النموذج الأساسي البالغ 8.5M (Saijo وآخرون، ورقة تحدي URGENT 2025).
- أدى التنبؤ بما سيأتي للوصول إلى زمن تأخير 0 ms إلى خفض SI-SDR من 2.8341 dB إلى -3.6493 dB (Wang وآخرون، IEEE/ACM TASLP 2022).
- للتوصية ITU-T P.835، وهي اختبار التقييمات الثلاثة لأدوات قمع الضوضاء، نسخة جديدة هي P.835 (07/26) (صفحة التوصية ITU-T P.835، 2026).
- اجتذب تحدي ICASSP 2026 URGENT 80 تسجيلا في المسار 1 ومشاركات صالحة من 29 فريقا (Li وآخرون، ورقة تحدي ICASSP 2026 URGENT).
1. ميزانيات زمن التأخير: كم من التأخير يُسمح به لقمع الضوضاء في الزمن الحقيقي
زمن التأخير الخوارزمي هو التأخير المدمج في الطريقة نفسها (طول إطار التحليل مضافا إليه أي نظر مسبق في الصوت المستقبلي)، ولذلك لا يستطيع معالج أسرع إزالته. أما زمن المعالجة فمسألة منفصلة: يكفي أن ينهي النظام الفوري كل إطار قبل وصول الإطار التالي. حددت تحديات DNS لعام 2021 إجمالي زمن التأخير الخوارزمي بسقف 40 ms، وهو سقف سخي بمعايير أجهزة السمع المساعدة وضيق بالنسبة لنموذج يريد رؤية الصوت المستقبلي.
وهذه الـ 40 ms تُستهلك قبل أن يغادر الصوت الحاسوب أصلا. ففي المكالمة، يتراكم تأخير أداة قمع الضوضاء مع إلغاء الصدى ومشفرات الصوت والشبكة؛ ولإلغاء الصدى ميزانيته ومقاييسه الخاصة، نتناولها في إحصائيات إلغاء الصدى الصوتي لدينا. وتُذكر القاعدة صراحة في ورقة Interspeech 2021 DNS Challenge، وتأتي أرقام التصميم من ورقة PercepNet وورقة DeepFilterNet3.
| المقياس | القيمة | المصدر |
|---|---|---|
| قاعدة الزمن الحقيقي في DNS Challenge: إجمالي زمن التأخير الخوارزمي (الإطار + الخطوة + النظر المسبق)، وزمن المعالجة لكل إطار | 40 ms أو أقل؛ أقل من زمن الخطوة على معالج Intel Core i5 رباعي النواة بتردد 2.4 GHz (إطار 32 ms بخطوة 16 ms، أي 48 ms، لا يستوفي الشرط) | Microsoft Research، ورقتا ICASSP 2021 وInterspeech 2021 DNS Challenge |
| نافذة التحليل في RNNoise وخطوة الانتقال والنظر المسبق | نوافذ 20 ms، وإزاحة 10 ms؛ نظر مسبق 10 ms | Mozilla، ورقة RNNoise، MMSP 2018؛ صفحة العرض التوضيحي لـ RNNoise من Xiph.Org 2017 |
| حجم إطار PercepNet والنظر المسبق | إطارات 10 ms، ونظر مسبق 40 ms | Valin وآخرون، ورقة PercepNet، Interspeech 2020 |
| زمن التأخير الخوارزمي في DeepFilterNet3 | 40 ms (نافذة 20 ms، وخطوة انتقال 10 ms، وإطاران من النظر المسبق) | Schröter وآخرون، ورقة DeepFilterNet3، Interspeech 2023 |
| تصميم STFT منخفض التأخير جدا: أحجام النوافذ وزمن التأخير الخوارزمي الناتج | نافذة إدخال 16 ms، ونافذة إخراج 4 ms، وخطوة انتقال 2 ms؛ تأخير 4 ms، أو 2 ms مع التنبؤ بإطار واحد إلى الأمام | Wang وآخرون (CMU، MERL)، IEEE/ACM TASLP 2022 |
| زمن التأخير الخوارزمي النموذجي في تحسين الكلام بالتعلم الآلي مقابل هدف أجهزة السمع القابلة للارتداء | من 16 إلى 32 ms مقابل أقل من 2 ms شاملا (نحو 1 ms أو أقل خوارزميا) | Dementyev وآخرون، ورقة أجهزة السمع دون الميلي ثانية، arXiv 2025 |
| تأثير Denoiser v2 على GPU: حجم الإطار وعتبة إنجاز كل إطار (اختبار الشركة المصنعة نفسها) | إطارات 10 ms (160 عينة عند 16 kHz)؛ يجب أن يبقى زمن الإطار عند النسبة المئوية 95 أقل من ميزانية 10 ms | NVIDIA، دليل أداء Maxine AFX SDK لنظام Windows (ادعاء الشركة المصنعة) |
أحدث البيانات المتاحة لقاعدة التحدي: 2021؛ وتحيل إصدارات DNS اللاحقة تعريفاتها بالميلي ثانية إلى موقع التحدي. أحدث البيانات المتاحة لـ RNNoise وPercepNet: ورقتا 2018 و2020.
2. الحوسبة وحجم النموذج: من 23.7K معلمة إلى 8 ملايين
يبلغ GTCRN عن 23.7K معلمة، بينما يستخدم PercepNet نحو 8M وزن ونحو 800 MMACS، أي نحو 340 ضعفا من الأوزان (8,000,000 / 23,700) لنموذج يعمل هو أيضا في الزمن الحقيقي. وعامل الزمن الحقيقي (RTF) هو زمن المعالجة مقسوما على مدة الصوت، ولذلك فإن RTF أقل من 1 يعني أن النموذج يواكب الصوت المباشر.
والقراءة العملية: لم تعد الحوسبة هي ما يمنع القمع العصبي للضوضاء على الحاسوب المحمول. فقد احتاج RNNoise إلى نحو 1.3% من نواة واحدة على معالج حاسوب محمول من حقبة Haswell، واحتاج PercepNet إلى أقل من 5% من نواة. والسؤال المفتوح يتعلق بالهواتف وسماعات الأذن ومعالجات DSP، حيث لا يترك RTF قدره 0.42 على Raspberry Pi 4 هامشا كبيرا. وتأتي الأرقام من ورقة RNNoise وورقة DeepFilterNet2 وصفحة ورقة GTCRN.
| المقياس | القيمة | المصدر |
|---|---|---|
| حجم RNNoise وحمل المعالج | 87,503 وزنا؛ نحو 40 MFLOPS؛ نحو 1.3% من نواة واحدة في Intel i7-4800MQ، ونحو 14% من نواة واحدة في Raspberry Pi 3 | Mozilla، ورقة RNNoise، MMSP 2018 |
| ملف نموذج RNNoise بأوزان 8 بت مقابل 32 بت عائمة، والسرعة | 85 kB مقابل 340 kB؛ أسرع بنحو 60 ضعفا من الزمن الحقيقي على x86، ونحو 7 أضعاف على Raspberry Pi 3 | Xiph.Org، صفحة العرض التوضيحي لـ RNNoise 2017 |
| حجم PercepNet وحمل المعالج | 8M وزن؛ نحو 800 MMACS؛ 5.2% من نواة واحدة في Intel i7-8565U (إطارات 10 ms)، و4.1% (إطارات 40 ms) | Valin وآخرون، ورقة PercepNet، Interspeech 2020 |
| DeepFilterNet مقابل DeepFilterNet2: المعلمات والحوسبة وRTF على Core i5-8250U | 1.778 M مقابل 2.306 M؛ 0.348 مقابل 0.356 GMACs؛ RTF 0.11 مقابل 0.04 (و0.42 على Raspberry Pi 4) | Schröter وآخرون، ورقة DeepFilterNet2 2022 |
| حجم GTCRN وحوسبته | 23.7K معلمة؛ 39.6 MMACs في الثانية | Rong وآخرون، GTCRN، ICASSP 2024 |
| حجم UL-UNAS وحوسبته | 169k معلمة؛ 34M عملية MAC في الثانية؛ نظر مسبق 0 ms | Rong وآخرون، UL-UNAS، Neural Networks 2025 |
| Denoiser v2 على وحدة GPU من طراز RTX 3500 Ada للحواسيب المحمولة (قياس الشركة المصنعة نفسها) | النسبة المئوية 95: 0.410 ms لكل إطار مدته 10 ms؛ إنتاجية النسبة المئوية 50: 26.74 ضعف الزمن الحقيقي؛ ذاكرة GPU 215 MiB | NVIDIA، دليل أداء Maxine AFX SDK لنظام Windows (ادعاء الشركة المصنعة) |
وتضيف وثائق مزيل الضوضاء من NVIDIA تحفظها الخاص: قد يؤدي مدخل بنسبة إشارة إلى ضوضاء (SNR) أقل من 5 dB إلى مخرج مشوه.
3. درجات الجودة المرجعية: PESQ وDNSMOS للنماذج المسماة
يقارن PESQ الصوت المعالج بمرجع نظيف؛ أما DNSMOS فهو نموذج عصبي يتنبأ بما سيقوله المستمعون دون حاجة إلى مرجع. وعلى مجموعة الاختبار الشائعة VoiceBank+DEMAND، ارتفع PESQ من 1.97 للكلام المشوش غير المعالج إلى 3.17 لـ DeepFilterNet3، بينما جاء RNNoise في الطرف الأدنى من مجموعة النماذج العصبية.
وصف DNSMOS يحمل التحذير الأكثر فائدة. ففي مجموعة الاختبار الأعمى DNS4، خفّض RNNoise درجة الكلام المتوقعة (SIG) إلى ما دون المدخل المشوش بينما رفع الدرجة الإجمالية، وهذه هي المقايضة الكلاسيكية: ضوضاء أقل مقابل صوت متضرر قليلا. وتُظهر ورقة PercepNet نفسها المشكلة المعاكسة بالنسبة لـ PESQ، إذ كانت النسخة التي فضلها المستمعون أكثر ذات PESQ أقل. البيانات من ورقة DeepFilterNet3 وورقة UL-UNAS.
| المقياس | القيمة | المصدر |
|---|---|---|
| PESQ على VoiceBank+DEMAND: المدخل المشوش مقابل RNNoise مقابل DeepFilterNet2 (مع المرشح اللاحق) | 1.97 مقابل 2.33 مقابل 3.03 | Schröter وآخرون، ورقة DeepFilterNet2 2022 |
| PESQ وSTOI لـ DeepFilterNet3 على VoiceBank+DEMAND | 3.17 و0.944 | Schröter وآخرون، ورقة DeepFilterNet3، Interspeech 2023 |
| DNSMOS على مجموعة الاختبار الأعمى DNS4، الكلام (SIG) والإجمالي (OVRL): المشوش مقابل RNNoise مقابل DeepFilterNet2 | SIG 4.144 مقابل 3.884 مقابل 4.196؛ OVRL 3.291 مقابل 3.378 مقابل 3.882 | Schröter وآخرون، ورقة DeepFilterNet2 2022 |
| PESQ على VCTK-DEMAND: GTCRN مقابل UL-UNAS المدرَّب بدالة خسارة PESQ | 2.87 مقابل 3.09 | Rong وآخرون، UL-UNAS، Neural Networks 2025 |
| PESQ والنظر المسبق على مجموعة الاختبار الأعمى DNS3: GTCRN مقابل LiSenNet مقابل UL-UNAS | 2.10 (0 ms) مقابل 2.23 (32 ms) مقابل 2.28 (0 ms) | Rong وآخرون، UL-UNAS، Neural Networks 2025 |
| PESQ-WB لـ PercepNet مع المرشح اللاحق مقابل بدونه | 2.54 مقابل 2.73 | Valin وآخرون، ورقة PercepNet، Interspeech 2020 |
| MOS لدى المستمعين وفق P.808 على VCTK بتردد 48 kHz: المشوش مقابل RNNoise مقابل PercepNet | 3.40 مقابل 3.70 مقابل 4.05 | Valin وآخرون، ورقة PercepNet، Interspeech 2020 |
السياق: VoiceBank+DEMAND مجموعة اختبار صغيرة وأغلبها اصطناعي، ولذلك تقول هذه الترتيبات عن التقدم النسبي أكثر مما تقوله عن المكالمات الحقيقية. وصف DNS3 هو ما ينبغي أن ينتبه إليه قراء زمن التأخير: فقد سجل نموذج بنظر مسبق صفري (2.28) درجة أعلى من نموذج بنظر مسبق 32 ms (2.23) في PESQ.
4. نتائج التحديات: DNS من 2021 إلى 2023 وURGENT من 2025 إلى 2026
تُظهر نتائج التحديات من 2020 إلى 2026 أن المكاسب المقاسة مقارنة بالمدخل المشوش تظل صغيرة حتى لدى الفائزين. في ICASSP 2021 لم يتفوق أفضل نموذج على المدخل المشوش إلا بمقدار 0.53 DMOS (الفرق في متوسط درجة الرأي)، وهو ما قدّره المنظمون عند MOS مطلق قدره 3.38، ولم يتفوق على النموذج الأساسي سوى نصف المشاركات. أما القمع المخصص، الذي تقدمه Teams باسم عزل الصوت، فيسجّل عينة من صوت المستخدم ويزيل أيضا المتحدثين الآخرين؛ وفي مسار التخصيص ضمن ICASSP 2022 لم يحسّن أي فريق درجة الكلام. وفي Teams يكون عزل الصوت مفعّلا افتراضيا في سياسة المسؤول ويُخزَّن الملف الصوتي على جهاز المستخدم (Microsoft Learn، صفحة المسؤول لعزل الصوت في Teams، محدّثة في 2026).
وتحدي URGENT (لتحسين الكلام ‘الشامل’) أوسع من قمع الضوضاء: فهو يضيف الصدى الغرفي والقص ونقص الترميز وفقدان الحزم وضوضاء الرياح، ويقبل مدخلات من 8 إلى 48 kHz. وتُظهر نتائجه لعام 2025 أن حجم النموذج يتحرك في الاتجاه المعاكس لما ورد في القسم 2. المصادر: ورقة DNS في ICASSP 2021 وورقة DNS في ICASSP 2022 وورقة DNS في ICASSP 2023 وورقة URGENT 2025 وورقة URGENT 2026.
| المقياس | القيمة | المصدر |
|---|---|---|
| مسار الزمن الحقيقي في DNS ضمن Interspeech 2020: ترتيب PercepNet وMOS وفق P.808 مقابل المشوش والنموذج الأساسي | المركز الثاني؛ 3.52 مقابل 3.01 مقابل 3.03 | Valin وآخرون، ورقة PercepNet، Interspeech 2020 |
| المسار 1 في DNS ضمن ICASSP 2021: الفرق وأفضل نتيجة مقابل المدخل المشوش | 16 فريقا؛ أفضل نموذج أفضل من المشوش بـ 0.53 DMOS (MOS مطلق 3.38)؛ نصف المشاركات تفوقت على النموذج الأساسي | Microsoft Research، ورقة DNS Challenge في ICASSP 2021 |
| DNS ضمن Interspeech 2021: أفضل MOS إجمالي مقابل السقف عند إزالة مثالية للضوضاء؛ درجات الكلام | نحو 3.78 مقابل 3.92؛ سجّلت معظم الفرق عدا الأولين درجة أقل من المشوش في MOS الكلام | Microsoft Research، ورقة Interspeech 2021 DNS Challenge |
| مسار التخصيص (عزل الصوت) في ICASSP 2022: مدة التسجيل المسبق والنتيجة مقابل المشوش | 2.5 دقيقة لكل متحدث؛ لم يحسّن أي فريق SIG؛ دقة الكلمات أسوأ بنسبة 2% | Microsoft Research، ورقة DNS Challenge في ICASSP 2022 |
| DNS ضمن ICASSP 2023: عدد المشاركات ومكسب الدرجة الفائز على المجموعة العمياء المشوشة، سماعة الرأس مقابل مكبر الصوت الهاتفي | 11 و11 مشاركة؛ 0.145 مقابل 0.141 | Microsoft Research، ورقة DNS Challenge في ICASSP 2023 |
| URGENT ضمن Interspeech 2025: عدد المشاركات وحجم النظام الفائز مقابل النموذج الأساسي | 32 مشاركة؛ نحو 102M مقابل نحو 8.5M معلمة | Saijo وآخرون، ورقة تحدي URGENT ضمن Interspeech 2025 |
| URGENT ضمن Interspeech 2025: MOS للنظام التوليدي البحت وترتيبه العام ودقة الحروف في الصينية واليابانية | أعلى MOS (3.69) لكنه جاء في المركز 13؛ 20.1% و36.8% | Saijo وآخرون، ورقة تحدي URGENT ضمن Interspeech 2025 |
| URGENT ضمن ICASSP 2026: تسجيلات المسار 1، والفرق الصالحة، وحجم الاختبار الأعمى | 80 تسجيلا؛ 29 فريقا بمشاركات صالحة عبر المسارين؛ 840 عينة تشمل 5 لغات لم تُرَ من قبل | Li وآخرون، ورقة تحدي ICASSP 2026 URGENT |
السقف البالغ 3.92 في صف Interspeech 2021 هو حساب المنظمين أنفسهم: فلو قُيّمت الضوضاء بدرجة 5 مثالية وبقي الكلام بجودته في المقطع المشوش، لبلغ MOS الإجمالي هذا الحد الأقصى. وبحلول 2021 كان الفائزون قد أزالوا معظم الضوضاء وكانت الفجوة المتبقية في جودة الكلام. أما الدرجة في ICASSP 2023 فهي 0.5 × [WAcc + 0.25 × (OVRL - 1)]، ولذلك فهي تمنح دقة الكلمات وجودة المستمعين وزنا متساويا.
5. قياس الجودة: ITU-T P.835 وP.808 وDNSMOS
تطلب ITU-T P.835 من المستمعين ثلاثة تقييمات منفصلة: إشارة الكلام (SIG) والضوضاء الخلفية (BAK) والجودة الإجمالية (OVRL). وهذا التقسيم مهم لقمع الضوضاء لأن النموذج قد يربح في الضوضاء ويخسر في الصوت داخل المقطع نفسه. تتبع DNSMOS التقييمات البشرية بمعامل ارتباط بيرسون (PCC) قدره 0.93 لكل نموذج، مقابل 0.78 لـ PESQ و0.23 فقط لـ SDR، ولهذا درّب منظمو DNS مقياسا على تقييمات المستمعين بدلا من الاعتماد على PESQ.
والمشكلة في الدقة التفصيلية. فنسخة P.835 من DNSMOS أضعف بكثير على مقطع واحد منها عند حساب المتوسط على نموذج كامل، ولذلك ينبغي التعامل مع رقم DNSMOS لمقطع واحد على أنه تلميح لا حكم. وينطبق المنطق نفسه على الأصوات الاصطناعية، التي نتناولها في إحصائيات MOS لطبيعية الكلام الاصطناعي لدينا. المصادر: صفحة ITU-T P.835 وصفحة ITU-T P.808 وورقة DNSMOS وورقة DNSMOS P.835.
| المقياس | القيمة | المصدر |
|---|---|---|
| إصدارات ITU-T P.835 | P.835 (07/26) ساري، منشور مسبقا؛ P.835 (11/03) حلّ محله إصدار أحدث | صفحة التوصية ITU-T P.835، تم الاطلاع في أكتوبر 2026 |
| إصدارات ITU-T P.808 | P.808 (06/21) ساري؛ P.808 (06/18) حلّ محله إصدار أحدث | صفحة التوصية ITU-T P.808، تم الاطلاع في أكتوبر 2026 |
| ارتباط DNSMOS بالمستمعين لكل نموذج (PCC) مقابل PESQ وPOLQA وSDR؛ DNSMOS P.835 الإجمالي، على مستوى النموذج مقابل المقطع الواحد | 0.93 مقابل 0.78 و0.79 و0.23؛ 0.98 مقابل 0.82 | Reddy وآخرون، Microsoft، ورقتا DNSMOS (2020) وDNSMOS P.835 (2021) |
| اختبارات الاستماع في PercepNet: عينات VCTK وعدد المستمعين لكل عينة؛ مستمعو اختبار DNS لكل مقطع | 824 عينة، 8 مستمعين لكل منها (فاصل ثقة 95% يبلغ 0.04)؛ 10 مستمعين لكل منها (فاصل ثقة 95% يبلغ 0.02) | Valin وآخرون، ورقة PercepNet، Interspeech 2020 |
| طريقة الاختبار الذاتي ونطاقه في URGENT 2025 | تقييم الفئات المطلق وفق ITU-T P.808 على Amazon Mechanical Turk؛ بيانات باللغة الإنجليزية فقط | Saijo وآخرون، ورقة تحدي URGENT ضمن Interspeech 2025 |
| اختبارات الاستماع في ICASSP 2026 URGENT وبيانات التنبؤ بـ MOS | تقييم أفضل 6 أنظمة بتقييم الفئات المطلق ACR وتقييم مقارنة الفئات CCR وفق P.808؛ 8,000 عينة موسومة بـ MOS من 16 نظاما | Li وآخرون، ورقة تحدي ICASSP 2026 URGENT |
مراجعة P.835 هي أحدث عنصر هنا: فقد حلّت P.835 (07/26) محل إصدار 2003، ويشمل عنوانها الآن الأجهزة الطرفية ‘التي توفر وظيفة قمع الضوضاء’. ولم يكن نصها الكامل متاحا للعموم عند اطلاعنا، ولذلك لا تنعكس التغييرات في الطريقة على الأرقام أعلاه.
6. المقايضة بين زمن التأخير والجودة
خفض زمن التأخير يكلّف الجودة والحوسبة معا. في دراسة عام 2025 حول أجهزة السمع القابلة للارتداء، احتاج نموذج بزمن 1 ms إلى 840 MIPS بينما احتاج نموذج الجمع مع التداخل بزمن 16 ms إلى 105 MIPS، ومع ذلك سجّل نموذج 16 ms درجة أعلى (DNSMOS OVRL بقيمة 2.35 مقابل 2.13 على CHiME-2). ووجدت دراسة سابقة من CMU وMERL الشكل نفسه بالنسبة لـ PESQ، وأظهرت أن محاولة التنبؤ بما يسبق الصوت للوصول إلى 0 ms تنهار معها قيمة SI-SDR.
وكان جواب دراسة أجهزة السمع هو تغيير مرشح الإخراج لا تصغير النافذة: فقد أبقى تصميم FIR بطور أدنى قيمة SI-SDR ثابتة تقريبا من 0.32 إلى 1.25 ms وخفّض زمن التأخير الشامل من 7.1 ms إلى 3.35 ms. والمحادثة المباشرة أكثر تسامحا مع التأخير بكثير من أجهزة السمع، لكن تأخير أداة قمع الضوضاء يضاف مع ذلك إلى كل مرحلة أخرى، مثلا عند تكديس المؤثرات في سلسلة مغيّر الصوت لـ Discord. البيانات من ورقة أجهزة السمع وورقة STFT منخفض التأخير جدا.
| المقياس | القيمة | المصدر |
|---|---|---|
| DNSMOS OVRL على CHiME-2: غير معالج مقابل نموذج 1 ms مقابل 2 ms مقابل 4 ms مقابل 16 ms | 1.3 مقابل 2.13 مقابل 2.25 مقابل 2.28 مقابل 2.35 | Dementyev وآخرون، ورقة أجهزة السمع دون الميلي ثانية، arXiv 2025 |
| SI-SDR على CHiME-2: نموذج 1 ms مقابل 2 ms مقابل 16 ms | 8.0 dB مقابل 11.10 dB مقابل 12.98 dB | Dementyev وآخرون، ورقة أجهزة السمع دون الميلي ثانية، arXiv 2025 |
| حوسبة نموذج 1 ms مقابل نموذج الجمع مع التداخل 16 ms | 840 MIPS مقابل 105 MIPS | Dementyev وآخرون، ورقة أجهزة السمع دون الميلي ثانية، arXiv 2025 |
| نموذج Deep FIR المقترح بزمن 1.25 ms: المعلمات والحوسبة وزمن التأخير الشامل على NXP i.MX RT600 | 626k معلمة؛ 376 MIPS؛ 3.35 ms | Dementyev وآخرون، ورقة أجهزة السمع دون الميلي ثانية، arXiv 2025 |
| PESQ بميكروفون واحد، نظام النافذة المستطيلة: غير معالج مقابل 4 ms مقابل 2 ms مقابل 0 ms (مع التنبؤ بما سيأتي) | 1.44 مقابل 1.8997 مقابل 1.84575 مقابل 1.7138 | Wang وآخرون (CMU، MERL)، IEEE/ACM TASLP 2022 |
| SI-SDR بميكروفون واحد، نظام النافذة المستطيلة، عند 4 ms مقابل 0 ms (مع التنبؤ بما سيأتي) | 2.8341 dB مقابل -3.6493 dB | Wang وآخرون (CMU، MERL)، IEEE/ACM TASLP 2022 |
| PESQ بستة ميكروفونات عند 4 ms مقابل 2 ms (النظام نفسه ذو المرحلتين) | 2.698490 مقابل 2.47482 | Wang وآخرون (CMU، MERL)، IEEE/ACM TASLP 2022 |
| اختبار حجم النافذة في DeepFilterNet: النقطة التي تبدأ عندها الأقنعة النسبية المعقدة بفقدان الجودة | نوافذ FFT بطول 20 ms أو أقل (يبقى المرشح العميق مستقرا من 5 إلى 30 ms) | Schröter وآخرون، ورقة DeepFilterNet، ICASSP 2022 |
ملاحظة حول القيم الشاذة: لم تستطع النماذج بزمن 1 ms وأقل في دراسة أجهزة السمع العمل في الزمن الحقيقي على معالج DSP المستهدف، ولذلك فإن أرقام زمن التأخير الشامل لديها هي تقديرات المؤلفين.
الخلاصة: زمن التأخير في قمع الضوضاء العصبي وعزل الصوت بالذكاء الاصطناعي بالأرقام
| المقياس | القيمة | المصدر |
|---|---|---|
| نموذج Deep FIR لأجهزة السمع يعمل في الزمن الحقيقي على DSP منخفض الطاقة | 1.25 ms خوارزميا، و3.35 ms شاملا | Dementyev وآخرون، arXiv 2025 |
| حجم الاختبار الأعمى في ICASSP 2026 URGENT | 840 عينة، تشمل 5 لغات لم تُرَ من قبل | Li وآخرون، ورقة تحدي ICASSP 2026 URGENT |
| أوزان RNNoise | 87,503 | Mozilla، ورقة RNNoise، MMSP 2018 |
| معلمات GTCRN وحوسبته | 23.7K؛ 39.6 MMACs في الثانية | Rong وآخرون، GTCRN، ICASSP 2024 |
| معلمات UL-UNAS والنظر المسبق | 169k؛ 0 ms | Rong وآخرون، UL-UNAS، Neural Networks 2025 |
| PESQ على VoiceBank+DEMAND، المشوش مقابل DeepFilterNet3 | 1.97 مقابل 3.17 | Schröter وآخرون، ورقتا DeepFilterNet2 وDeepFilterNet3 |
| زمن Denoiser v2 عند النسبة المئوية 95 لكل إطار 10 ms على GPU لحاسوب محمول (ادعاء الشركة المصنعة) | 0.410 ms | NVIDIA، دليل أداء Maxine AFX SDK |
| MOS لدى المستمعين لـ PercepNet مقابل المشوش على VCTK | 4.05 مقابل 3.40 | Valin وآخرون، ورقة PercepNet، Interspeech 2020 |
| حجم الفائز في URGENT 2025 مقابل النموذج الأساسي | نحو 102M مقابل 8.5M معلمة | Saijo وآخرون، ورقة تحدي URGENT 2025 |
| النظام التوليدي في URGENT 2025: MOS لدى المستمعين مقابل الترتيب العام | 3.69 (الأعلى) مقابل المركز 13 | Saijo وآخرون، ورقة تحدي URGENT 2025 |
| الفرق الصالحة في ICASSP 2026 URGENT | 29 | Li وآخرون، ورقة تحدي ICASSP 2026 URGENT |
| PESQ بميكروفون واحد عند زمن تأخير 4 ms مقابل 0 ms | 1.8997 مقابل 1.7138 | Wang وآخرون، IEEE/ACM TASLP 2022 |
| أحدث إصدار من ITU-T P.835 | P.835 (07/26)، ساري (منشور مسبقا) | صفحة التوصية ITU-T P.835 |
| إصدار ITU-T P.808 الساري | P.808 (06/21) | صفحة التوصية ITU-T P.808 |
| حجم نموذج RNNoise بأوزان 8 بت | 85 kB | Xiph.Org، صفحة العرض التوضيحي لـ RNNoise 2017 |
| سرعة RNNoise على x86 | أسرع بنحو 60 ضعفا من الزمن الحقيقي | Xiph.Org، صفحة العرض التوضيحي لـ RNNoise 2017 |
المنهجية والمصادر
- Microsoft (أوراق Research ووثائق Learn): ورقة ICASSP 2021 DNS Challenge (2020)، ورقة Interspeech 2021 DNS Challenge (2021)، ورقة ICASSP 2022 DNS Challenge (2022)، ورقة ICASSP 2023 DNS Challenge (2023)، وReddy وآخرون DNSMOS (2020) وDNSMOS P.835 (2021)، وصفحة المسؤول لعزل الصوت في Teams (محدّثة في 2026).
- ITU-T، التوصية P.835 والتوصية P.808، تم الاطلاع في أكتوبر 2026.
- Mozilla، ورقة RNNoise (MMSP 2018) وصفحة العرض التوضيحي لـ RNNoise من Xiph.Org (2017).
- Valin وآخرون، ورقة PercepNet (Interspeech 2020).
- Schröter وآخرون، DeepFilterNet (ICASSP 2022) وDeepFilterNet2 (2022) وDeepFilterNet3 (Interspeech 2023).
- Rong وآخرون، GTCRN (ICASSP 2024) وUL-UNAS (Neural Networks 2025).
- Wang وآخرون (CMU، MERL)، STFT-Domain Neural Speech Enhancement with Very Low Algorithmic Latency (IEEE/ACM TASLP 2022).
- Dementyev وآخرون، Towards Sub-millisecond Latency Real-Time Speech Enhancement Models on Hearables (arXiv الإصدار 2، مارس 2025).
- Saijo وآخرون، Interspeech 2025 URGENT Challenge (2025) وLi وآخرون، ICASSP 2026 URGENT Challenge (2026).
- NVIDIA، دليل أداء Maxine AFX SDK وصفحة تأثير مزيل الضوضاء (وثائق الشركة المصنعة، موسومة بوصفها ادعاءات الشركة).
- ملاحظة حول البيانات: معظم بيانات DNS Challenge تعود إلى 2020 حتى 2023؛ وورقة ICASSP 2023 هي أحدث تقرير لـ DNS Challenge وجدناه، ولذلك فهي أحدث بيانات متاحة لهذه السلسلة من المعايير. قيمة PESQ لـ RNNoise على VoiceBank+DEMAND هي 2.33 في جدول DeepFilterNet2 لكنها 2.29 في جدولي PercepNet وUL-UNAS. ويظهر GTCRN بـ 23.7K معلمة و39.6 MMACs في ملخص ICASSP 2024، لكن ورقة UL-UNAS تقتبس أرقام المستودع المحدّثة البالغة 48k معلمة و34 MMACs. ويبلغ DeepFilterNet2 عن RTF قدره 0.04 ويبلغ DeepFilterNet3 عن RTF قدره 0.19 (خيط واحد) على معالج Core i5-8250U نفسه، ولذلك تختلف إعدادات التشغيل متعدد الخيوط أو القياس. وتذكر ورقة أجهزة السمع القيمة 0.32 ms في ملخصها و0.34 ms في مقدمتها لأقصر زمن تأخير. وتُقتبس قيم ورقة CMU وMERL منخفضة التأخير بالدقة المطبوعة في جداولها. وأرقام GPU الخاصة بالشركة المصنعة مأخوذة من وحدة GPU واحدة لحاسوب محمول وليست ضمانات. وقيم SIG وBAK وOVRL لكل فريق في إصداري DNS لعامي 2022 و2023 موجودة فقط في رسوم بيانية، ولذلك لم ننقلها. ولم يكن النص الكامل لـ ITU-T P.835 (07/26) متاحا للعموم.
آخر تحديث: 25 أكتوبر 2026. نحدّث هذا الاستعراض كل ثلاثة أشهر، ومن المتوقع أن يكون التحديث التالي عند توفر وقائع مؤتمر ICASSP 2026 URGENT Challenge والنص المنشور لـ ITU-T P.835 (07/26).