تحسن فصل الكلام لمتحدثين اثنين على معيار WSJ0-2mix من نحو 6 dB من كسب الإشارة بالتجميع العميق في عام 2015 إلى 25.1 dB SI-SNRi في عام 2024 (Hershey وآخرون، arXiv 2015؛ SepReformer، NeurIPS 2024)، وهي قفزة حولت ‘مشكلة حفلة الكوكتيل’ من فضول مخبري إلى ميزات تُشحن فعلا في المعينات السمعية وسماعات الرأس. والمشكلة أن المعايير النظيفة تجامل النماذج: فأداء Conv-TasNet ينخفض من 15.3 dB على الخلائط النظيفة إلى 8.3 dB بعد إضافة الضجيج والصدى (ورقة MossFormer2، arXiv 2312.11825، جداول المقارنة). أما جانب الطلب فهائل، إذ يحتاج 430 مليون شخص إلى التأهيل بسبب فقدان السمع المسبب للإعاقة (صحيفة وقائع منظمة الصحة العالمية، مارس 2026). جمعنا البيانات من أوراق محكمة على arXiv وIEEE ICASSP وInterspeech وNeurIPS، ومن تحديي DNS وNOTSOFAR-1 من Microsoft، وGoogle Research، وMERL، ومنظمة الصحة العالمية، وإدارة الغذاء والدواء الأمريكية (FDA)، وMarkeTrak 2025، ومجموعتي البحث في جامعة واشنطن وجامعة كولومبيا. وللاطلاع على الجانب الاستهلاكي من التقنية نفسها، راجع إحصائيات أدوات فصل الصوت بالذكاء الاصطناعي لدينا.
أبرز النقاط
- أفضل نتيجة لمتحدثين على WSJ0-2mix: 25.1 dB SI-SNRi (SepReformer-L مع الخلط الديناميكي، NeurIPS 2024؛ TF-Locoformer L، MERL 2024).
- حقق التجميع العميق نحو 6 dB من التحسن على خلائط المتحدثين في عام 2015 (Hershey وآخرون، arXiv 1508.04306).
- بلغ Conv-TasNet نتيجة 15.3 dB SI-SNRi بـ 5.1 مليون معلمة وحد أدنى لزمن التأخير قدره 2 ms (Luo وMesgarani، IEEE/ACM TASLP 2019).
- يصل SepReformer-B إلى 23.8 dB عند 39.8 GMACs/s مقابل 23.5 dB عند 460.8 GMACs/s لدى TF-GridNet (SepReformer، NeurIPS 2024).
- يحتاج SepFormer إلى 35.3 GB من ذروة ذاكرة التدريب مقابل 2.0 GB لدى SepMamba (S) (ورقة SepMamba، 2024).
- يسجل Conv-TasNet نتيجة 15.3 dB على البيانات النظيفة و12.7 dB على المضججة (WHAM!) و8.3 dB على المضججة ذات الصدى (WHAMR!) (ورقة MossFormer2، 2024).
- خفض الفصل معدل خطأ الكلمات في LibriCSS عند تداخل 40% من 43.3% إلى 21.7% (Chen وآخرون، Microsoft، 2020).
- أفضل نظام متعدد القنوات في NOTSOFAR-1: معدل tcpWER قدره 10.8% مقابل 28.3% للنظام الأساسي (ملخص NOTSOFAR-1، 2025).
- حسن نموذج VoiceFilter-Lite الذي يعمل على الجهاز بحجم 2.2 MB معدل WER على الكلام المتداخل بنسبة 25.1% (Google Research، 2020).
- يحتاج 430 مليون شخص إلى التأهيل بسبب فقدان السمع المسبب للإعاقة، وسيتجاوز العدد 700 مليون بحلول عام 2050 (منظمة الصحة العالمية، مارس 2026).
- بلغ اعتماد المعينات السمعية بين الأمريكيين الذين يعانون صعوبة في السمع 51.3%، مقابل 46.9% في 2022 (MarkeTrak 2025).
- UW Target Speech Hearing: قيم 21 مشاركا الصوت المسجل مسبقا بأنه أوضح بنحو مرتين من الصوت غير المفلتر (جامعة واشنطن، CHI 2024).
1. عقد من التقدم على معيار WSJ0-2mix
فعل معيار WSJ0-2mix لفصل الكلام ما فعله ImageNet للرؤية الحاسوبية: هدف ثابت جعل تقدم عقد كامل قابلا للقياس. ارتفعت أفضل نتيجة لمتحدثين اثنين من نحو 6 dB من تحسن الإشارة في عام 2015 إلى 25.1 dB SI-SNRi في عام 2024، ومقياس الديسيبل لوغاريتمي، فكل 3 dB إضافية تقلل طاقة التداخل المتبقي إلى النصف تقريبا. وكانت القفزة الأهم في عام 2018، حين تخلى Conv-TasNet عن أقنعة المخطط الطيفي وعمل على الموجة الخام. وصار أول نظام يتفوق على الأقنعة المثالية في المجال الزمني الترددي، التي اعتُبرت طويلا سقفا عمليا (Conv-TasNet، Luo وMesgarani).
ومنذ ذلك الحين تسطح المنحنى. فجاءت المكاسب من 2021 إلى 2024 بخطوات تقارب 1 dB، ويتعادل أفضل نموذجين في 2024 عند 25.1 dB. وقد أشبع المجال معياره فعليا، ولهذا تتنافس الأوراق الحديثة على الكفاءة والمتانة بدلا من ذلك (القسمان 2 و3).
| المقياس | القيمة | المصدر |
|---|---|---|
| التجميع العميق، خلائط المتحدثين (2015) | نحو 6 dB من التحسن | Hershey وآخرون، التجميع العميق، arXiv 2015 |
| التجميع العميق المحسن، متحدثان (2016) | تحسن SDR بمقدار 10.3 dB (خط الأساس 6.0 dB) | Isik وآخرون، arXiv 1607.02173، 2016 |
| Conv-TasNet (2018) | 15.3 dB SI-SNRi، 15.6 dB SDRi | Luo وMesgarani، IEEE/ACM TASLP 2019 |
| DPRNN (2019) | 18.8 dB SI-SDRi | Luo وChen وYoshioka، ICASSP 2020 |
| SepFormer مع الخلط الديناميكي (2020) | 22.3 dB SI-SNRi | Subakan وآخرون، ICASSP 2021 |
| TF-GridNet، دون تعزيز البيانات (2022) | 23.5 dB SI-SDRi | ورقة TF-GridNet، arXiv 2211.12433 |
| MossFormer2 (2023) | 24.1 dB SI-SDRi | ورقة MossFormer2، arXiv 2312.11825 |
| SepReformer-L وTF-Locoformer (L)، كلاهما مع الخلط الديناميكي (2024) | 25.1 dB SI-SNRi | SepReformer، NeurIPS 2024؛ Saijo وآخرون، MERL 2024 |
المقارنة مع الأقنعة المثالية هي ما جعل Conv-TasNet علامة فارقة. ففي مجموعة الاختبار نفسها، سجل القناع الثنائي المثالي 13.0 dB SI-SNRi، والقناع النسبي المثالي 12.2 dB، والقناع الشبيه بمرشح Wiener 13.4 dB، وكلها دون 15.3 dB لدى Conv-TasNet. ووافقه المستمعون: فقد حصل خرج Conv-TasNet على متوسط تقييم للرأي (MOS) قدره 4.03 مقابل 3.51 للقناع النسبي المثالي.
| المقياس | القيمة | المصدر |
|---|---|---|
| القناع الثنائي المثالي (IBM) | 13.0 dB SI-SNRi | ورقة Conv-TasNet، 2019 |
| القناع النسبي المثالي (IRM) | 12.2 dB SI-SNRi | ورقة Conv-TasNet، 2019 |
| القناع الشبيه بمرشح Wiener (WFM) | 13.4 dB SI-SNRi | ورقة Conv-TasNet، 2019 |
| MOS المستمعين: Conv-TasNet مقابل IRM | 4.03 مقابل 3.51 | ورقة Conv-TasNet، 2019 |
| حجم WSJ0-2mix | 30 ساعة تدريب، 10 ساعات تحقق، 5 ساعات اختبار | ورقة Conv-TasNet، 2019 |
| نطاق الخلط | SNR عشوائي بين -5 و5 dB | ورقة Conv-TasNet، 2019 |
ملاحظة سياقية: ‘الخلط الديناميكي’ (DM) ينشئ خلائط تدريب جديدة أثناء التدريب ويضيف نحو 1 إلى 2 dB. يسجل SepFormer نتيجة 22.3 dB مع DM و20.4 dB بدونه، لذا تحتاج المقارنات بين الأوراق إلى التحقق من هذا الخيار أولا (SepFormer، arXiv 2010.13154). وأحدث البيانات المتاحة عن خطوط الأساس للفترة 2015 إلى 2019 تأتي من الأوراق الأصلية.
2. الكفاءة: المعلمات والحوسبة والذاكرة وزمن التأخير
توقفت الدقة، فانتقل سباق التسلح إلى التكلفة. يصل SepReformer-B إلى 23.8 dB SI-SNRi بـ 39.8 GMACs لكل ثانية من الصوت، بينما يحتاج TF-GridNet إلى 460.8 GMACs/s لتحقيق 23.5 dB، أي فرق في الحوسبة يزيد على أحد عشر ضعفا مقابل نتيجة أفضل قليلا (SepReformer، NeurIPS 2024). وتحكي أعداد المعلمات قصة مشابهة: فقد ماثل DPRNN أفضل ما توصل إليه المجال في 2019 بنموذج أصغر 20 مرة من أفضل نظام سابق.
الذاكرة هي التكلفة الخفية التي تحدد من يستطيع تدريب هذه النماذج. تبلغ ذروة ذاكرة SepFormer 35.3 GB، مقابل 2.0 GB لدى SepMamba (S) الذي يحقق مع ذلك 21.2 dB (SepMamba، الجامعة التقنية في الدنمارك وWS Audiology، 2024). وفيما يخص أي نموذج يعمل على هاتف أو سماعة رأس أو معينة سمعية، يحدد هذا الفرق ما إذا كان التصميم قابلا للشحن.
| المقياس | القيمة | المصدر |
|---|---|---|
| SepReformer-T | 22.4 dB عند 3.7 مليون معلمة، 10.4 GMACs/s | SepReformer، NeurIPS 2024 |
| SepReformer-B | 23.8 dB عند 14.2 مليون معلمة، 39.8 GMACs/s | SepReformer، NeurIPS 2024 |
| SepReformer-L مع DM | 25.1 dB عند 55.3 مليون معلمة، 155.5 GMACs/s | SepReformer، NeurIPS 2024 |
| TF-GridNet | 23.5 dB عند 14.5 مليون معلمة، 460.8 GMACs/s | SepReformer، NeurIPS 2024 (جدول المقارنة) |
| QDPN | 200.0 مليون معلمة | ورقة TF-GridNet، 2022 |
| MossFormer2 | 55.7 مليون معلمة، عامل الزمن الحقيقي 0.053 | ورقة MossFormer2، 2023 |
| DPRNN | 2.6 مليون معلمة، أصغر 20 مرة من أفضل نظام سابق | Luo وآخرون، ICASSP 2020 |
| الحد الأدنى لزمن التأخير في Conv-TasNet | 2 ms (مقابل نافذة STFT قدرها 32 ms) | ورقة Conv-TasNet، 2019 |
| المقياس | القيمة | المصدر |
|---|---|---|
| ذروة ذاكرة SepFormer | 35.30 GB | ورقة SepMamba، 2024 |
| ذروة ذاكرة MossFormer2 مع DM | 12.30 GB | ورقة SepMamba، 2024 |
| SepMamba (S) | 21.2 dB، 7.2 مليون معلمة، ذروة ذاكرة 2.00 GB | ورقة SepMamba، 2024 |
| SepMamba (M) | 22.7 dB، 22 مليون معلمة، ذروة ذاكرة 3.04 GB | ورقة SepMamba، 2024 |
| EConv-TasNet (سبتمبر 2026) | 18.4 dB عند 3.8 مليون معلمة | Liu، Novatek، arXiv 2609.11342 |
| EConv-TasNet مقابل Conv-TasNet | أصغر بنسبة 22.4%، واستدلال أسرع بنسبة 18.9% | Liu، arXiv 2609.11342 |
ملاحظة عن الحالة الشاذة: أحدث ورقة في هذا الاستعراض، EConv-TasNet من شركة تصنيع الرقائق Novatek (سبتمبر 2026)، لا تسعى إلى الرقم القياسي البالغ 25 dB أصلا. فهي تستهدف النشر على الأجهزة الطرفية، وتضيف 3.1 dB إلى Conv-TasNet بعدد معلمات أقل (EConv-TasNet). وهذه إشارة جيدة إلى موضع الاهتمام التجاري.
3. المتانة في العالم الواقعي: الضجيج والصدى وعدد أكبر من المتحدثين
كلام نظيف مقروء في استوديو ومخلوط بمستويات مضبوطة ليس مطعما. يخسر Conv-TasNet نحو 7 dB حين تكتسب خلائط اختباره ضجيجا محيطيا وصدى حقيقيين: 15.3 dB على WSJ0-2mix و12.7 dB على WHAM! و8.3 dB على WHAMR! (جداول مقارنة MossFormer2). يضيف WHAM! ضجيجا مسجلا في مقاهٍ ومطاعم وحانات في منطقة خليج سان فرانسيسكو، ويشير مؤلفوه إلى أن معظم دراسات الفصل استخدمت إعدادا مقيدا بمعدلات أخذ عينات منخفضة ودون ضجيج خلفي (WHAM!، Interspeech 2019).
وتسد النماذج الأحدث جزءا كبيرا من هذه الفجوة لكن ليس كلها. فأفضل النتائج مع الصدى تقع بين 17 و18.5 dB، أي ما زالت أدنى من المعيار النظيف بمقدار 6 إلى 7 dB. ويكلف المتحدث الثالث النموذج نفسه ما بين 1.9 و2.8 dB إضافية (MossFormer2: من 24.1 إلى 22.2 dB؛ SepFormer: من 22.3 إلى 19.5 dB)، وقد بين مؤلفو LibriMix أن النماذج المدربة على WSJ0-2mix تعاني تراجعات كبيرة في الأداء على مجموعات بيانات مشابهة، ولهذا بُني LibriMix من كلام LibriSpeech مضافا إليه ضجيج WHAM! (LibriMix، Interspeech 2020).
| المقياس | القيمة | المصدر |
|---|---|---|
| Conv-TasNet: WSJ0-2mix / WHAM! / WHAMR! | 15.3 / 12.7 / 8.3 dB SI-SDRi | ورقة MossFormer2، 2023 |
| SepFormer: WHAM! / WHAMR! | 16.4 / 14.0 dB | ورقة MossFormer2، 2023 |
| MossFormer2: WHAM! / WHAMR! | 18.1 / 17.0 dB | ورقة MossFormer2، 2023 |
| SepReformer-L مع DM: WHAM! / WHAMR! | 18.5 / 17.2 dB | SepReformer، NeurIPS 2024 |
| TF-Locoformer (M): WHAMR! | 18.5 dB | Saijo وآخرون، MERL 2024 |
| TF-GridNet، SMS-WSJ بست قنوات (خط المعالجة الكامل) | 22.8 dB SI-SDR، PESQ 4.08 | ورقة TF-GridNet، 2022 |
| المقياس | القيمة | المصدر |
|---|---|---|
| ثلاثة متحدثين، Conv-TasNet (WSJ0-3mix) | 12.7 dB SI-SNRi | ورقة Conv-TasNet، 2019 |
| ثلاثة متحدثين، SepFormer (WSJ0-3mix) | 19.5 dB SI-SNRi | ورقة SepFormer، 2020 |
| ثلاثة متحدثين، MossFormer2 (WSJ0-3mix) | 22.2 dB SI-SDRi | ورقة MossFormer2، 2023 |
| ثلاثة متحدثين، التجميع العميق المحسن (2016) | تحسن SDR بمقدار 7.1 dB | Isik وآخرون، 2016 |
| Libri2Mix: Conv-TasNet / SepFormer / MossFormer2 | 14.7 / 19.2 / 21.7 dB | ورقة MossFormer2، 2023 |
| Libri2Mix: SepReformer-M / TF-Locoformer (M) | 22.1 / 22.1 dB | SepReformer، 2024؛ Saijo وآخرون، 2024 |
تحذير: المعيار نفسه فيه عيب. فقد وجدت دراسة عام 2025 مقبولة في IEEE ASRU أن الضجيج في إشارات المرجع في WSJ0-2mix يحد من قيمة SI-SDR الممكن تحقيقها، وأن SI-SDR كان مرتبطا ارتباطا سلبيا بمستوى الضجيج المدرك عبر مجموعات الاختبار (Jepsen وآخرون، arXiv 2508.14623). وقد يكون جزء من آخر ديسيبل من ‘التقدم’ ناتجا عن تعلم النماذج استنساخ مراجع مضججة.
4. الفصل للاجتماعات والتعرف على الكلام
في التفريغ النصي، تهم الكلمات أكثر من الديسيبلات. على مجموعة بيانات LibriCSS من Microsoft، خفّض تشغيل الفصل قبل التعرف معدل خطأ الكلمات عند تداخل 40% بين المتحدثين من 43.3% إلى 21.7%، مع تغيير طفيف في نتائج الصوت غير المتداخل (من 11.8% إلى 8.4%) (Chen وآخرون، الفصل المستمر للكلام، 2020). ويحذر المؤلفون أنفسهم من أن المقاييس على مستوى الإشارة ترتبط ارتباطا ضعيفا فقط بدقة ASR أو بالجودة المدركة، ولهذا تقيس معايير الاجتماعات الكلمات لا SI-SNR. وتبين إحصائيات مساعدي الاجتماعات بالذكاء الاصطناعي لدينا مدى سرعة نمو السوق المعتمد على هذه الدقة.
| المقياس | القيمة | المصدر |
|---|---|---|
| حجم LibriCSS | 10 ساعات، 10 جلسات، تداخل من 0% إلى 40% | Chen وآخرون، Microsoft، 2020 |
| WER عند تداخل 10%: دون فصل مقابل مع الفصل | 18.8% مقابل 11.6% | Chen وآخرون، 2020 (على مستوى العبارة، 7 قنوات) |
| WER عند تداخل 20% | 27.2% مقابل 15.8% | Chen وآخرون، 2020 |
| WER عند تداخل 30% | 35.6% مقابل 18.7% | Chen وآخرون، 2020 |
| WER عند تداخل 40% | 43.3% مقابل 21.7% | Chen وآخرون، 2020 |
| WER عند تداخل 40%، إدخال مستمر | 40.5% مقابل 21.9% | Chen وآخرون، 2020 |
| التعرف على الكلام مع التجميع العميق على خلائط متحدثين | انخفض WER من 89.1% إلى 30.8% | Isik وآخرون، 2016 |
الاجتماعات الحقيقية أصعب من المحاكاة. فقد سجل تحدي NOTSOFAR-1 من Microsoft، الذي أُقيم ضمن CHiME-8، اجتماعات بمشاركة 4 إلى 8 أشخاص في 30 غرفة. وما زال النظام الفائز أحادي القناة يخطئ في 22.2% من الكلمات (tcpWER المقيد بالزمن)، مقابل 10.8% لأفضل نظام متعدد القنوات (ملخص NOTSOFAR-1، arXiv 2501.17304). وتظل مصفوفات الميكروفونات أكبر رافعة منفردة، ووجد المنظمون أن الفصل الموجه للمصدر ما زال تقنية الفصل المهيمنة في خطوط المعالجة الفائزة.
| المقياس | القيمة | المصدر |
|---|---|---|
| اجتماعات NOTSOFAR-1 المسجلة | 315 اجتماعا فريدا بالإنجليزية، 30 غرفة، 4-8 مشاركين | ملخص NOTSOFAR-1، 2025 |
| بيانات التدريب المحاكاة | نحو 1,000 ساعة، 15,000 دالة نقل صوتية حقيقية | ملخص NOTSOFAR-1، 2025 |
| أحادي القناة: الأفضل مقابل الأساسي في tcpWER | 22.2% مقابل 41.4% | ملخص NOTSOFAR-1، 2025 |
| متعدد القنوات: الأفضل مقابل الأساسي في tcpWER | 10.8% مقابل 28.3% | ملخص NOTSOFAR-1، 2025 |
| المشاركات: مسار أحادي القناة / متعدد القنوات | 9 / 5 | ملخص NOTSOFAR-1، 2025 |
| حجم نموذج VoiceFilter-Lite على الجهاز | 2.2 MB (مكمَّم) | Google Research، نوفمبر 2020 |
| تحسن WER في VoiceFilter-Lite، الكلام المتداخل | 25.1% (14.7% مع الصدى) | Google Research، نوفمبر 2020 |
ملاحظة سياقية: نتائج VoiceFilter-Lite من Google (2020) هي أحدث الأرقام العامة المتاحة للتشغيل على الجهاز من منصة كبرى. ونادرا ما تنشر الأنظمة المشحونة منذ ذلك الحين معايير على مستوى الكلمات.
5. رهانات صحة السمع
مشكلة حفلة الكوكتيل ليست أكاديمية بالنسبة إلى من يعيشونها. تقدر منظمة الصحة العالمية أن 430 مليون شخص، أي أكثر من 5% من سكان العالم، يحتاجون إلى التأهيل بسبب فقدان السمع المسبب للإعاقة، وتتوقع أن يتجاوز العدد 700 مليون بحلول عام 2050 (صحيفة وقائع منظمة الصحة العالمية عن الصمم وفقدان السمع، مارس 2026). والتضخيم وحده يرفع صوت كل المتحدثين في غرفة مزدحمة دفعة واحدة، ولهذا أصبح الفصل القائم على DNN الميزة الرئيسية في المعينات السمعية الراقية. وتغطي إحصائيات المعينات السمعية لدينا سوق الأجهزة نفسه.
| المقياس | القيمة | المصدر |
|---|---|---|
| المحتاجون إلى التأهيل بسبب فقدان السمع المسبب للإعاقة | 430 مليون (أكثر من 5% من سكان العالم) | صحيفة وقائع منظمة الصحة العالمية، مارس 2026 |
| الأطفال المصابون بفقدان سمع مسبب للإعاقة | 34 مليون | صحيفة وقائع منظمة الصحة العالمية، مارس 2026 |
| المصابون بقدر من فقدان السمع بحلول 2050 | نحو 2.5 مليار | صحيفة وقائع منظمة الصحة العالمية، مارس 2026 |
| المحتاجون إلى التأهيل بحلول 2050 | أكثر من 700 مليون (1 من كل 10) | صحيفة وقائع منظمة الصحة العالمية، مارس 2026 |
| فقدان السمع المسبب للإعاقة بين من تجاوزوا 60 عاما | أكثر من 25% | صحيفة وقائع منظمة الصحة العالمية، مارس 2026 |
| التكلفة العالمية السنوية لفقدان السمع غير المعالج | ما يقارب US$ 1 تريليون | صحيفة وقائع منظمة الصحة العالمية، مارس 2026 |
| حصة من يعيشون في الدول منخفضة ومتوسطة الدخل | نحو 80% | صحيفة وقائع منظمة الصحة العالمية، مارس 2026 |
والاعتماد في ارتفاع. فقد وجد MarkeTrak 2025، المبني على استطلاع 16,148 أسرة أمريكية و42,982 فردا في أكتوبر ونوفمبر 2024، أن اعتماد المعينات السمعية بين من يبلغون عن صعوبة في السمع بلغ 51.3%، مقابل 46.9% في 2022، مع رضا عام عن الأجهزة بنسبة 83% (MarkeTrak 2025، Seminars in Hearing). وتدخل سماعات الأذن الاستهلاكية هذه الفئة أيضا: ففي سبتمبر 2024 أجازت FDA أول برنامج معينة سمعية يُباع دون وصفة طبية، وهو ميزة المعينة السمعية من Apple لسماعات AirPods Pro (بيان FDA الصحفي).
| المقياس | القيمة | المصدر |
|---|---|---|
| اعتماد المعينات السمعية في الولايات المتحدة، من يعانون صعوبة في السمع | 51.3% (46.9% في 2022) | MarkeTrak 2025 |
| صعوبة السمع المبلغ عنها ذاتيا، الولايات المتحدة | 9.1% | MarkeTrak 2025 |
| رضا مالكي المعينات السمعية | 83% | MarkeTrak 2025 |
| دراسة FDA السريرية لبرنامج معينة سمعية دون وصفة | 118 مشاركا، فقدان خفيف إلى متوسط | FDA، 12 سبتمبر 2024 |
| Phonak Spheric Speech Clarity 2.0 (DNN) | تحسن SNR بمقدار 10.2 dB في السيناريوهات الواقعية | مقال خبراء في AudiologyOnline، 2026 |
| Phonak Spheric Speech Clarity 2.0 | خفض الجهد السمعي حتى 37%، وكفاءة أعلى بنسبة 30% | مقال خبراء في AudiologyOnline، 2026 |
| دراسة Mayo Clinic وSonova، خفض الضجيج بـ DNN عند SNR قدره 10 dB | +23 و+32 نقطة مئوية في التعرف على الكلام | Audiology Research، 2024 |
| الدراسة نفسها، فائدة SNR في برنامج الضجيج العالي | 4.8 إلى 5.0 dB | Audiology Research، 2024 |
تحذير: ادعاءات الشركات المصنعة بشأن SNR تأتي من اختبارات تجريها الشركات نفسها، وكانت دراسة Mayo Clinic وSonova المستقلة تضم 10 مشاركين فقط. وأرقام Phonak منقولة عبر جلسة أسئلة وأجوبة مع خبراء في AudiologyOnline، وليست من ورقة محكمة.
6. الحدود الجديدة: اختيار الصوت الذي نريد سماعه
فصل كل الأصوات نصف المشكلة فقط؛ إذ يجب أن يعرف الجهاز أيضا أي صوت يريده المستمع. يسجل النموذج الأولي Target Speech Hearing من جامعة واشنطن المتحدث بعد أن ينظر إليه مرتدي السماعة لمدة 3 إلى 5 ثوان، وقيم 21 مشاركا في الاختبار وضوح ذلك الصوت بأنه أعلى بنحو مرتين من الصوت غير المفلتر (UW News، مايو 2024). وتخلت متابعة في ديسمبر 2025 عن النظرة: فـ’مساعد السمع الاستباقي’ فيها يكتشف المحاورين من إيقاع تبادل الأدوار في 2 إلى 4 ثوان من الصوت (UW News، ديسمبر 2025).
وتُختبر إشارات أخرى أيضا. فقد استخدم نموذج Looking to Listen من Google عام 2018 حركة الشفاه، وجرى تدريبه على مقاطع مأخوذة من 100,000 فيديو على YouTube (مدونة Google Research). ويقارن نهج جامعة كولومبيا المتحكم فيه بالدماغ الأصوات المفصولة بالإشارات العصبية: فقد اختُبرت نسخة 2019 على ثلاثة مرضى جراحة أعصاب (Science Advances، 2019)، وأبلغت دراسة Nature Neuroscience في مايو 2026 عن أول اختبارات بشرية لنظام يعمل في الزمن الحقيقي (معهد Zuckerman بجامعة كولومبيا عبر EurekAlert). والتسجيل المسبق المخصص معيار أيضا في الاتصالات: فقد طلب تحدي Deep Noise Suppression الخامس من Microsoft من النماذج كتم المتحدثين المجاورين باستخدام مقطع تسجيل مسبق مدته 10 إلى 30 ثانية (تحدي DNS في ICASSP 2023). والتنقية الواعية بالمتحدث نفسها هي ما يبقي الدردشة الصوتية على Discord مفهومة حين يتحدث زميل السكن في الخلفية.
| المقياس | القيمة | المصدر |
|---|---|---|
| UW Target Speech Hearing: مدة التسجيل المسبق | 3 إلى 5 ثوان من النظر إلى المتحدث | جامعة واشنطن، CHI 2024 |
| UW Target Speech Hearing: المشاركون وتقييم الوضوح | 21 مشاركا، أوضح بنحو مرتين من غير المفلتر | جامعة واشنطن، CHI 2024 |
| UW Target Speech Hearing: تحمل الاتجاه | هامش خطأ 16 درجة | جامعة واشنطن، 2024 |
| مساعد السمع الاستباقي من UW: الصوت المطلوب | 2 إلى 4 ثوان | جامعة واشنطن، EMNLP 2025 |
| مساعد السمع الاستباقي من UW: المحاورون والمختبرون | 1 إلى 4 محاورين؛ قيمه 11 مشاركا بأفضلية تزيد على مرتين | جامعة واشنطن، ديسمبر 2025 |
| مساعد السمع الاستباقي من UW: لغات التدريب | الإنجليزية والماندرين واليابانية | جامعة واشنطن، ديسمبر 2025 |
| Google Looking to Listen: مصدر التدريب | 100,000 فيديو، نحو 2,000 ساعة من المقاطع النظيفة | مدونة Google Research، أبريل 2018 |
| السمع المتحكم فيه بالدماغ من كولومبيا (2019) | 3 مرضى جراحة أعصاب | Han وآخرون، Science Advances، 2019 |
| المقياس | القيمة | المصدر |
|---|---|---|
| إصدار تحدي DNS في ICASSP 2023 | الخامس | Dubey وآخرون، Microsoft، 2023 |
| صيغة صوت DNS 2023 | نطاق كامل 48 kHz | Dubey وآخرون، 2023 |
| مقطع التسجيل المسبق في DNS 2023 | 10 إلى 30 ثانية من المتحدث الرئيسي | Dubey وآخرون، 2023 |
| مكسب درجة الفائز في DNS 2023 مقارنة بالمدخل المضجج | 0.145 (سماعة رأس) و0.141 (مكبر صوت هاتفي) | Dubey وآخرون، 2023 |
| TF-Locoformer (M) على تحسين DNS 2020 | 23.3 dB SI-SNR، STOI 98.8، PESQ-WB 3.72 | Saijo وآخرون، MERL 2024 |
ملاحظة عن الحالة الشاذة: يقول فريق UW إن النظام الاستباقي يواجه أكبر صعوبة حين تصبح المحادثات ديناميكية ويتحدث المشاركون فوق بعضهم، وهي بالضبط حالة حفلة الكوكتيل. ويمنح الاهتمام بـسماعات الرأس العازلة للضجيج هذه الميزات قاعدة عتادية جاهزة.
الخلاصة: فصل الكلام ومشكلة حفلة الكوكتيل بالأرقام
| المقياس | القيمة | المصدر |
|---|---|---|
| أفضل نتيجة على WSJ0-2mix | 25.1 dB SI-SNRi | SepReformer-L، NeurIPS 2024؛ TF-Locoformer (L)، MERL 2024 |
| التجميع العميق، 2015 | نحو 6 dB من التحسن | Hershey وآخرون، 2015 |
| Conv-TasNet، 2018 | 15.3 dB SI-SNRi، 5.1 مليون معلمة | Luo وMesgarani، 2019 |
| SepFormer مع الخلط الديناميكي / بدونه | 22.3 / 20.4 dB | SepFormer، 2021؛ TF-GridNet، 2022 |
| MossFormer2 | 24.1 dB، 55.7 مليون معلمة | MossFormer2، 2023 |
| الحد الأدنى لزمن التأخير في Conv-TasNet | 2 ms | ورقة Conv-TasNet، 2019 |
| حوسبة TF-GridNet مقابل SepReformer-B | 460.8 مقابل 39.8 GMACs/s | SepReformer، NeurIPS 2024 |
| ذروة ذاكرة SepFormer مقابل SepMamba (S) | 35.3 GB مقابل 2.0 GB | SepMamba، 2024 |
| Conv-TasNet نظيف / مضجج / مع صدى | 15.3 / 12.7 / 8.3 dB | MossFormer2، 2023 |
| أفضل نتيجة على WHAMR! (مضجج، مع صدى) | 18.5 dB | TF-Locoformer (M)، MERL 2024 |
| WSJ0-3mix، MossFormer2 | 22.2 dB | MossFormer2، 2023 |
| WER في LibriCSS عند تداخل 40%، دون فصل مقابل مع الفصل | 43.3% مقابل 21.7% | Microsoft، Chen وآخرون، 2020 |
| أفضل tcpWER متعدد القنوات في NOTSOFAR-1 | 10.8% (الأساسي 28.3%) | ملخص NOTSOFAR-1، 2025 |
| أفضل tcpWER أحادي القناة في NOTSOFAR-1 | 22.2% (الأساسي 41.4%) | ملخص NOTSOFAR-1، 2025 |
| مكسب WER في VoiceFilter-Lite على الكلام المتداخل | 25.1% عند 2.2 MB | Google Research، 2020 |
| المحتاجون إلى تأهيل السمع | 430 مليون، وأكثر من 700 مليون بحلول 2050 | منظمة الصحة العالمية، مارس 2026 |
| اعتماد المعينات السمعية في الولايات المتحدة بين من يعانون صعوبة | 51.3% | MarkeTrak 2025 |
| تحسن SNR في DNN من Phonak | 10.2 dB | AudiologyOnline، 2026 |
| التسجيل المسبق في UW Target Speech Hearing | 3 إلى 5 ثوان، 21 مشاركا | جامعة واشنطن، 2024 |
| نموذج EConv-TasNet للأجهزة الطرفية | 18.4 dB عند 3.8 مليون معلمة | Novatek، سبتمبر 2026 |
المنهجية والمصادر
أُخذ كل رقم معياري أعلاه من الورقة التي أوردته، أو من جدول مقارنة في ورقة لاحقة حيثما أُشير إلى ذلك. واستبعدنا الأرقام التي ظهرت فقط في مقتطفات البحث أو الملخصات الثانوية أو تسويق الشركات المصنعة الذي لم نتمكن من فتحه. ولم نستخدم مجمعات لوحات الصدارة إلا للتحقق من عدم نشر نتيجة أعلى على WSJ0-2mix.
- Hershey وChen وLe Roux وWatanabe: التجميع العميق، arXiv 1508.04306 (2015)
- Isik وLe Roux وChen وWatanabe وHershey: فصل متعدد المتحدثين بقناة واحدة باستخدام التجميع العميق (2016)
- Luo وMesgarani: Conv-TasNet، IEEE/ACM TASLP (2019)؛ وقُرئت جداول النص الكامل عبر ar5iv
- Luo وChen وYoshioka: الشبكة العصبية المتكررة ثنائية المسار، ICASSP 2020
- Subakan وآخرون: الانتباه هو كل ما تحتاجه في فصل الكلام (SepFormer)، ICASSP 2021
- TF-GridNet: دمج النمذجة الكاملة النطاق وشبه النطاق لفصل الكلام (2022)
- MossFormer2 (ديسمبر 2023)
- افصل وأعد البناء: مشفر ومفكك غير متماثلين لفصل الكلام (SepReformer)، NeurIPS 2024
- Saijo وWichern وGermain وPan وLe Roux (MERL): TF-Locoformer (2024)
- Avenstrup وآخرون (DTU وWS Audiology): SepMamba (2024)
- Liu (Novatek): EConv-TasNet (سبتمبر 2026)
- Wichern وآخرون: WHAM!، Interspeech 2019
- Cosentino وآخرون: LibriMix، Interspeech 2020
- Jepsen وChristensen وJensen: SI-SDR مع مراجع مضججة، IEEE ASRU 2025
- Chen وآخرون (Microsoft): الفصل المستمر للكلام: مجموعة البيانات والتحليل (LibriCSS) (2020)
- Abramovski وآخرون (Microsoft): ملخص تحدي NOTSOFAR-1 (2025)؛ Cornell وآخرون: تحدي CHiME-8 DASR (2024)
- Google Research: VoiceFilter-Lite (2020) وLooking to Listen (2018)
- Dubey وآخرون (Microsoft): تحدي Deep Noise Suppression في ICASSP 2023
- منظمة الصحة العالمية: صحيفة وقائع الصمم وفقدان السمع (مارس 2026)
- Dobyan وKihm: MarkeTrak 2025، Seminars in Hearing
- FDA: أول ترخيص لبرنامج معينة سمعية يُباع دون وصفة طبية (سبتمبر 2024)
- Saoji وآخرون (Mayo Clinic وSonova): خفض الضجيج بـ DNN وأهلية زراعة القوقعة، Audiology Research 2024
- AudiologyOnline: كيف تطور الذكاء الاصطناعي في أجهزة Phonak Infinio؟
- جامعة واشنطن: Target Speech Hearing (2024) ومساعد السمع الاستباقي (2025)
- جامعة كولومبيا: Han وآخرون، Science Advances (2019) وبيان دراسة Nature Neuroscience عبر EurekAlert (مايو 2026)
- ملاحظة حول البيانات: تختلف الأوراق في أرقام خطوط الأساس. فـQDPN مدرج بنتيجة 22.1 dB في ورقة TF-GridNet لكن بنتيجة 23.6 dB في ورقة MossFormer2؛ ويظهر Conv-TasNet على Libri2Mix بنتيجة 14.7 dB (MossFormer2) و12.1 dB (EConv-TasNet)؛ وتُذكر حوسبة SepFormer بأنها 86.9 GMACs/s (SepReformer) و257.94 GMACs/s (SepMamba)، وعدد معلماته بأنه 25.7 أو 26.0 مليون. وتستخدم الأوراق المختلفة أطوال إدخال ومعدلات أخذ عينات وأدوات عد مختلفة، لذلك قارن الأرقام داخل الجدول الواحد لا بين الجداول. ويُستخدم SI-SNRi وSI-SDRi بالتبادل في هذه الأدبيات؛ أما أرقام التجميع العميق لعامي 2015 و2016 فتستخدم تحسن SDR العادي ولا يمكن مقارنتها مباشرة بنتائج SI-SNRi اللاحقة. ويذكر ملخص NOTSOFAR-1 280 اجتماعا مسجلا، بينما يصف متن الورقة 315 اجتماعا فريدا موزعة على مجموعات التدريب والتطوير والتقييم. ولم نجد تقديرا عاما موثوقا لحجم السوق خاصا بفصل الكلام، فلم ندرج أي تقدير. وأرقام Conv-TasNet والتجميع العميق وLooking to Listen وVoiceFilter-Lite أقدم من ثلاث سنوات وهي معروضة بوصفها أحدث البيانات المتاحة. ولا يتضمن بيان كولومبيا لعام 2026 نتائج كمية؛ ونستشهد به فقط لوجوده ومكان نشره.
آخر تحديث: 3 أكتوبر 2026. نحدّث هذا الاستعراض كل ثلاثة أشهر، ومن المتوقع أن يأتي التحديث التالي عند نشر الأوراق المقبولة في ICASSP 2027 ونتائج تحدي CHiME القادم.