Die meistzitierte Kennzahl für Echokompensatoren, ERLE, stimmt mit menschlichen Hörern nur mit einem Pearson-Koeffizienten von 0,31 überein, während Microsofts neuronale AECMOS-Metrik bei Urteilen zum Fernende-Echo 0,99 erreicht (Microsoft, AEC-Challenge-Arbeiten zur ICASSP 2021 und ICASSP 2023). Auf der Normenseite gibt die ITU-T G.168 einem Netzwerk-Echokompensator rund 1 Sekunde zum Konvergieren, die 3GPP TS 26.131 verlangt von Headsets mindestens 46 dB Echodämpfung, und Microsofts Wettbewerb halbierte die Latenzgrenze zwischen 2021 und 2023 von 40 ms auf 20 ms. Echo ist außerdem das Problem, das Menschen zu besserer Raumtechnik treibt, was wir von der Mikrofonseite aus in unseren Statistiken zu Deckenmikrofonen mit Beamforming in Konferenzräumen behandelt haben. Wir haben Daten von ITU-T, 3GPP, den vier AEC-Challenge-Arbeiten von Microsoft Research, Amazon Web Services, ByteDance, dem Tongyi Lab von Alibaba, unabhängigen arXiv-Forschern und HEAD acoustics zusammengetragen.
TL;DR
- Netzwerk-Echokompensatoren müssen im Test 2A den geforderten kombinierten Dämpfungswert innerhalb von etwa 1 Sekunde erreichen (ITU-T G.168, 04/2015).
- Headsets brauchen bei jeder Lautstärke mindestens 46 dB bewertete Kopplungsdämpfung des Endgeräts, empfohlen sind 55 dB bei Nennlautstärke (3GPP TS 26.131, Rel-19).
- ERLE korreliert mit Hörerurteilen bei PCC 0,31 und SRCC 0,23 (Microsoft, AEC-Challenge-Arbeit zur ICASSP 2021).
- AECMOS korreliert mit Urteilen zum Fernende-Echo bei PCC 0,99 (Microsoft, AEC-Challenge-Arbeit zur ICASSP 2023).
- Die Latenzgrenze der Challenge sank von 40 ms algorithmischer Latenz 2021 auf 20 ms algorithmische plus Pufferlatenz 2023 (Microsoft, AEC-Challenge-Arbeiten und Repository).
- Der Beitrag mit der höchsten Punktzahl bei INTERSPEECH 2021 erreichte im Schnitt 4,43 gegenüber 3,87 bei der Baseline (Microsoft, Ergebnisse der AEC Challenge bei INTERSPEECH 2021).
- Mobile Geräte schnitten bei der Double-Talk-Degradation 0,75 MOS schlechter ab als Desktops (Microsoft, AEC-Challenge-Arbeit zur ICASSP 2022).
- WebRTC AEC3 entfernte rund 30 dB Echo gegenüber 40,8 dB bei einem neuronalen Unterdrücker (ByteDance, arXiv 2020).
- Ein End-to-End-Modell vom Januar 2026 erreichte 78,69 dB ERLE mit 1,2 Millionen Parametern (Alibaba Tongyi Lab, E2E-AEC, arXiv 2026).
- Ein kleines neuronales Echo- und Rauschmodell läuft mit 0,14 ms pro Frame, einem Echtzeitfaktor von 0,014 (Microsoft, DeepVQE, Interspeech 2023).
- Freisprecheinrichtungen in der besten Double-Talk-Kategorie (Kategorie 1) dämpfen das gesendete Sprachsignal während des Double Talk um höchstens 3 dB (HEAD acoustics, mit Bezug auf ITU-T P.340).
1. Das ITU-T-Regelwerk: Konvergenz, Double Talk und Leckagetests
Die zentralen Telekom-Regeln für Echokompensatoren sind alt, gelten aber weiterhin. “Echo” bedeutet hier die eigene Stimme, die zu einem zurückkommt, nachdem sie zum Fernende gelaufen und in den Rückweg übergekoppelt ist. Die G.168 gibt einem Kompensator rund eine Sekunde, um die geforderte Dämpfung zu erreichen, und prüft dann weiter, ob er sie hält, wenn beide Personen gleichzeitig sprechen (“Double Talk”, also gleichzeitiges Sprechen) und wenn die Leitung minutenlang still bleibt. Ein nichtlinearer Prozessor (NLP) ist die letzte Stufe, die das vom adaptiven Filter übrig gelassene Restecho unterdrückt; mehrere Tests schalten ihn ab, damit das Filter selbst gemessen wird.
Die realen Echopfade, die diese Tests nachbilden, sind kurz. In Felddaten, die in der ITU-T G.168 (04/2015) wiedergegeben sind, wurden 101 Ferngespräche von Montreal quer durch Nordamerika gemessen (Juni 1998 bis April 1999); das Histogramm von 88 davon zeigte eine mittlere Dispersionszeit von 6,02 ms, und kein Gespräch überschritt 12 ms. Das akustische Gegenstück, die G.167, wurde zurückgezogen, und ihr Inhalt ging in die P.340 und die G.161 über.
| Metrik | Wert | Quelle |
|---|---|---|
| Gültige Ausgabe der Empfehlung zu Netzwerk-Echokompensatoren | G.168 (04/2015), plus Corrigendum 1 (12/2022) | ITU-T G.168 |
| In den Tests verwendete minimale Echodämpfung (die Dämpfung, die der Echopfad selbst liefert); Anzahl der Standard-Echopfadmodelle | Minimum 6 dB; 8 Modelle (m1 bis m8), mit Minima von 6,55 dB, 11,06 dB und 9,27 dB für m2, m7 und m8 | ITU-T G.168 (04/2015), Anhang D |
| Konvergenz im Test 2A, nichtlinearer Prozessor aktiviert | Geforderter kombinierter Dämpfungswert innerhalb von 1 s plus Echopfadlaufzeit und Startversatz; Spitzen höchstens 5 dB über dem Grenzwert | ITU-T G.168 (04/2015) |
| Test 3A, Double Talk mit einem Nahende-Signal 15 dB unter dem Fernende-Pegel (Fernende -25 bis 0 dBm0) | Muss innerhalb von 5 s konvergieren | ITU-T G.168 (04/2015) |
| Test 3B(a) und Test 4: zulässiger Anstieg des Restechos während des Double Talk und 2 Minuten nach Ende des Fernende-Signals (Leckagetest) | In beiden Fällen höchstens 10 dB über der Anforderung im eingeschwungenen Zustand | ITU-T G.168 (04/2015) |
| Status der G.167, der ursprünglichen Empfehlung zu akustischen Echounterdrückern (03/1993) | Zurückgezogen; ersetzt durch P.340 (2000) für die Abschnitte 1 bis 5 und G.161 (2002) für Abschnitt 6 | ITU-T-Eintrag zur G.167 |
| Neueste Ausgabe der Empfehlung zu Freisprecheinrichtungen mit Echo- und Double-Talk-Verhalten | P.340 (07/2026) | Zusammenfassung der ITU-T P.340 von 2026 |
| Frequenzbereich der Empfehlung zu Breitband-Freisprecheinrichtungen im Fahrzeug | 50 bis 7.000 Hz; gültige Ausgabe P.1110 (10/2025) | ITU-T P.1110 |
Kontexthinweis: dBm0 ist ein Signalpegel relativ zu einem Bezugspunkt im Netz, “-25 bis 0 dBm0” steht also für einen leisen bis lauten Sprecher am Fernende. Die P.340-Revision von 2026 ist neu; ihr Volltext war zum Redaktionszeitpunkt nicht öffentlich, daher zitiert diese Zusammenstellung nur die veröffentlichte Zusammenfassung.
2. Echodämpfungsziele für Headsets, Freisprecheinrichtungen und Netze
Die Kopplungsdämpfung des Endgeräts (TCLw) gibt an, wie stark die Stimme vom Fernende, die über Lautsprecher oder Hörer eines Geräts wiedergegeben wird, gedämpft wird, bevor sie zurück ins eigene Mikrofon des Geräts gelangt und erneut gesendet wird. Die Mobilfunknormen setzen 46 dB als Untergrenze für Headsets bei jeder Lautstärke, und das empfohlene Ziel von 55 dB kommt mit dem Eingeständnis, dass es sich wegen des Eigenrauschens des Geräts im Ruhezustand nicht an jedem Gerät messen lässt.
Die interessante Lücke liegt bei den Freisprecheinrichtungen. Ein Tischlautsprecher darf bei maximaler Lautstärke auf 40 dB fallen und bleibt trotzdem konform, weshalb das Double-Talk-Verhalten von Freisprecheinrichtungen eigene Kategorien hat: Ein Gerät der Kategorie 1 dämpft Ihre Stimme kaum, während die Gegenseite spricht (höchstens 3 dB), ein Gerät der Kategorie 3 dagegen um mehr als 12 dB, nahe am Walkie-Talkie-Verhalten, bei dem nur eine Seite zur Zeit zu hören ist.
| Metrik | Wert | Quelle |
|---|---|---|
| Bewertete Kopplungsdämpfung des Endgeräts bei Headsets: bei jeder Lautstärke vs empfohlen bei Nennlautstärke | Mindestens 46 dB vs mindestens 55 dB | 3GPP TS 26.131 (Rel-19) |
| Bewertete Kopplungsdämpfung des Endgeräts bei Tisch-Freisprecheinrichtungen: jede Lautstärke vs Nennlautstärke im Freifeld | Mindestens 40 dB vs mindestens 46 dB | 3GPP TS 26.131 (Rel-19) |
| Empfohlenes Leistungsziel für Tisch-Freisprecheinrichtungen bei Nennlautstärke | Mindestens 55 dB (wegen des Kanalrauschens im Ruhezustand eventuell nicht messbar) | 3GPP TS 26.131 (Rel-19) |
| Echodämpfung von GSM-, 3G-, LTE- oder NR-Netzen am Zusammenschaltungspunkt, Einzelsprechen | Mindestens 46 dB | 3GPP TS 26.132 (Rel-19) |
| Zu Beginn des Echodämpfungstests verworfene Sprache, damit der Echokompensator konvergieren kann; Pegel des Testsignals | Die ersten 17,0 s; 10 dBm0 | 3GPP TS 26.132 (Rel-19) |
| Richtwerte zur Kopplungsdämpfung des Endgeräts: digitaler Eingang zu Ausgang (nach P.341) vs Feldbedingungen (nach P.342) vs wünschenswert für die Sprecherecho-Ziele der G.131 | Mindestens 35 dB vs mehr als 40 dB vs mehr als 45 dB | ITU-T G.168 (04/2015), Anhang I |
| Double-Talk-Kategorien für Freisprecheinrichtungen und Dämpfung des gesendeten Sprachsignals | 5 Kategorien (1, 2a, 2b, 2c, 3): höchstens 3 dB für Kategorie 1, höchstens 9 dB für Kategorie 2b, mehr als 12 dB für Kategorie 3 | Datenblatt ACOPT 32 von HEAD acoustics, mit Bezug auf ITU-T P.340 |
Kontexthinweis: Die 3GPP-Werte wurden dem Rel-19-Text der TS 26.131 und TS 26.132 entnommen; zur TS 26.132 liegt im 3GPP-Archiv eine neuere Rel-20-Datei vom Juli 2026 vor. Das Dokument von HEAD acoustics ist ein Datenblatt für Prüfgeräte, das die P.340-Kategorien wiedergibt; die Grenzwerte der Kategorien 2a und 2c nennt es nicht.
3. Latenzbudgets: Wie viele Millisekunden ein Echokompensator verbrauchen darf
Jede Millisekunde, die ein Echokompensator mit dem Puffern von Audio verbringt, wird dem Gespräch hinzugefügt. Der Forschungs-Benchmark hat sich hier deutlich bewegt: Microsofts Wettbewerb erlaubte 2021 eine algorithmische Latenz von 40 ms und halbierte die Grenze 2023 auf 20 ms algorithmische plus Pufferlatenz, wobei das Modell der Organisatoren bei der engeren Grenze bei den Echo-Punktzahlen im Wesentlichen nichts einbüßte. Die ICASSP-2023-Arbeit nennt ein End-to-End-Ziel unter 50 ms (die gerade wahrnehmbare Differenz) und ein künftiges Ziel von unter 5 ms für Algorithmus plus Puffer (Microsoft, AEC-Challenge-Arbeit zur ICASSP 2023).
Rechenleistung ist das andere Budget. Ein neuronales Modell, das pro Frame einen Bruchteil einer Millisekunde braucht, kann auf jedem Laptop in einer Besprechung laufen; eines, das den Großteil eines CPU-Kerns braucht, nicht. Wie der Rest des Verzögerungsbudgets von Jitter-Puffern und Codecs verbraucht wird, zeigen unsere Statistiken zu VoIP-Jitter-Puffer und Sprachqualität.
| Metrik | Wert | Quelle |
|---|---|---|
| Einweg-Verzögerung von Mund zu Ohr für im Wesentlichen transparente Interaktivität vs Obergrenze für die allgemeine Netzplanung | Unter 150 ms vs 400 ms | ITU-T G.114 (05/2003) |
| Grenze der algorithmischen Latenz in der AEC Challenge, ICASSP 2021 | Höchstens 40 ms (ein 20-ms-Frame mit 10 ms Schrittweite, 30 ms, war erlaubt) | Microsoft, AEC-Challenge-Arbeit zur ICASSP 2021 |
| Latenzgrenze in der AEC Challenge, ICASSP 2023 | 20 ms algorithmische plus Pufferlatenz | Microsoft-Repository AEC-Challenge |
| Rechengrenze in der AEC Challenge, ICASSP 2023 | Echtzeitfaktor von höchstens 0,5 auf einem Intel Core i5 mit vier Kernen bei 2,4 GHz, ein Thread | Microsoft, AEC-Challenge-Arbeit zur ICASSP 2023 |
| Microsoft-Modell bei 20 ms vs Gewinner des Wettbewerbs 2022 bei 40 ms: MOS für Fernende-Echo; MOS für Echo bei Double Talk | 4,65 vs 4,66; 4,68 vs 4,68 | Microsoft, AEC-Challenge-Arbeit zur ICASSP 2023 |
| Volles DeepVQE-Modell vs kleines Modell DeepVQE-S: Parameter und CPU-Zeit pro Frame | 7,5M und 3,66 ms vs 0,59M und 0,14 ms (Echtzeitfaktor 0,014) | Microsoft, DeepVQE, Interspeech 2023 |
| Kombination aus linearem Echokompensator und neuronalem Restecho-Unterdrücker, Challenge-Beitrag bei 16 kHz | 5,5% eines Intel-i7-8565U-Kerns, 0,55 ms pro 10-ms-Frame | Amazon Web Services, PercepNet-Echokontrolle, arXiv 2021 |
Neueste verfügbare Daten zu den Challenge-Grenzen: Microsoft, 2023. Das Repository AEC-Challenge führt ICASSP 2023 weiterhin als neueste Ausgabe, daher bleiben dies die neuesten öffentlichen Benchmark-Regeln dieser Reihe.
4. Ranglisten der AEC Challenge, 2021 bis 2023
Microsofts AEC Challenge ist das, was die Branche einer öffentlichen Rangliste am nächsten hat. Die Beiträge werden von per Crowdsourcing gewonnenen Hörern auf einer Skala von 1 bis 5 bewertet (MOS für die Sprachqualität am Nahende, DMOS, ein Degradationswert, für Echo und andere Artefakte). Bei INTERSPEECH 2021 erreichte der Beitrag mit der höchsten Punktzahl im Schnitt 4,43 gegenüber 3,87 bei der Baseline (die ersten vier lagen statistisch gleichauf, weshalb Microsoft sie nach Rechenkomplexität reihte), und fast der gesamte Gewinn stammte aus der Echoentfernung und dem Double Talk (dem Szenario, in dem ältere Kompensatoren entweder Echo durchlassen oder den Sprecher am Nahende abschneiden), nicht aus der Sprachqualität am Nahende, die sich nur von 4,18 auf 4,25 bewegte.
Die Datensätze wuchsen mit jeder Runde: mehr als 2.500 reale Umgebungen und Geräte bei ICASSP 2021 (Microsoft, AEC-Challenge-Arbeit zur ICASSP 2021), 5.000 bei INTERSPEECH 2021 und mehr als 10.000 in der Runde 2023 (die Zahl für 2022 unterscheidet sich zwischen den Microsoft-Arbeiten, siehe Methodik). Öffentliche Daten dazu, wie oft Echo die Nutzer in Produktivgesprächen tatsächlich erreicht, fehlen weiterhin: Microsofts Arbeiten beschreiben Echo nur als “eine der Hauptursachen schlechter Bewertungen der Sprachqualität”, ohne Prozentangabe.
| Metrik | Wert | Quelle |
|---|---|---|
| ICASSP 2021: Baseline vs Erstplatzierter, Mittelwert der vier subjektiven Tests | 3,68 vs 4,11 (17 Einreichungen) | Amazon Web Services, PercepNet-Echokontrolle, arXiv 2021 |
| ICASSP 2021: Baseline vs Erstplatzierter, Degradation der Nahende-Sprache während des Double Talk (DMOS) | 3,28 vs 4,07 | Amazon Web Services, PercepNet-Echokontrolle, arXiv 2021 |
| INTERSPEECH 2021: Beitrag mit der höchsten Punktzahl (ERCESI) vs Baseline, mittlere Punktzahl | 4,43 vs 3,87 | Microsoft, Ergebnisse der AEC Challenge bei INTERSPEECH 2021 |
| INTERSPEECH 2021: Beitrag mit der höchsten Punktzahl vs Baseline, DMOS für Fernende-Echo bei Einzelsprechen; DMOS für sonstige Degradationen bei Double Talk | 4,59 vs 3,82; 4,18 vs 3,45 | Microsoft, Ergebnisse der AEC Challenge bei INTERSPEECH 2021 |
| INTERSPEECH 2021: gereihte Teambeiträge mit einem Mittelwert über der Baseline | 10 von 14 (aus der Ergebnistabelle gezählt) | Microsoft, Ergebnisse der AEC Challenge bei INTERSPEECH 2021 |
| ICASSP 2022: Einreichungen; Abstand zwischen Mobilgeräten und Desktops bei der Double-Talk-Degradation | 18 Einreichungen; Mobilgeräte um 0,75 MOS schlechter | Microsoft, AEC-Challenge-Arbeit zur ICASSP 2022 |
| ICASSP 2023: Beiträge; Siegerpunktzahl und Modellgröße | 20 Beiträge (17 nicht personalisiert, 3 personalisiert); 0,854 mit 1,5M Parametern | Microsoft, AEC-Challenge-Arbeit zur ICASSP 2023 |
| ICASSP 2023: Baseline vs Gewinner, Endpunktzahl und Wortgenauigkeit der Spracherkennung | 0,736 vs 0,852; 64,9% vs 82,3% | Microsoft, DeepVQE, Interspeech 2023 |
Kontexthinweis: Die Endpunktzahl 2023 ist ein Verbundwert von 0 bis 1, der fünf umskalierte subjektive Werte mit der Wortgenauigkeit mittelt, und ist daher mit den MOS-Mittelwerten von 2021 nicht vergleichbar. Die beiden Microsoft-Arbeiten nennen für 2023 leicht abweichende Siegerpunktzahlen (siehe Methodik). Neueste verfügbare Daten: Microsoft, 2023.
5. Echo messen: Warum ERLE gegenüber wahrnehmungsbasierten Metriken an Boden verlor
ERLE (echo return loss enhancement, also Echorückflussdämpfungsgewinn) ist die Anzahl der Dezibel, die ein Echokompensator aus dem Mikrofonsignal entfernt. Er ist leicht zu berechnen, weshalb er noch immer Datenblätter anführt, doch ERLE korreliert mit Hörerurteilen nur mit 0,31 (Pearson), weil ein Kompensator einen riesigen ERLE-Wert erzielen kann, indem er die Leitung stummschaltet und die Stimme des Sprechers am Nahende zerstört. PESQ, eine ältere intrusive Metrik zur Sprachqualität, die das Ausgangssignal mit einer sauberen Referenz vergleicht, schneidet mit 0,67 besser ab.
AECMOS, Microsofts neuronaler Schätzer, braucht keine saubere Referenz und sagt die Echo- und Degradationswerte voraus, die Hörer vergeben würden. Die praktische Änderung: Teams können Modelle jetzt reihen, ohne jedes Mal für einen Hörtest zu zahlen. Das ist wichtig für alle, die Geräte schon einmal im Labor statt in echten Räumen verglichen haben, eine Lücke, die wir in unseren Statistiken zu akustischen Tests in reflexionsarmen Räumen behandelt haben.
| Metrik | Wert | Quelle |
|---|---|---|
| ERLE vs subjektive Bewertungen: Pearson-Korrelation (PCC) und Spearman-Korrelation (SRCC) | 0,31 und 0,23 | Microsoft, AEC-Challenge-Arbeit zur ICASSP 2021 |
| PESQ vs subjektive Bewertungen: PCC und SRCC | 0,67 und 0,57 | Microsoft, AEC-Challenge-Arbeit zur ICASSP 2021 |
| AECMOS (Version 2023), Pearson-Korrelation mit Hörerurteilen: Fernende-Echo bei Einzelsprechen; Echo bei Double Talk; sonstige Degradationen bei Double Talk | 0,99 (SRCC 0,92); 0,99; 0,96 | Microsoft, AEC-Challenge-Arbeit zur ICASSP 2023 |
| Ursprünglicher AECMOS-Trainingsdatensatz; Crowdsourcing-Stimmen pro Clip | 64.013 Clips (145,8 Stunden); 5 Stimmen pro Clip | Microsoft, AECMOS-Arbeit, ICASSP 2022 |
| Ursprüngliche AECMOS-Rangfolge: gereihte Modelle; PCC pro Teilnehmer bei Fernende-Echo im Einzelsprechen | 22 Modelle (14 Teilnehmer, 4 tiefe und 4 DSP-Modelle der Autoren); 0,996 | Microsoft, AECMOS-Arbeit, ICASSP 2022 |
| Wortgenauigkeit der Spracherkennung vs mittlere subjektive Punktzahl über die ICASSP-2022-Beiträge (PCC) | 0,85 | Microsoft, AEC-Challenge-Arbeit zur ICASSP 2022 |
| Hörer pro Äußerung in den subjektiven Tests von ICASSP 2021; 95-%-Konfidenzintervall | 10 Hörer; 0,01 MOS | Amazon Web Services, PercepNet-Echokontrolle, arXiv 2021 |
Hinweis zu Ausreißern: Die Korrelationen pro Clip sind deutlich schwächer als die pro Modell. Die ursprüngliche AECMOS-Arbeit nennt einen PCC pro Clip von 0,582 für Echo bei Double Talk, die Metrik ist also zuverlässig, um Systeme zu reihen, nicht aber, um eine einzelne Aufnahme zu beurteilen.
6. Neuronale vs. lineare Echokontrolle: Was die direkten Vergleiche zeigen
Lineare adaptive Filter modellieren den Echopfad als lineares System und tun sich daher mit Echo schwer, das ein billiger, übersteuerter Laptop-Lautsprecher verzerrt. In den ICASSP-2022-Top-5 waren die meisten neuronalen Systeme auf einem linearen Filter aufgebaut, statt es zu ersetzen. In einem ByteDance-Test entfernte WebRTC AEC3 rund 30 dB Echo, während ein neuronaler Restecho-Unterdrücker 40,8 dB erreichte, und AEC3 verschlechterte die Sprachqualität bei Double Talk bei einem Signal-Echo-Verhältnis von 0 dB (Echo so laut wie die Stimme am Nahende) sogar gegenüber gar keiner Verarbeitung.
Betrachten Sie die ERLE-Zahlen mit der in Abschnitt 5 erläuterten Vorsicht: Ein ERLE von 78,69 dB besagt, dass die Leitung während der Sprache am Fernende sehr still war, nicht, dass die Stimme am Nahende erhalten blieb. Auf Herstellerseite sagt Microsoft, das Echomodell von Teams sei mit 30.000 Stunden Sprachproben trainiert worden (Microsoft 365 Blog 2022, Eigenaussage des Herstellers), und seine DeepVQE-Forscher sagen, das kleine Modell sei in Teams für Hunderte Millionen Nutzer getestet worden.
| Metrik | Wert | Quelle |
|---|---|---|
| ERLE, Fernende-Einzelsprechen mit Sprache: lineares adaptives Filter vs WebRTC AEC3 vs adaptives Filter plus neuronaler Restecho-Unterdrücker | 16,612 dB vs 29,976 dB vs 40,786 dB | ByteDance, Restecho-Unterdrückung, arXiv 2020 |
| ERLE, Fernende-Einzelsprechen mit Sprache plus Musik: WebRTC AEC3 vs neuronaler Restecho-Unterdrücker | 25,376 dB vs 43,144 dB | ByteDance, Restecho-Unterdrückung, arXiv 2020 |
| PESQ bei Double Talk mit 0 dB Signal-Echo-Verhältnis: unverarbeitet vs WebRTC AEC3 vs neuronaler Restecho-Unterdrücker | 1,908 vs 1,610 vs 2,816 | ByteDance, Restecho-Unterdrückung, arXiv 2020 |
| ERLE: Speex vs WebRTC vs adaptives Filter kombiniert mit einem rekurrenten neuronalen Netz | 25 dB vs 40 dB vs 68 dB | Ma et al., arXiv 2020 |
| LSTM-Echokompensator mit Dualsignal (DTLN-aec): MOS-Gewinn gegenüber der Baseline der AEC Challenge; Trainingsdaten | 0,30 MOS; 60 Stunden reale und synthetische Echoszenarien | Westhausen und Meyer, DTLN-aec, arXiv 2020 |
| Top-5-Systeme von ICASSP 2022: hybride Entwürfe aus linear plus neuronal; Parameterbereich | 3 von 5; 1,5M bis 55,5M Parameter | Microsoft, AEC-Challenge-Arbeit zur ICASSP 2022 |
| Beiträge von ICASSP 2023: Korrelation der Endpunktzahl mit der Modellgröße; mit der Verwendung eines Hybridentwurfs (PCC) | -0,54; 0,10 | Microsoft, AEC-Challenge-Arbeit zur ICASSP 2023 |
| Neuronaler End-to-End-Echokompensator (Januar 2026): ERLE mit Sprachaktivitätsmaskierung; Parameter; durchschnittlicher MOS-Gewinn durch eine Trainingsstrategie | 78,69 dB; 1,2M Parameter; 4,31 bis 4,38 | Alibaba Tongyi Lab, E2E-AEC, arXiv 2026 |
Kontexthinweis: Diese Ergebnisse stammen aus unterschiedlichen Testsätzen, sie reihen die Methoden daher innerhalb jeder Arbeit, nicht arbeitsübergreifend. Neueste verfügbare Daten zu den Vergleichen von AEC3 und Speex: ByteDance und Ma et al., 2020.
Zusammenfassung: Akustische Echokompensation in Zahlen
| Metrik | Wert | Quelle |
|---|---|---|
| Konvergenzzeit im Test 2A der G.168 | Etwa 1 s plus Echopfadlaufzeit | ITU-T G.168 (04/2015) |
| Bewertete Kopplungsdämpfung des Endgeräts bei Headsets, jede Lautstärke vs nominal | Mindestens 46 dB vs mindestens 55 dB | 3GPP TS 26.131 (Rel-19) |
| Echodämpfung des Netzes am Zusammenschaltungspunkt | Mindestens 46 dB | 3GPP TS 26.132 (Rel-19) |
| Double-Talk-Kategorien für Freisprecheinrichtungen | 5; Kategorie 1 dämpft das gesendete Sprachsignal um höchstens 3 dB | HEAD acoustics, mit Bezug auf ITU-T P.340 |
| Empfehlung zu Freisprecheinrichtungen, neueste Ausgabe | P.340 (07/2026) | Zusammenfassung der ITU-T P.340 von 2026 |
| Einweg-Verzögerung für transparente Interaktivität | Unter 150 ms | ITU-T G.114 (05/2003) |
| Latenzgrenze der AEC Challenge, 2023 | 20 ms algorithmische plus Pufferlatenz | Microsoft-Repository AEC-Challenge |
| ERLE vs Hörerurteile | PCC 0,31 | Microsoft, AEC-Challenge-Arbeit zur ICASSP 2021 |
| AECMOS vs Urteile zum Fernende-Echo | PCC 0,99 | Microsoft, AEC-Challenge-Arbeit zur ICASSP 2023 |
| Ursprünglicher AECMOS-Trainingsdatensatz | 64.013 Clips, 145,8 Stunden | Microsoft, AECMOS-Arbeit, ICASSP 2022 |
| Baseline vs Gewinner von ICASSP 2021 | 3,68 vs 4,11 | Amazon Web Services, PercepNet-Echokontrolle, arXiv 2021 |
| Beitrag mit der höchsten Punktzahl bei INTERSPEECH 2021 vs Baseline | 4,43 vs 3,87 | Microsoft, Ergebnisse der AEC Challenge bei INTERSPEECH 2021 |
| Mobilgeräte vs Desktop, Double-Talk-Degradation | Mobilgeräte um 0,75 MOS schlechter | Microsoft, AEC-Challenge-Arbeit zur ICASSP 2022 |
| CPU-Zeit pro Frame bei DeepVQE-S | 0,14 ms (Echtzeitfaktor 0,014) | Microsoft, DeepVQE, Interspeech 2023 |
| WebRTC AEC3 vs neuronaler Restecho-Unterdrücker, ERLE | 29,976 dB vs 40,786 dB | ByteDance, Restecho-Unterdrückung, arXiv 2020 |
| Speex vs WebRTC vs hybrides RNN, ERLE | 25 dB vs 40 dB vs 68 dB | Ma et al., arXiv 2020 |
| Gewinn von DTLN-aec gegenüber der Challenge-Baseline | 0,30 MOS | Westhausen und Meyer, DTLN-aec, arXiv 2020 |
| Neuronale End-to-End-AEC, ERLE (2026) | 78,69 dB mit 1,2M Parametern | Alibaba Tongyi Lab, E2E-AEC, arXiv 2026 |
Methodik und Quellen
- ITU-T: G.168, Digital network echo cancellers (04/2015, Corrigendum 12/2022), G.167, Acoustic echo controllers (03/1993, zurückgezogen), Zusammenfassung der P.340 (07/2026), P.1110, Wideband hands-free communication in motor vehicles (10/2025), G.114, One-way transmission time (05/2003)
- 3GPP: TS 26.131, Terminal acoustic characteristics for telephony; Requirements (Rel-19) und TS 26.132, Speech and video telephony terminal acoustic test specification (Rel-19)
- HEAD acoustics: Datenblatt ACOPT 32 Speech-based Double Talk (gibt die Kategorien der ITU-T P.340 wieder)
- Microsoft Research: AEC-Challenge-Arbeit zur ICASSP 2021, Ergebnisse der AEC Challenge bei INTERSPEECH 2021, AEC-Challenge-Arbeit zur ICASSP 2022, AEC-Challenge-Arbeit zur ICASSP 2023, AECMOS-Arbeit, DeepVQE, Interspeech 2023, Repository 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, Huang, Zhao und Su: Acoustic echo cancellation by combining adaptive digital filter and recurrent neural network (2020)
- Westhausen und Meyer: 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 (Januar 2026)
- Microsoft 365 Blog: How Microsoft Teams uses AI and machine learning to improve calls and meetings (2022, Eigenaussage des Herstellers)
- Daten-Hinweis: Keine Plattform hat eine auf Telemetrie beruhende Echorate in echten Gesprächen veröffentlicht, daher nennt diese Zusammenstellung keine; Microsofts Arbeiten beschreiben Echo nur qualitativ als Hauptbeschwerde. Die beiden Microsoft-Quellen weichen beim Gewinner von 2023 leicht voneinander ab: Die Challenge-Arbeit zur ICASSP 2023 nennt für den ersten Platz 0,854, während die Tabelle der DeepVQE-Arbeit den AEC-Gewinner mit 0,852 angibt. Die Microsoft-Quellen widersprechen sich auch beim Datensatz von ICASSP 2022: Die ICASSP-2022-Arbeit nennt mehr als 10.000 Umgebungen und Geräte, die ICASSP-2023-Arbeit führt für diese Runde 7.500 auf. Die Korrelationen von 0,31 für ERLE und 0,67 für PESQ sind in den Challenge-Arbeiten von 2021, 2022 und 2023 identisch, was auf eine einzige zugrunde liegende Studie statt auf drei unabhängige Messungen hindeutet. Die AECMOS-Korrelationen variieren je nach Modellversion (die ICASSP-2022-Arbeit nennt einen PCC von 0,828 für Fernende-Echo, die Arbeit von 2023 0,99). Die INTERSPEECH-2021-Arbeit sagt, nahezu alle Teilnehmer hätten die Baseline geschlagen, während die öffentliche Ergebnistabelle 10 von 14 gereihten Beiträgen über dem Baseline-Mittelwert zeigt. Die ERLE-Werte in den Vergleichen von Speex und WebRTC aus dem Jahr 2020 stammen aus dem jeweils eigenen Testsatz und den Einstellungen jeder Arbeit. Die meisten AEC-Challenge-Daten stammen aus den Jahren 2021 bis 2023, weil das Repository AEC-Challenge ICASSP 2023 als neueste Ausgabe führt; der Volltext der P.340 (07/2026) und die Rel-20-Datei der 3GPP TS 26.132 sind die nächsten zu prüfenden Aktualisierungen.
Zuletzt aktualisiert: 24. Oktober 2026. Wir aktualisieren diese Zusammenstellung vierteljährlich, und die nächste Aktualisierung wird erwartet, wenn der Volltext der ITU-T P.340 (07/2026) veröffentlicht wird.