Die Zwei-Sprecher-Trennung auf dem Benchmark WSJ0-2mix verbesserte sich von rund 6 dB Signalgewinn mit Deep Clustering im Jahr 2015 auf 25,1 dB SI-SNRi im Jahr 2024 (Hershey et al., arXiv 2015; SepReformer, NeurIPS 2024), ein Sprung, der das ‘Cocktailparty-Problem’ von einer Laborkuriosität zu Funktionen machte, die bereits in Hörgeräten und Headsets ausgeliefert werden. Der Haken: Saubere Benchmarks schmeicheln den Modellen. Conv-TasNet fällt von 15,3 dB auf sauberen Mischungen auf 8,3 dB, sobald Rauschen und Nachhall hinzukommen (MossFormer2-Paper, arXiv 2312.11825, Vergleichstabellen). Die Nachfrage ist enorm: 430 Millionen Menschen benötigen eine Rehabilitation wegen behinderndem Hörverlust (WHO-Faktenblatt, März 2026). Wir haben Daten aus begutachteten Papern auf arXiv, IEEE ICASSP, Interspeech und NeurIPS zusammengetragen, aus Microsofts Challenges DNS und NOTSOFAR-1, von Google Research, MERL, der WHO, der FDA, MarkeTrak 2025 sowie aus den Forschungsgruppen der University of Washington und der Columbia University. Für die Verbraucherseite derselben Technologie siehe unsere Statistiken zu KI-Audio-Separatoren.
TL;DR
- Bestes Zwei-Sprecher-Ergebnis auf WSJ0-2mix: 25,1 dB SI-SNRi (SepReformer-L mit dynamischer Mischung, NeurIPS 2024; TF-Locoformer L, MERL 2024).
- Deep Clustering lieferte 2015 rund 6 dB Verbesserung bei Sprechergemischen (Hershey et al., arXiv 1508.04306).
- Conv-TasNet erreichte 15,3 dB SI-SNRi mit 5,1 Mio. Parametern und einer minimalen Latenz von 2 ms (Luo und Mesgarani, IEEE/ACM TASLP 2019).
- SepReformer-B erreicht 23,8 dB bei 39,8 GMACs/s gegenüber 23,5 dB bei 460,8 GMACs/s für TF-GridNet (SepReformer, NeurIPS 2024).
- SepFormer benötigt 35,3 GB Spitzenspeicher im Training gegenüber 2,0 GB bei SepMamba (S) (SepMamba-Paper, 2024).
- Conv-TasNet erzielt 15,3 dB bei sauberem Audio, 12,7 dB mit Rauschen (WHAM!) und 8,3 dB mit Rauschen plus Nachhall (WHAMR!) (MossFormer2-Paper, 2024).
- Trennung senkte die Wortfehlerrate auf LibriCSS bei 40% Überlappung von 43,3% auf 21,7% (Chen et al., Microsoft, 2020).
- Bestes Mehrkanalsystem bei NOTSOFAR-1: 10,8% tcpWER gegenüber einer Baseline von 28,3% (NOTSOFAR-1-Zusammenfassung, 2025).
- Ein 2,2 MB großes On-Device-Modell VoiceFilter-Lite verbesserte den WER bei überlappender Sprache um 25,1% (Google Research, 2020).
- 430 Millionen Menschen benötigen eine Rehabilitation wegen behinderndem Hörverlust, bis 2050 steigt die Zahl auf über 700 Millionen (WHO, März 2026).
- Die Hörgeräte-Nutzung unter Amerikanern mit Hörschwierigkeiten erreichte 51,3%, gegenüber 46,9% im Jahr 2022 (MarkeTrak 2025).
- UW Target Speech Hearing: 21 Testpersonen bewerteten die registrierte Stimme als fast doppelt so klar wie ungefiltertes Audio (University of Washington, CHI 2024).
1. Ein Jahrzehnt Benchmark-Fortschritt auf WSJ0-2mix
Der Benchmark WSJ0-2mix hat für die Sprachtrennung geleistet, was ImageNet für das maschinelle Sehen leistete: ein festes Ziel, das ein Jahrzehnt an Fortschritt messbar machte. Der beste Zwei-Sprecher-Wert stieg von rund 6 dB Signalverbesserung im Jahr 2015 auf 25,1 dB SI-SNRi im Jahr 2024, und die Dezibel-Skala ist logarithmisch, sodass jede zusätzlichen 3 dB die verbleibende Störenergie ungefähr halbieren. Der wichtigste Sprung kam 2018, als Conv-TasNet die Spektrogramm-Masken aufgab und auf rohen Wellenformen arbeitete. Es war das erste System, das ideale Zeit-Frequenz-Masken schlug, die lange als praktische Obergrenze galten (Conv-TasNet, Luo und Mesgarani).
Seitdem hat sich die Kurve abgeflacht. Die Zuwächse von 2021 bis 2024 kamen in Schritten von etwa 1 dB, und die beiden besten Modelle von 2024 liegen gleichauf bei 25,1 dB. Das Feld hat seinen eigenen Benchmark faktisch gesättigt, weshalb neuere Paper stattdessen bei Effizienz und Robustheit konkurrieren (Abschnitte 2 und 3).
| Metrik | Wert | Quelle |
|---|---|---|
| Deep Clustering, Sprechergemische (2015) | Rund 6 dB Verbesserung | Hershey et al., Deep Clustering, arXiv 2015 |
| Verbessertes Deep Clustering, zwei Sprecher (2016) | 10,3 dB SDR-Verbesserung (Baseline 6,0 dB) | Isik et al., arXiv 1607.02173, 2016 |
| Conv-TasNet (2018) | 15,3 dB SI-SNRi, 15,6 dB SDRi | Luo und Mesgarani, IEEE/ACM TASLP 2019 |
| DPRNN (2019) | 18,8 dB SI-SDRi | Luo, Chen und Yoshioka, ICASSP 2020 |
| SepFormer mit dynamischer Mischung (2020) | 22,3 dB SI-SNRi | Subakan et al., ICASSP 2021 |
| TF-GridNet, ohne Datenaugmentierung (2022) | 23,5 dB SI-SDRi | TF-GridNet-Paper, arXiv 2211.12433 |
| MossFormer2 (2023) | 24,1 dB SI-SDRi | MossFormer2-Paper, arXiv 2312.11825 |
| SepReformer-L und TF-Locoformer (L), beide mit dynamischer Mischung (2024) | 25,1 dB SI-SNRi | SepReformer, NeurIPS 2024; Saijo et al., MERL 2024 |
Der Vergleich mit idealen Masken machte Conv-TasNet zum Meilenstein. Auf demselben Testset erreichte die ideale binäre Maske 13,0 dB SI-SNRi, die ideale Verhältnismaske 12,2 dB und die Wiener-Filter-ähnliche Maske 13,4 dB, alle unter den 15,3 dB von Conv-TasNet. Menschliche Hörer stimmten zu: Die Ausgabe von Conv-TasNet erhielt eine mittlere Meinungsbewertung (MOS) von 4,03 gegenüber 3,51 für die ideale Verhältnismaske.
| Metrik | Wert | Quelle |
|---|---|---|
| Ideale binäre Maske (IBM) | 13,0 dB SI-SNRi | Conv-TasNet-Paper, 2019 |
| Ideale Verhältnismaske (IRM) | 12,2 dB SI-SNRi | Conv-TasNet-Paper, 2019 |
| Wiener-Filter-ähnliche Maske (WFM) | 13,4 dB SI-SNRi | Conv-TasNet-Paper, 2019 |
| Hörer-MOS: Conv-TasNet gegenüber IRM | 4,03 gegenüber 3,51 | Conv-TasNet-Paper, 2019 |
| Größe von WSJ0-2mix | 30 h Training, 10 h Validierung, 5 h Test | Conv-TasNet-Paper, 2019 |
| Mischbereich | Zufälliger SNR zwischen -5 und 5 dB | Conv-TasNet-Paper, 2019 |
Hinweis zum Kontext: Die ‘dynamische Mischung’ (DM) erzeugt neue Trainingsmischungen laufend während des Trainings und bringt etwa 1 bis 2 dB. SepFormer erreicht mit DM 22,3 dB und ohne 20,4 dB, weshalb man bei Vergleichen zwischen Papern zuerst diese Option prüfen muss (SepFormer, arXiv 2010.13154). Die aktuellsten verfügbaren Daten zu den Baselines von 2015 bis 2019 stammen aus den Originalpapern.
2. Effizienz: Parameter, Rechenaufwand, Speicher und Latenz
Die Genauigkeit stagniert, deshalb hat sich das Wettrüsten auf die Kosten verlagert. SepReformer-B erreicht 23,8 dB SI-SNRi mit 39,8 GMACs pro Sekunde Audio, während TF-GridNet für 23,5 dB 460,8 GMACs/s braucht, ein mehr als elffacher Unterschied beim Rechenaufwand für einen etwas besseren Wert (SepReformer, NeurIPS 2024). Die Parameterzahlen erzählen eine ähnliche Geschichte: DPRNN erreichte 2019 den Stand der Technik mit einem Modell, das 20-mal kleiner war als das bisher beste System.
Der Speicher ist der versteckte Kostenfaktor, der entscheidet, wer diese Modelle trainieren kann. SepFormer erreicht einen Spitzenwert von 35,3 GB Speicher, verglichen mit 2,0 GB bei SepMamba (S), das immer noch 21,2 dB erzielt (SepMamba, Technical University of Denmark und WS Audiology, 2024). Für alles, was auf einem Smartphone, einem Headset oder einem Hörgerät läuft, entscheidet dieser Unterschied darüber, ob ein Entwurf auslieferbar ist.
| Metrik | Wert | Quelle |
|---|---|---|
| SepReformer-T | 22,4 dB bei 3,7 Mio. Parametern, 10,4 GMACs/s | SepReformer, NeurIPS 2024 |
| SepReformer-B | 23,8 dB bei 14,2 Mio. Parametern, 39,8 GMACs/s | SepReformer, NeurIPS 2024 |
| SepReformer-L mit DM | 25,1 dB bei 55,3 Mio. Parametern, 155,5 GMACs/s | SepReformer, NeurIPS 2024 |
| TF-GridNet | 23,5 dB bei 14,5 Mio. Parametern, 460,8 GMACs/s | SepReformer, NeurIPS 2024 (Vergleichstabelle) |
| QDPN | 200,0 Mio. Parameter | TF-GridNet-Paper, 2022 |
| MossFormer2 | 55,7 Mio. Parameter, Echtzeitfaktor 0,053 | MossFormer2-Paper, 2023 |
| DPRNN | 2,6 Mio. Parameter, 20-mal kleiner als das bisher Beste | Luo et al., ICASSP 2020 |
| Minimale Latenz von Conv-TasNet | 2 ms (gegenüber einem 32-ms-STFT-Fenster) | Conv-TasNet-Paper, 2019 |
| Metrik | Wert | Quelle |
|---|---|---|
| Spitzenspeicher von SepFormer | 35,30 GB | SepMamba-Paper, 2024 |
| Spitzenspeicher von MossFormer2 mit DM | 12,30 GB | SepMamba-Paper, 2024 |
| SepMamba (S) | 21,2 dB, 7,2 Mio. Parameter, 2,00 GB Spitzenspeicher | SepMamba-Paper, 2024 |
| SepMamba (M) | 22,7 dB, 22 Mio. Parameter, 3,04 GB Spitzenspeicher | SepMamba-Paper, 2024 |
| EConv-TasNet (Sept. 2026) | 18,4 dB bei 3,8 Mio. Parametern | Liu, Novatek, arXiv 2609.11342 |
| EConv-TasNet gegenüber Conv-TasNet | 22,4% kleiner, 18,9% schnellere Inferenz | Liu, arXiv 2609.11342 |
Hinweis zum Ausreißer: Das neueste Paper dieser Zusammenstellung, EConv-TasNet des Chipherstellers Novatek (September 2026), jagt gar nicht den 25-dB-Rekord. Es zielt auf den Einsatz am Edge und fügt Conv-TasNet mit weniger Parametern 3,1 dB hinzu (EConv-TasNet). Das ist ein gutes Signal dafür, wo das kommerzielle Interesse liegt.
3. Robustheit im Alltag: Rauschen, Nachhall und mehr Sprecher
Saubere, im Studio gelesene Sprache, gemischt bei kontrollierten Pegeln, ist kein Restaurant. Conv-TasNet verliert 7 dB, wenn seine Testmischungen echtes Umgebungsrauschen und Nachhall bekommen: 15,3 dB auf WSJ0-2mix, 12,7 dB auf WHAM! und 8,3 dB auf WHAMR! (Vergleichstabellen von MossFormer2). WHAM! fügt Rauschen hinzu, das in Cafés, Restaurants und Bars in der San Francisco Bay Area aufgenommen wurde, und seine Autoren merken an, dass die meisten Trennungsstudien einen eingeschränkten Aufbau mit niedrigen Abtastraten und ohne Hintergrundrauschen verwendeten (WHAM!, Interspeech 2019).
Neuere Modelle schließen einen Großteil dieser Lücke, aber nicht ganz. Die besten Ergebnisse mit Nachhall liegen bei 17 bis 18,5 dB, immer noch 6 bis 7 dB hinter dem sauberen Benchmark. Ein dritter Sprecher kostet dasselbe Modell weitere 1,9 bis 2,8 dB (MossFormer2: 24,1 auf 22,2 dB; SepFormer: 22,3 auf 19,5 dB), und die LibriMix-Autoren zeigten, dass auf WSJ0-2mix trainierte Modelle auf ähnlichen Datensätzen deutliche Leistungseinbrüche erleiden, weshalb LibriMix aus LibriSpeech-Sprache plus WHAM!-Rauschen aufgebaut wurde (LibriMix, Interspeech 2020).
| Metrik | Wert | Quelle |
|---|---|---|
| Conv-TasNet: WSJ0-2mix / WHAM! / WHAMR! | 15,3 / 12,7 / 8,3 dB SI-SDRi | MossFormer2-Paper, 2023 |
| SepFormer: WHAM! / WHAMR! | 16,4 / 14,0 dB | MossFormer2-Paper, 2023 |
| MossFormer2: WHAM! / WHAMR! | 18,1 / 17,0 dB | MossFormer2-Paper, 2023 |
| SepReformer-L mit DM: WHAM! / WHAMR! | 18,5 / 17,2 dB | SepReformer, NeurIPS 2024 |
| TF-Locoformer (M): WHAMR! | 18,5 dB | Saijo et al., MERL 2024 |
| TF-GridNet, 6-Kanal-SMS-WSJ (vollständige Pipeline) | 22,8 dB SI-SDR, PESQ 4,08 | TF-GridNet-Paper, 2022 |
| Metrik | Wert | Quelle |
|---|---|---|
| Drei Sprecher, Conv-TasNet (WSJ0-3mix) | 12,7 dB SI-SNRi | Conv-TasNet-Paper, 2019 |
| Drei Sprecher, SepFormer (WSJ0-3mix) | 19,5 dB SI-SNRi | SepFormer-Paper, 2020 |
| Drei Sprecher, MossFormer2 (WSJ0-3mix) | 22,2 dB SI-SDRi | MossFormer2-Paper, 2023 |
| Drei Sprecher, verbessertes Deep Clustering (2016) | 7,1 dB SDR-Verbesserung | Isik et al., 2016 |
| Libri2Mix: Conv-TasNet / SepFormer / MossFormer2 | 14,7 / 19,2 / 21,7 dB | MossFormer2-Paper, 2023 |
| Libri2Mix: SepReformer-M / TF-Locoformer (M) | 22,1 / 22,1 dB | SepReformer, 2024; Saijo et al., 2024 |
Einschränkung: Der Benchmark selbst hat einen Makel. Eine 2025 bei IEEE ASRU angenommene Studie stellte fest, dass Rauschen in den Referenzsignalen von WSJ0-2mix das erreichbare SI-SDR begrenzt und dass SI-SDR über die Testsets hinweg negativ mit der wahrgenommenen Verrauschtheit korrelierte (Jepsen et al., arXiv 2508.14623). Ein Teil des letzten Dezibels an ‘Fortschritt’ könnte daher rühren, dass Modelle lernen, verrauschte Referenzen nachzubilden.
4. Trennung für Meetings und Spracherkennung
Bei der Transkription zählen Wörter mehr als Dezibel. Auf Microsofts LibriCSS-Datensatz senkte die Trennung vor der Erkennung die Wortfehlerrate bei 40% Sprecherüberlappung von 43,3% auf 21,7%, während sich die Ergebnisse bei nicht überlappendem Audio kaum änderten (11,8% auf 8,4%) (Chen et al., Continuous Speech Separation, 2020). Dieselben Autoren warnen, dass Metriken auf Signalebene nur schwach mit der ASR-Genauigkeit oder der wahrgenommenen Qualität korrelieren, weshalb Meeting-Benchmarks Wörter bewerten und nicht SI-SNR. Unsere Statistiken zu KI-Meeting-Assistenten zeigen, wie schnell der Markt wächst, der von dieser Genauigkeit abhängt.
| Metrik | Wert | Quelle |
|---|---|---|
| Größe von LibriCSS | 10 Stunden, 10 Sitzungen, Überlappung von 0% bis 40% | Chen et al., Microsoft, 2020 |
| WER bei 10% Überlappung: ohne Trennung gegenüber mit Trennung | 18,8% gegenüber 11,6% | Chen et al., 2020 (äußerungsweise, 7 Kanäle) |
| WER bei 20% Überlappung | 27,2% gegenüber 15,8% | Chen et al., 2020 |
| WER bei 30% Überlappung | 35,6% gegenüber 18,7% | Chen et al., 2020 |
| WER bei 40% Überlappung | 43,3% gegenüber 21,7% | Chen et al., 2020 |
| WER bei 40% Überlappung, kontinuierliche Eingabe | 40,5% gegenüber 21,9% | Chen et al., 2020 |
| ASR mit Deep Clustering bei Zwei-Sprecher-Gemischen | WER von 89,1% auf 30,8% gesenkt | Isik et al., 2016 |
Echte Meetings sind schwieriger als simulierte. Microsofts Challenge NOTSOFAR-1, durchgeführt innerhalb von CHiME-8, zeichnete Meetings mit 4 bis 8 Teilnehmern in 30 Räumen auf. Das siegreiche Einkanalsystem lag bei den Wörtern immer noch zu 22,2% falsch (zeitbeschränkter tcpWER), gegenüber 10,8% beim besten Mehrkanalsystem (NOTSOFAR-1-Zusammenfassung, arXiv 2501.17304). Mikrofonarrays bleiben der größte einzelne Hebel, und die Organisatoren stellten fest, dass die geführte Quellentrennung (Guided Source Separation) in den siegreichen Pipelines weiterhin die vorherrschende Trennungstechnik ist.
| Metrik | Wert | Quelle |
|---|---|---|
| Aufgezeichnete Meetings bei NOTSOFAR-1 | 315 einzigartige englische Meetings, 30 Räume, 4 bis 8 Teilnehmer | NOTSOFAR-1-Zusammenfassung, 2025 |
| Simulierte Trainingsdaten | Rund 1.000 Stunden, 15.000 reale akustische Übertragungsfunktionen | NOTSOFAR-1-Zusammenfassung, 2025 |
| Einkanal: bester gegenüber Baseline-tcpWER | 22,2% gegenüber 41,4% | NOTSOFAR-1-Zusammenfassung, 2025 |
| Mehrkanal: bester gegenüber Baseline-tcpWER | 10,8% gegenüber 28,3% | NOTSOFAR-1-Zusammenfassung, 2025 |
| Einreichungen: Einkanal- / Mehrkanal-Track | 9 / 5 | NOTSOFAR-1-Zusammenfassung, 2025 |
| Größe des On-Device-Modells VoiceFilter-Lite | 2,2 MB (quantisiert) | Google Research, Nov. 2020 |
| WER-Verbesserung von VoiceFilter-Lite, überlappende Sprache | 25,1% (14,7% mit Nachhall) | Google Research, Nov. 2020 |
Hinweis zum Kontext: Die Ergebnisse von Googles VoiceFilter-Lite (2020) sind die aktuellsten verfügbaren öffentlichen On-Device-Zahlen einer großen Plattform. Seither ausgelieferte Systeme veröffentlichen selten Benchmarks auf Wortebene.
5. Was für die Hörgesundheit auf dem Spiel steht
Das Cocktailparty-Problem ist für die Menschen, die damit leben, nicht akademisch. Die WHO schätzt, dass 430 Millionen Menschen, über 5% der Weltbevölkerung, eine Rehabilitation wegen behinderndem Hörverlust benötigen, und prognostiziert bis 2050 mehr als 700 Millionen (WHO-Faktenblatt zu Taubheit und Hörverlust, März 2026). Verstärkung allein hebt in einem vollen Raum alle Sprecher gleichzeitig an, weshalb DNN-basierte Trennung heute das Aushängeschild-Feature von Premium-Hörgeräten ist. Unsere Hörgeräte-Statistiken behandeln den Gerätemarkt selbst.
| Metrik | Wert | Quelle |
|---|---|---|
| Menschen, die eine Rehabilitation wegen behinderndem Hörverlust benötigen | 430 Millionen (über 5% der Weltbevölkerung) | WHO-Faktenblatt, März 2026 |
| Kinder mit behinderndem Hörverlust | 34 Millionen | WHO-Faktenblatt, März 2026 |
| Menschen mit Hörverlust bis 2050 | Fast 2,5 Milliarden | WHO-Faktenblatt, März 2026 |
| Menschen, die bis 2050 eine Rehabilitation benötigen | Mehr als 700 Millionen (1 von 10) | WHO-Faktenblatt, März 2026 |
| Behindernder Hörverlust bei Menschen über 60 | Über 25% | WHO-Faktenblatt, März 2026 |
| Jährliche globale Kosten unbehandelten Hörverlusts | Fast 1 Billion US-Dollar | WHO-Faktenblatt, März 2026 |
| Anteil in Ländern mit niedrigem und mittlerem Einkommen | Fast 80% | WHO-Faktenblatt, März 2026 |
Die Nutzung steigt. MarkeTrak 2025, basierend auf 16.148 US-Haushalten und 42.982 im Oktober und November 2024 befragten Personen, stellte fest, dass die Hörgeräte-Nutzung unter Menschen mit selbst berichteten Hörschwierigkeiten 51,3% erreichte, gegenüber 46,9% im Jahr 2022, bei einer allgemeinen Zufriedenheit mit den Geräten von 83% (MarkeTrak 2025, Seminars in Hearing). Auch Consumer-Ohrhörer betreten die Kategorie: Im September 2024 genehmigte die FDA die erste rezeptfreie Hörgeräte-Software, Apples Hearing Aid Feature für AirPods Pro (FDA-Pressemitteilung).
| Metrik | Wert | Quelle |
|---|---|---|
| Hörgeräte-Nutzung in den USA, Menschen mit Hörschwierigkeiten | 51,3% (46,9% im Jahr 2022) | MarkeTrak 2025 |
| Selbst berichtete Hörschwierigkeiten, USA | 9,1% | MarkeTrak 2025 |
| Zufriedenheit von Hörgeräte-Besitzern | 83% | MarkeTrak 2025 |
| FDA-Studie zu rezeptfreier Hörgeräte-Software | 118 Probanden, leichter bis mittlerer Hörverlust | FDA, 12. Sept. 2024 |
| Phonak Spheric Speech Clarity 2.0 (DNN) | 10,2 dB SNR-Verbesserung in realen Szenarien | Expertenartikel auf AudiologyOnline, 2026 |
| Phonak Spheric Speech Clarity 2.0 | Bis zu 37% weniger Höranstrengung, 30% effizienter | Expertenartikel auf AudiologyOnline, 2026 |
| Studie von Mayo Clinic und Sonova, DNN-Rauschunterdrückung bei 10 dB SNR | +23 und +32 Prozentpunkte bei der Spracherkennung | Audiology Research, 2024 |
| Dieselbe Studie, SNR-Vorteil im Programm für lauten Lärm | 4,8 bis 5,0 dB | Audiology Research, 2024 |
Einschränkung: Die SNR-Angaben der Hersteller stammen aus von den Anbietern selbst durchgeführten Tests, und an der unabhängigen Studie von Mayo Clinic und Sonova nahmen nur 10 Personen teil. Phonaks Zahlen werden über ein Experten-Frage-und-Antwort-Gespräch auf AudiologyOnline berichtet, nicht in einem begutachteten Paper.
6. Die Grenze: Auswählen, welche Stimme man hört
Alle Stimmen zu trennen ist nur das halbe Problem; das Gerät muss auch wissen, welche der Hörer will. Der Prototyp Target Speech Hearing der University of Washington registriert einen Sprecher, nachdem die tragende Person ihn 3 bis 5 Sekunden lang angesehen hat, und 21 Testpersonen bewerteten die Klarheit dieser Stimme als fast doppelt so hoch wie bei ungefiltertem Audio (UW News, Mai 2024). Eine Folgearbeit vom Dezember 2025 verzichtete auf den Blick: Ihr ‘proaktiver Hörassistent’ erkennt Gesprächspartner am Rhythmus des Sprecherwechsels in 2 bis 4 Sekunden Audio (UW News, Dezember 2025).
Auch andere Hinweise werden getestet. Googles Modell Looking to Listen von 2018 nutzte Lippenbewegungen und wurde mit Clips aus 100.000 YouTube-Videos trainiert (Google-Research-Blog). Der gehirngesteuerte Ansatz der Columbia University vergleicht getrennte Stimmen mit neuronalen Signalen: Die Version von 2019 wurde an drei neurochirurgischen Patienten getestet (Science Advances, 2019), und eine Studie in Nature Neuroscience vom Mai 2026 berichtete über erste Tests eines Echtzeitsystems am Menschen (Columbia Zuckerman Institute über EurekAlert). Personalisierte Registrierung ist in der Kommunikation ebenfalls Standard: Microsofts fünfte Deep Noise Suppression Challenge verlangte von den Modellen, benachbarte Sprecher mithilfe eines 10 bis 30 Sekunden langen Registrierungsclips zu unterdrücken (ICASSP 2023 DNS Challenge). Dieselbe sprecherbewusste Bereinigung hält einen Discord-Voice-Chat verständlich, wenn im Hintergrund ein Mitbewohner redet.
| Metrik | Wert | Quelle |
|---|---|---|
| UW Target Speech Hearing: Registrierungsdauer | 3 bis 5 Sekunden Blick auf den Sprecher | University of Washington, CHI 2024 |
| UW Target Speech Hearing: Testpersonen und Klarheitsbewertung | 21 Testpersonen, fast 2-mal klarer als ungefiltert | University of Washington, CHI 2024 |
| UW Target Speech Hearing: Richtungstoleranz | 16 Grad Fehlertoleranz | University of Washington, 2024 |
| Proaktiver Hörassistent der UW: benötigtes Audio | 2 bis 4 Sekunden | University of Washington, EMNLP 2025 |
| Proaktiver Hörassistent der UW: Gesprächspartner und Tester | 1 bis 4 Partner; 11 Teilnehmer bewerteten ihn mehr als 2-mal so günstig | University of Washington, Dez. 2025 |
| Proaktiver Hörassistent der UW: Trainingssprachen | Englisch, Mandarin, Japanisch | University of Washington, Dez. 2025 |
| Google Looking to Listen: Trainingsquelle | 100.000 Videos, rund 2.000 Stunden saubere Clips | Google-Research-Blog, April 2018 |
| Gehirngesteuertes Hören von Columbia (2019) | 3 neurochirurgische Patienten | Han et al., Science Advances, 2019 |
| Metrik | Wert | Quelle |
|---|---|---|
| Ausgabe der DNS Challenge bei ICASSP 2023 | 5. | Dubey et al., Microsoft, 2023 |
| Audioformat von DNS 2023 | Fullband, 48 kHz | Dubey et al., 2023 |
| Registrierungsclip bei DNS 2023 | 10 bis 30 Sekunden des Hauptsprechers | Dubey et al., 2023 |
| Punktgewinn des Siegers von DNS 2023 gegenüber verrauschter Eingabe | 0,145 (Headset) und 0,141 (Freisprecheinrichtung) | Dubey et al., 2023 |
| TF-Locoformer (M) bei der Sprachverbesserung von DNS 2020 | 23,3 dB SI-SNR, STOI 98,8, PESQ-WB 3,72 | Saijo et al., MERL 2024 |
Hinweis zum Ausreißer: Das UW-Team sagt, das proaktive System habe die größten Probleme, wenn Gespräche dynamisch werden und die Teilnehmer durcheinanderreden, was genau der Cocktailparty-Fall ist. Das Interesse an Kopfhörern mit Geräuschunterdrückung liefert diesen Funktionen eine fertige Hardwarebasis.
Zusammenfassung: Sprachtrennung und das Cocktailparty-Problem in Zahlen
| Metrik | Wert | Quelle |
|---|---|---|
| Bester Wert auf WSJ0-2mix | 25,1 dB SI-SNRi | SepReformer-L, NeurIPS 2024; TF-Locoformer (L), MERL 2024 |
| Deep Clustering, 2015 | Rund 6 dB Verbesserung | Hershey et al., 2015 |
| Conv-TasNet, 2018 | 15,3 dB SI-SNRi, 5,1 Mio. Parameter | Luo und Mesgarani, 2019 |
| SepFormer mit / ohne dynamische Mischung | 22,3 / 20,4 dB | SepFormer, 2021; TF-GridNet, 2022 |
| MossFormer2 | 24,1 dB, 55,7 Mio. Parameter | MossFormer2, 2023 |
| Minimale Latenz von Conv-TasNet | 2 ms | Conv-TasNet-Paper, 2019 |
| Rechenaufwand TF-GridNet gegenüber SepReformer-B | 460,8 gegenüber 39,8 GMACs/s | SepReformer, NeurIPS 2024 |
| Spitzenspeicher SepFormer gegenüber SepMamba (S) | 35,3 GB gegenüber 2,0 GB | SepMamba, 2024 |
| Conv-TasNet sauber / verrauscht / mit Nachhall | 15,3 / 12,7 / 8,3 dB | MossFormer2, 2023 |
| Bestes WHAMR! (verrauscht, mit Nachhall) | 18,5 dB | TF-Locoformer (M), MERL 2024 |
| WSJ0-3mix, MossFormer2 | 22,2 dB | MossFormer2, 2023 |
| LibriCSS-WER bei 40% Überlappung, ohne Trennung gegenüber mit Trennung | 43,3% gegenüber 21,7% | Microsoft, Chen et al., 2020 |
| Bester NOTSOFAR-1-tcpWER, Mehrkanal | 10,8% (Baseline 28,3%) | NOTSOFAR-1-Zusammenfassung, 2025 |
| Bester NOTSOFAR-1-tcpWER, Einkanal | 22,2% (Baseline 41,4%) | NOTSOFAR-1-Zusammenfassung, 2025 |
| WER-Gewinn von VoiceFilter-Lite bei überlappender Sprache | 25,1% bei 2,2 MB | Google Research, 2020 |
| Menschen, die eine Hörrehabilitation benötigen | 430 Millionen, über 700 Millionen bis 2050 | WHO, März 2026 |
| Hörgeräte-Nutzung in den USA bei Menschen mit Schwierigkeiten | 51,3% | MarkeTrak 2025 |
| SNR-Verbesserung durch Phonak-DNN | 10,2 dB | AudiologyOnline, 2026 |
| Registrierung bei UW Target Speech Hearing | 3 bis 5 Sekunden, 21 Testpersonen | University of Washington, 2024 |
| EConv-TasNet-Edge-Modell | 18,4 dB bei 3,8 Mio. Parametern | Novatek, Sept. 2026 |
Methodik und Quellen
Jede Benchmark-Zahl oben stammt aus dem Paper, das sie berichtet hat, oder, wo vermerkt, aus der Vergleichstabelle eines späteren Papers. Zahlen, die nur in Suchausschnitten, Sekundärzusammenfassungen oder Anbieter-Marketing auftauchten, das wir nicht öffnen konnten, haben wir ausgeschlossen. Leaderboard-Aggregatoren dienten nur dazu zu prüfen, dass kein höheres Ergebnis auf WSJ0-2mix veröffentlicht wurde.
- Hershey, Chen, Le Roux, Watanabe: Deep Clustering, arXiv 1508.04306 (2015)
- Isik, Le Roux, Chen, Watanabe, Hershey: Single-Channel Multi-Speaker Separation using Deep Clustering (2016)
- Luo und Mesgarani: Conv-TasNet, IEEE/ACM TASLP (2019); Tabellen im Volltext gelesen über ar5iv
- Luo, Chen, Yoshioka: Dual-path RNN, ICASSP 2020
- Subakan et al.: Attention Is All You Need in Speech Separation (SepFormer), ICASSP 2021
- TF-GridNet: Integrating Full- and Sub-Band Modeling for Speech Separation (2022)
- MossFormer2 (Dezember 2023)
- Separate and Reconstruct: Asymmetric Encoder-Decoder for Speech Separation (SepReformer), NeurIPS 2024
- Saijo, Wichern, Germain, Pan, Le Roux (MERL): TF-Locoformer (2024)
- Avenstrup et al. (DTU, WS Audiology): SepMamba (2024)
- Liu (Novatek): EConv-TasNet (September 2026)
- Wichern et al.: WHAM!, Interspeech 2019
- Cosentino et al.: LibriMix, Interspeech 2020
- Jepsen, Christensen, Jensen: SI-SDR with noisy references, IEEE ASRU 2025
- Chen et al. (Microsoft): Continuous Speech Separation: Dataset and Analysis (LibriCSS) (2020)
- Abramovski et al. (Microsoft): Summary of the NOTSOFAR-1 Challenge (2025); Cornell et al.: CHiME-8 DASR Challenge (2024)
- Google Research: VoiceFilter-Lite (2020) und Looking to Listen (2018)
- Dubey et al. (Microsoft): ICASSP 2023 Deep Noise Suppression Challenge
- WHO: Faktenblatt zu Taubheit und Hörverlust (März 2026)
- Dobyan und Kihm: MarkeTrak 2025, Seminars in Hearing
- FDA: Genehmigung der ersten rezeptfreien Hörgeräte-Software (September 2024)
- Saoji et al. (Mayo Clinic, Sonova): DNN noise reduction and cochlear implant candidacy, Audiology Research 2024
- AudiologyOnline: How has AI evolved with Phonak Infinio devices?
- University of Washington: Target Speech Hearing (2024) und proaktiver Hörassistent (2025)
- Columbia University: Han et al., Science Advances (2019) und Pressemitteilung zur Studie in Nature Neuroscience über EurekAlert (Mai 2026)
- Daten-Hinweis: Die Paper widersprechen sich bei den Baseline-Zahlen. QDPN steht im TF-GridNet-Paper mit 22,1 dB, im MossFormer2-Paper aber mit 23,6 dB; Conv-TasNet auf Libri2Mix erscheint als 14,7 dB (MossFormer2) und 12,1 dB (EConv-TasNet); der Rechenaufwand von SepFormer wird mit 86,9 GMACs/s (SepReformer) und 257,94 GMACs/s (SepMamba) angegeben und seine Parameterzahl mit 25,7 Mio. oder 26,0 Mio. Verschiedene Paper verwenden unterschiedliche Eingabelängen, Abtastraten und Zählwerkzeuge, vergleichen Sie Zahlen also innerhalb einer Tabelle, nicht tabellenübergreifend. SI-SNRi und SI-SDRi werden in dieser Literatur austauschbar verwendet; die Deep-Clustering-Zahlen von 2015 und 2016 nutzen die einfache SDR-Verbesserung und sind mit späteren SI-SNRi-Werten nicht direkt vergleichbar. Die Zusammenfassung von NOTSOFAR-1 nennt 280 aufgezeichnete Meetings, während der Haupttext 315 einzigartige Meetings beschreibt, aufgeteilt auf Trainings-, Entwicklungs- und Evaluierungssets. Eine belastbare öffentliche Marktgrößenschätzung speziell für Sprachtrennung wurde nicht gefunden, daher ist keine enthalten. Die Zahlen zu Conv-TasNet, Deep Clustering, Looking to Listen und VoiceFilter-Lite sind älter als drei Jahre und werden als aktuellste verfügbare Daten gezeigt. Die Mitteilung von Columbia aus dem Jahr 2026 enthält keine quantitativen Ergebnisse; wir zitieren sie nur wegen ihrer Existenz und des Publikationsorts.
Zuletzt aktualisiert: 3. Oktober 2026. Wir aktualisieren diese Zusammenstellung vierteljährlich, und die nächste Aktualisierung wird erwartet, wenn die angenommenen Paper der ICASSP 2027 und die Ergebnisse der nächsten CHiME-Challenge veröffentlicht werden.