La cifra más citada de un cancelador de eco, el ERLE, coincide con los oyentes humanos con una correlación de Pearson de apenas 0,31, mientras que la métrica neuronal AECMOS de Microsoft alcanza 0,99 en las valoraciones del eco del extremo lejano (Microsoft, artículos del AEC Challenge de ICASSP 2021 e ICASSP 2023). Por el lado de las normas, la ITU-T G.168 da a un cancelador de eco de red aproximadamente 1 segundo para converger, la 3GPP TS 26.131 exige a los headsets al menos 46 dB de pérdida de eco, y el desafío de Microsoft redujo a la mitad el margen de latencia, de 40 ms a 20 ms, entre 2021 y 2023. El eco es también el problema que empuja a las personas hacia mejor hardware de sala, algo que tratamos desde el lado del micrófono en nuestras estadísticas de beamforming de micrófonos de techo en salas de reuniones. Reunimos datos de la ITU-T, la 3GPP, los cuatro artículos del AEC Challenge de Microsoft Research, Amazon Web Services, ByteDance, el Tongyi Lab de Alibaba, investigadores independientes de arXiv y HEAD acoustics.
TL;DR
- Los canceladores de eco de red deben alcanzar la pérdida combinada exigida en aproximadamente 1 segundo en la Prueba 2A (ITU-T G.168, 04/2015).
- Los headsets necesitan al menos 46 dB de pérdida de acoplamiento del terminal ponderada a cualquier volumen, con 55 dB recomendados a volumen nominal (3GPP TS 26.131, Rel-19).
- El ERLE se correlaciona con las valoraciones de oyentes con un PCC de 0,31 y un SRCC de 0,23 (Microsoft, artículo del AEC Challenge de ICASSP 2021).
- El AECMOS se correlaciona con las valoraciones del eco del extremo lejano con un PCC de 0,99 (Microsoft, artículo del AEC Challenge de ICASSP 2023).
- El límite de latencia del desafío bajó de 40 ms de latencia algorítmica en 2021 a 20 ms de latencia algorítmica más latencia de búfer en 2023 (artículos y repositorio del AEC Challenge de Microsoft).
- La propuesta con mayor puntuación de INTERSPEECH 2021 obtuvo una media de 4,43 frente a 3,87 de la línea base (Microsoft, resultados del AEC Challenge de INTERSPEECH 2021).
- Los dispositivos móviles puntuaron 0,75 MOS menos que los de escritorio en la degradación durante el double talk (Microsoft, artículo del AEC Challenge de ICASSP 2022).
- El WebRTC AEC3 eliminó unos 30 dB de eco frente a 40,8 dB de un supresor neuronal (ByteDance, arXiv 2020).
- Un modelo de extremo a extremo de enero de 2026 alcanzó 78,69 dB de ERLE con 1,2 millones de parámetros (Alibaba Tongyi Lab, E2E-AEC, arXiv 2026).
- Un pequeño modelo neuronal de eco y ruido se ejecuta en 0,14 ms por trama, un factor de tiempo real de 0,014 (Microsoft, DeepVQE, Interspeech 2023).
- Los terminales de manos libres de la mejor categoría de double talk (categoría 1) atenúan la voz enviada en un máximo de 3 dB durante el double talk (HEAD acoustics, describiendo la ITU-T P.340).
1. El Reglamento de la ITU-T: Convergencia, Double Talk y Pruebas de Fuga
Las reglas básicas de telecomunicaciones para los canceladores de eco son antiguas, pero siguen vigentes. “Eco” aquí es su propia voz que regresa a usted después de viajar hasta el extremo lejano y filtrarse en la trayectoria de retorno. La G.168 da a un cancelador aproximadamente un segundo para alcanzar la pérdida exigida, y luego sigue comprobando si la mantiene cuando ambas personas hablan a la vez (“double talk”, o habla simultánea) y cuando la línea queda en silencio durante minutos. Un procesador no lineal (NLP) es la etapa final que suprime el eco residual que deja el filtro adaptativo; varias pruebas lo desactivan para medir el propio filtro.
Las trayectorias de eco reales que modelan estas pruebas son cortas. En datos de campo reproducidos en la ITU-T G.168 (04/2015), se midieron 101 llamadas de larga distancia desde Montreal por toda Norteamérica (de junio de 1998 a abril de 1999); el histograma de 88 de ellas mostró un tiempo medio de dispersión de 6,02 ms, y ninguna llamada superó los 12 ms. Su equivalente acústico, la G.167, fue retirada y su contenido pasó a la P.340 y la G.161.
| Métrica | Valor | Fuente |
|---|---|---|
| Edición de la Recomendación de cancelador de eco de red en vigor | G.168 (04/2015), más Corrigendum 1 (12/2022) | ITU-T G.168 |
| Pérdida de retorno de eco mínima (la pérdida que aporta la propia trayectoria del eco) usada en las pruebas; número de modelos estándar de trayectoria del eco | Mínimo de 6 dB; 8 modelos (m1 a m8), con mínimos de 6,55 dB, 11,06 dB y 9,27 dB para m2, m7 y m8 | ITU-T G.168 (04/2015), Anexo D |
| Convergencia en la Prueba 2A, procesador no lineal activado | Pérdida combinada exigida en 1 s más el retardo de la trayectoria del eco y el desfase inicial; picos de no más de 5 dB por encima del límite | ITU-T G.168 (04/2015) |
| Prueba 3A, double talk con una señal del extremo cercano 15 dB por debajo del nivel del extremo lejano (extremo lejano de -25 a 0 dBm0) | Debe converger en 5 s | ITU-T G.168 (04/2015) |
| Prueba 3B(a) y Prueba 4: aumento del eco residual permitido durante el double talk y 2 minutos después de que cesa la señal del extremo lejano (prueba de fuga) | No más de 10 dB por encima del requisito en régimen estacionario en ambos casos | ITU-T G.168 (04/2015) |
| Estado de la G.167, la Recomendación original de controladores de eco acústico (03/1993) | Retirada; sustituida por la P.340 (2000) en las cláusulas 1 a 5 y por la G.161 (2002) en la cláusula 6 | Registro de la ITU-T G.167 |
| Última edición de la Recomendación de terminales de manos libres que cubre el desempeño de eco y double talk | P.340 (07/2026) | Resumen de la ITU-T P.340 de 2026 |
| Rango de frecuencias de la Recomendación de manos libres de banda ancha en vehículos | 50 a 7.000 Hz; edición en vigor P.1110 (10/2025) | ITU-T P.1110 |
Nota de contexto: el dBm0 es un nivel de señal relativo a un punto de referencia de la red, así que “-25 a 0 dBm0” significa un interlocutor del extremo lejano que habla desde bajo hasta alto. La revisión de 2026 de la P.340 es nueva; su texto completo no era público en el momento de la redacción, por lo que este informe cita solo su resumen publicado.
2. Objetivos de Pérdida de Eco para Headsets, Manos Libres y Redes
La pérdida de acoplamiento del terminal (TCLw) indica cuánto de la voz del extremo lejano, reproducida por el altavoz o el auricular de un dispositivo, se atenúa antes de filtrarse de vuelta al micrófono del propio dispositivo y enviarse otra vez. Los estándares móviles fijan 46 dB como mínimo para headsets a cualquier volumen, y el objetivo recomendado de 55 dB viene con la salvedad de que puede no ser medible en todos los dispositivos por el ruido en reposo del propio equipo.
La brecha interesante está en los manos libres. Un altavoz de escritorio puede bajar a 40 dB al volumen máximo y aun así cumplir, por eso el comportamiento en double talk de los manos libres tiene sus propias categorías: un dispositivo de categoría 1 apenas atenúa su voz mientras habla el otro lado (como máximo 3 dB), mientras que uno de categoría 3 la recorta en más de 12 dB, cerca del comportamiento de un walkie-talkie, donde solo se oye un lado a la vez.
| Métrica | Valor | Fuente |
|---|---|---|
| Pérdida de acoplamiento del terminal ponderada de headsets: a cualquier volumen vs recomendada a volumen nominal | Al menos 46 dB vs al menos 55 dB | 3GPP TS 26.131 (Rel-19) |
| Pérdida de acoplamiento del terminal ponderada de manos libres de escritorio: cualquier volumen vs volumen nominal en condiciones de campo libre | Al menos 40 dB vs al menos 46 dB | 3GPP TS 26.131 (Rel-19) |
| Objetivo de desempeño recomendado para manos libres de escritorio a volumen nominal | Al menos 55 dB (puede no ser medible por el ruido del canal en reposo) | 3GPP TS 26.131 (Rel-19) |
| Pérdida de eco que presentan las redes GSM, 3G, LTE o NR en el punto de interconexión, habla única | Al menos 46 dB | 3GPP TS 26.132 (Rel-19) |
| Voz descartada al inicio de la prueba de pérdida de eco para que el cancelador de eco pueda converger; nivel de la señal de prueba | Primeros 17,0 s; 10 dBm0 | 3GPP TS 26.132 (Rel-19) |
| Orientación sobre pérdida de acoplamiento del terminal: entrada digital a salida (según P.341) vs condiciones de campo (según P.342) vs deseable para los objetivos de eco del hablante de la G.131 | Al menos 35 dB vs más de 40 dB vs más de 45 dB | ITU-T G.168 (04/2015), Apéndice I |
| Categorías de double talk para terminales de manos libres y atenuación de la voz enviada | 5 categorías (1, 2a, 2b, 2c, 3): como máximo 3 dB para la categoría 1, como máximo 9 dB para la categoría 2b, más de 12 dB para la categoría 3 | Hoja de datos ACOPT 32 de HEAD acoustics, describiendo la ITU-T P.340 |
Nota de contexto: los valores de la 3GPP se leyeron en el texto Rel-19 de las TS 26.131 y TS 26.132; la TS 26.132 tiene un archivo Rel-20 más reciente, con fecha de julio de 2026, en el archivo de la 3GPP. El documento de HEAD acoustics es una hoja de datos de equipos de prueba que reproduce las categorías de la P.340; no indica los límites de las categorías 2a y 2c.
3. Presupuestos de Latencia: Cuántos Milisegundos Puede Gastar un Cancelador de Eco
Cada milisegundo que un cancelador de eco dedica a almacenar audio en búfer es un milisegundo que se suma a la conversación. El punto de referencia de la investigación se movió con fuerza en esto: el desafío de Microsoft permitió 40 ms de latencia algorítmica en 2021 y redujo a la mitad el margen, hasta 20 ms de latencia algorítmica más latencia de búfer, en 2023, y el modelo de los propios organizadores prácticamente no perdió nada en las puntuaciones de eco con el límite más estricto. El artículo de ICASSP 2023 menciona un objetivo de extremo a extremo por debajo de 50 ms (la mínima diferencia perceptible) y una meta futura de menos de 5 ms para algoritmo más búfer (Microsoft, artículo del AEC Challenge de ICASSP 2023).
La capacidad de cómputo es el otro presupuesto. Un modelo neuronal que necesita una fracción de milisegundo por trama puede ejecutarse en cada portátil de una reunión; uno que necesita la mayor parte de un núcleo de CPU, no. Para ver cómo gastan el resto del presupuesto de retardo los búferes de jitter y los códecs, consulte nuestras estadísticas de búfer de jitter VoIP y calidad de voz.
| Métrica | Valor | Fuente |
|---|---|---|
| Retardo unidireccional boca-oído para una interactividad esencialmente transparente vs techo para la planificación general de redes | Por debajo de 150 ms vs 400 ms | ITU-T G.114 (05/2003) |
| Límite de latencia algorítmica del AEC Challenge, ICASSP 2021 | Como máximo 40 ms (se permitía una trama de 20 ms con paso de 10 ms, 30 ms) | Microsoft, artículo del AEC Challenge de ICASSP 2021 |
| Límite de latencia del AEC Challenge, ICASSP 2023 | 20 ms de latencia algorítmica más latencia de búfer | Repositorio AEC-Challenge de Microsoft |
| Límite de cómputo del AEC Challenge, ICASSP 2023 | Factor de tiempo real de como máximo 0,5 en un Intel Core i5 de cuatro núcleos a 2,4 GHz, un solo hilo | Microsoft, artículo del AEC Challenge de ICASSP 2023 |
| Modelo de Microsoft a 20 ms vs ganador del desafío de 2022 a 40 ms: MOS de eco del extremo lejano; MOS de eco en double talk | 4,65 vs 4,66; 4,68 vs 4,68 | Microsoft, artículo del AEC Challenge de ICASSP 2023 |
| Modelo completo DeepVQE vs modelo pequeño DeepVQE-S: parámetros y tiempo de CPU por trama | 7,5M y 3,66 ms vs 0,59M y 0,14 ms (factor de tiempo real 0,014) | Microsoft, DeepVQE, Interspeech 2023 |
| Cancelador de eco lineal combinado con supresor neuronal de eco residual, propuesta del desafío a 16 kHz | 5,5% de un núcleo Intel i7-8565U, 0,55 ms por trama de 10 ms | Amazon Web Services, control de eco PercepNet, arXiv 2021 |
Datos más recientes disponibles para los límites del desafío: Microsoft, 2023. El repositorio AEC-Challenge sigue listando ICASSP 2023 como la última edición, por lo que estas siguen siendo las reglas de referencia públicas más recientes de esa serie.
4. Clasificaciones del AEC Challenge, de 2021 a 2023
El AEC Challenge de Microsoft es lo más parecido que tiene el sector a una tabla de clasificación pública. Las propuestas son valoradas por oyentes de crowdsourcing en una escala de 1 a 5 (MOS para la calidad de la voz del extremo cercano, DMOS, una puntuación de degradación, para el eco y otros artefactos). En INTERSPEECH 2021, la propuesta con mayor puntuación obtuvo una media de 4,43 frente a 3,87 de la línea base (las cuatro primeras quedaron empatadas estadísticamente, así que Microsoft las ordenó por complejidad computacional), y casi toda la mejora vino de la eliminación del eco y del double talk (el escenario en el que los canceladores antiguos dejan pasar el eco o recortan al hablante del extremo cercano), no de la calidad de la voz del extremo cercano, que solo pasó de 4,18 a 4,25.
Los conjuntos de datos crecieron en cada ronda: más de 2.500 entornos y dispositivos reales para ICASSP 2021 (Microsoft, artículo del AEC Challenge de ICASSP 2021), 5.000 para INTERSPEECH 2021 y más de 10.000 para la ronda de 2023 (la cifra de 2022 difiere entre los artículos de Microsoft, véase la Metodología). Siguen faltando datos públicos sobre la frecuencia con que el eco llega realmente a los usuarios en llamadas de producción: los artículos de Microsoft describen el eco solo como “una de las principales fuentes de malas valoraciones de la calidad de la voz”, sin un porcentaje.
| Métrica | Valor | Fuente |
|---|---|---|
| ICASSP 2021: línea base vs sistema en primer lugar, media de las cuatro pruebas subjetivas | 3,68 vs 4,11 (17 propuestas) | Amazon Web Services, control de eco PercepNet, arXiv 2021 |
| ICASSP 2021: línea base vs sistema en primer lugar, degradación de la voz del extremo cercano durante el double talk (DMOS) | 3,28 vs 4,07 | Amazon Web Services, control de eco PercepNet, arXiv 2021 |
| INTERSPEECH 2021: propuesta con mayor puntuación (ERCESI) vs línea base, puntuación media | 4,43 vs 3,87 | Microsoft, resultados del AEC Challenge de INTERSPEECH 2021 |
| INTERSPEECH 2021: propuesta con mayor puntuación vs línea base, DMOS de eco en habla única del extremo lejano; DMOS de otras degradaciones en double talk | 4,59 vs 3,82; 4,18 vs 3,45 | Microsoft, resultados del AEC Challenge de INTERSPEECH 2021 |
| INTERSPEECH 2021: equipos clasificados con una media superior a la línea base | 10 de 14 (contado a partir de la tabla de resultados) | Microsoft, resultados del AEC Challenge de INTERSPEECH 2021 |
| ICASSP 2022: propuestas; diferencia entre móvil y escritorio en la degradación durante el double talk | 18 propuestas; móvil inferior en 0,75 MOS | Microsoft, artículo del AEC Challenge de ICASSP 2022 |
| ICASSP 2023: propuestas; puntuación ganadora y tamaño del modelo | 20 propuestas (17 no personalizadas, 3 personalizadas); 0,854 con 1,5M de parámetros | Microsoft, artículo del AEC Challenge de ICASSP 2023 |
| ICASSP 2023: línea base vs ganador, puntuación final y precisión de palabras en el reconocimiento de voz | 0,736 vs 0,852; 64,9% vs 82,3% | Microsoft, DeepVQE, Interspeech 2023 |
Nota de contexto: la puntuación final de 2023 es un compuesto de 0 a 1 que promedia cinco puntuaciones subjetivas reescaladas con la precisión de palabras, por lo que no es comparable con las medias de MOS de 2021. Los dos artículos de Microsoft imprimen puntuaciones ganadoras de 2023 ligeramente distintas (véase la Metodología). Datos más recientes disponibles: Microsoft, 2023.
5. Medir el Eco: Por Qué el ERLE Perdió Terreno frente a las Métricas Perceptuales
El ERLE (echo return loss enhancement, o mejora de la pérdida de retorno de eco) es el número de decibelios que un cancelador de eco elimina de la señal del micrófono. Es fácil de calcular, por lo que aún encabeza las hojas de datos, pero el ERLE se correlaciona con las valoraciones de oyentes con solo 0,31 (Pearson), porque un cancelador puede lograr un ERLE enorme silenciando la línea y destruyendo la voz del hablante del extremo cercano. El PESQ, una métrica intrusiva más antigua de calidad de voz que compara la salida con una referencia limpia, lo hace mejor, con 0,67.
El AECMOS, el estimador neuronal de Microsoft, no necesita una referencia limpia y predice las puntuaciones de eco y de degradación que darían los oyentes. El cambio práctico: los equipos ahora pueden clasificar modelos sin pagar una prueba de escucha cada vez. Eso importa a quien alguna vez haya comparado dispositivos en un laboratorio en lugar de en salas reales, una brecha que tratamos en nuestras estadísticas de pruebas acústicas en cámara anecoica.
| Métrica | Valor | Fuente |
|---|---|---|
| ERLE vs valoraciones subjetivas: correlación de Pearson (PCC) y de Spearman (SRCC) | 0,31 y 0,23 | Microsoft, artículo del AEC Challenge de ICASSP 2021 |
| PESQ vs valoraciones subjetivas: PCC y SRCC | 0,67 y 0,57 | Microsoft, artículo del AEC Challenge de ICASSP 2021 |
| AECMOS (versión de 2023), correlación de Pearson con las valoraciones de oyentes: eco en habla única del extremo lejano; eco en double talk; otras degradaciones en double talk | 0,99 (SRCC 0,92); 0,99; 0,96 | Microsoft, artículo del AEC Challenge de ICASSP 2023 |
| Conjunto de entrenamiento original del AECMOS; votos de crowdsourcing por clip | 64.013 clips (145,8 horas); 5 votos por clip | Microsoft, artículo del AECMOS, ICASSP 2022 |
| Clasificación original del AECMOS: modelos clasificados; PCC por participante en eco de habla única del extremo lejano | 22 modelos (14 participantes, 4 modelos profundos y 4 de DSP de los autores); 0,996 | Microsoft, artículo del AECMOS, ICASSP 2022 |
| Precisión de palabras en el reconocimiento de voz vs puntuación subjetiva media entre las propuestas de ICASSP 2022 (PCC) | 0,85 | Microsoft, artículo del AEC Challenge de ICASSP 2022 |
| Oyentes por enunciado en las pruebas subjetivas de ICASSP 2021; intervalo de confianza del 95% | 10 oyentes; 0,01 MOS | Amazon Web Services, control de eco PercepNet, arXiv 2021 |
Nota sobre valores atípicos: las correlaciones por clip son mucho más débiles que las correlaciones por modelo. El artículo original del AECMOS informa un PCC por clip de 0,582 para el eco en double talk, por lo que la métrica es fiable para clasificar sistemas, no para juzgar una sola grabación.
6. Control de Eco Neuronal frente a Lineal: Lo Que Muestran los Enfrentamientos Directos
Los filtros adaptativos lineales modelan la trayectoria del eco como un sistema lineal, por lo que tienen dificultades con el eco distorsionado por un altavoz de portátil barato y sobrecargado. En los cinco primeros de ICASSP 2022, la mayoría de los sistemas neuronales se construyeron sobre un filtro lineal en lugar de sustituirlo. En una prueba de ByteDance, el WebRTC AEC3 eliminó unos 30 dB de eco mientras que un supresor neuronal residual alcanzó 40,8 dB, y el AEC3 llegó a empeorar la calidad de la voz en double talk respecto a no hacer nada con una relación señal-eco de 0 dB (eco tan fuerte como la voz del extremo cercano).
Trate las cifras de ERLE con la cautela explicada en la sección 5: un ERLE de 78,69 dB indica que la línea estuvo muy silenciosa durante la voz del extremo lejano, no que la voz del extremo cercano sobreviviera. Por el lado de los fabricantes, Microsoft afirma que el modelo de eco de Teams se entrenó con 30.000 horas de muestras de voz (Microsoft 365 Blog 2022, afirmación del propio fabricante), y sus investigadores de DeepVQE dicen que el modelo pequeño se probó en Teams para cientos de millones de usuarios.
| Métrica | Valor | Fuente |
|---|---|---|
| ERLE, habla única del extremo lejano con voz: filtro adaptativo lineal vs WebRTC AEC3 vs filtro adaptativo más supresor neuronal residual | 16,612 dB vs 29,976 dB vs 40,786 dB | ByteDance, supresión de eco residual, arXiv 2020 |
| ERLE, habla única del extremo lejano con voz más música: WebRTC AEC3 vs supresor neuronal residual | 25,376 dB vs 43,144 dB | ByteDance, supresión de eco residual, arXiv 2020 |
| PESQ durante el double talk con relación señal-eco de 0 dB: sin procesar vs WebRTC AEC3 vs supresor neuronal residual | 1,908 vs 1,610 vs 2,816 | ByteDance, supresión de eco residual, arXiv 2020 |
| ERLE: Speex vs WebRTC vs filtro adaptativo combinado con una red neuronal recurrente | 25 dB vs 40 dB vs 68 dB | Ma et al., arXiv 2020 |
| Cancelador de eco LSTM de señal dual (DTLN-aec): mejora de MOS sobre la línea base del AEC Challenge; datos de entrenamiento | 0,30 MOS; 60 horas de escenarios de eco reales y sintéticos | Westhausen y Meyer, DTLN-aec, arXiv 2020 |
| Cinco mejores sistemas de ICASSP 2022: diseños híbridos lineal más neuronal; rango de parámetros | 3 de 5; de 1,5M a 55,5M de parámetros | Microsoft, artículo del AEC Challenge de ICASSP 2022 |
| Propuestas de ICASSP 2023: correlación de la puntuación final con el tamaño del modelo; con el uso de un diseño híbrido (PCC) | -0,54; 0,10 | Microsoft, artículo del AEC Challenge de ICASSP 2023 |
| Cancelador de eco neuronal de extremo a extremo (enero de 2026): ERLE con enmascaramiento por detección de voz; parámetros; mejora media de MOS con una estrategia de entrenamiento | 78,69 dB; 1,2M de parámetros; 4,31 a 4,38 | Alibaba Tongyi Lab, E2E-AEC, arXiv 2026 |
Nota de contexto: estos resultados proceden de conjuntos de prueba distintos, por lo que clasifican los métodos dentro de cada artículo, no entre artículos. Datos más recientes disponibles para las comparaciones de AEC3 y Speex: ByteDance y Ma et al., 2020.
Resumen: Cancelación de Eco Acústico en Cifras
| Métrica | Valor | Fuente |
|---|---|---|
| Tiempo de convergencia en la Prueba 2A de la G.168 | Aproximadamente 1 s más el retardo de la trayectoria del eco | ITU-T G.168 (04/2015) |
| Pérdida de acoplamiento del terminal ponderada de headsets, cualquier volumen vs nominal | Al menos 46 dB vs al menos 55 dB | 3GPP TS 26.131 (Rel-19) |
| Pérdida de eco de la red en el punto de interconexión | Al menos 46 dB | 3GPP TS 26.132 (Rel-19) |
| Categorías de double talk de manos libres | 5; la categoría 1 atenúa la voz enviada como máximo 3 dB | HEAD acoustics, describiendo la ITU-T P.340 |
| Recomendación de terminales de manos libres, última edición | P.340 (07/2026) | Resumen de la ITU-T P.340 de 2026 |
| Retardo unidireccional para una interactividad transparente | Por debajo de 150 ms | ITU-T G.114 (05/2003) |
| Límite de latencia del AEC Challenge, 2023 | 20 ms de latencia algorítmica más latencia de búfer | Repositorio AEC-Challenge de Microsoft |
| ERLE vs valoraciones de oyentes | PCC 0,31 | Microsoft, artículo del AEC Challenge de ICASSP 2021 |
| AECMOS vs valoraciones del eco del extremo lejano | PCC 0,99 | Microsoft, artículo del AEC Challenge de ICASSP 2023 |
| Conjunto de entrenamiento original del AECMOS | 64.013 clips, 145,8 horas | Microsoft, artículo del AECMOS, ICASSP 2022 |
| Línea base vs ganador de ICASSP 2021 | 3,68 vs 4,11 | Amazon Web Services, control de eco PercepNet, arXiv 2021 |
| Propuesta con mayor puntuación de INTERSPEECH 2021 vs línea base | 4,43 vs 3,87 | Microsoft, resultados del AEC Challenge de INTERSPEECH 2021 |
| Móvil vs escritorio, degradación durante el double talk | Móvil inferior en 0,75 MOS | Microsoft, artículo del AEC Challenge de ICASSP 2022 |
| Tiempo de CPU por trama de DeepVQE-S | 0,14 ms (factor de tiempo real 0,014) | Microsoft, DeepVQE, Interspeech 2023 |
| WebRTC AEC3 vs supresor neuronal residual, ERLE | 29,976 dB vs 40,786 dB | ByteDance, supresión de eco residual, arXiv 2020 |
| Speex vs WebRTC vs RNN híbrida, ERLE | 25 dB vs 40 dB vs 68 dB | Ma et al., arXiv 2020 |
| Mejora de DTLN-aec sobre la línea base del desafío | 0,30 MOS | Westhausen y Meyer, DTLN-aec, arXiv 2020 |
| AEC neuronal de extremo a extremo, ERLE (2026) | 78,69 dB con 1,2M de parámetros | Alibaba Tongyi Lab, E2E-AEC, arXiv 2026 |
Metodología y Fuentes
- ITU-T: G.168, Digital network echo cancellers (04/2015, Corrigendum 12/2022), G.167, Acoustic echo controllers (03/1993, retirada), resumen de la 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) y TS 26.132, Speech and video telephony terminal acoustic test specification (Rel-19)
- HEAD acoustics: hoja de datos ACOPT 32 Speech-based Double Talk (reproduce las categorías de la ITU-T P.340)
- Microsoft Research: artículo del AEC Challenge de ICASSP 2021, resultados del AEC Challenge de INTERSPEECH 2021, artículo del AEC Challenge de ICASSP 2022, artículo del AEC Challenge de ICASSP 2023, artículo del AECMOS, DeepVQE, Interspeech 2023, repositorio 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 y Su: Acoustic echo cancellation by combining adaptive digital filter and recurrent neural network (2020)
- Westhausen y 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 (enero de 2026)
- Microsoft 365 Blog: How Microsoft Teams uses AI and machine learning to improve calls and meetings (2022, afirmación del fabricante)
- Nota sobre los datos: ninguna plataforma ha publicado una tasa de eco en llamadas reales basada en telemetría, por lo que este informe no reporta ninguna; los artículos de Microsoft describen el eco solo de forma cualitativa, como una de las principales quejas. Las dos fuentes de Microsoft discrepan ligeramente sobre el ganador de 2023: el artículo del desafío de ICASSP 2023 indica la puntuación del primer lugar como 0,854, mientras que la tabla del artículo de DeepVQE indica el ganador del AEC como 0,852. Las fuentes de Microsoft también discrepan sobre el conjunto de datos de ICASSP 2022: el artículo de ICASSP 2022 habla de más de 10.000 entornos y dispositivos, mientras que el artículo de ICASSP 2023 lista 7.500 para esa ronda. Las correlaciones de 0,31 del ERLE y de 0,67 del PESQ son las mismas en los artículos del desafío de 2021, 2022 y 2023, lo que sugiere un único estudio de base y no tres mediciones independientes. Las correlaciones del AECMOS varían según la versión del modelo (el artículo de ICASSP 2022 informa un PCC de 0,828 para el eco del extremo lejano, el de 2023, 0,99). El artículo de INTERSPEECH 2021 dice que casi todos los participantes superaron la línea base, mientras que la tabla pública de resultados muestra 10 de 14 propuestas clasificadas por encima de la media de la línea base. Los valores de ERLE de las comparaciones de 2020 entre Speex y WebRTC proceden del propio conjunto de prueba y de la configuración de cada artículo. La mayor parte de los datos del AEC Challenge es de 2021 a 2023 porque el repositorio AEC-Challenge lista ICASSP 2023 como la última edición; el texto completo de la P.340 (07/2026) y el archivo Rel-20 de la 3GPP TS 26.132 son las próximas actualizaciones que revisar.
Última actualización: 24 de octubre de 2026. Actualizamos este informe trimestralmente, y la próxima revisión se espera cuando se publique el texto completo de la ITU-T P.340 (07/2026).