Los Deep Noise Suppression (DNS) Challenges de 2021 limitaron la latencia algorítmica total a 40 ms, mientras que un estudio de 2025 sobre audífonos inteligentes (hearables) ejecutó supresión neural de ruido con 1,25 ms de latencia algorítmica y 3,35 ms de extremo a extremo en un DSP de bajo consumo (Microsoft Research, artículo del DNS Challenge de Interspeech 2021; Dementyev et al., arXiv 2025). Los tamaños de modelo abarcan más de tres órdenes de magnitud: RNNoise usa 87.503 pesos y GTCRN reporta 23,7 mil parámetros, mientras que el mejor sistema de URGENT en Interspeech 2025 usó unos 102 millones. Las pruebas de escucha siguen exponiendo lo que las métricas de laboratorio pasan por alto: el PercepNet completo tuvo un PESQ menor que su variante sin posfiltro (2,54 vs 2,73), pero un MOS de oyentes mayor (4,05 vs 3,91). La supresión de ruido es la mitad de la historia del aislamiento de voz; la otra mitad, separar a un hablante de otros hablantes, se trata en nuestras estadísticas de separación del habla y efecto cóctel, y el lado comercial de estas herramientas está en nuestras estadísticas de software empresarial de cancelación de ruido. Reunimos datos de los artículos del DNS Challenge de Microsoft Research, de la ITU-T, del trabajo sobre RNNoise de Mozilla y Xiph.Org, de los artículos de DeepFilterNet, de los organizadores del desafío URGENT, de la documentación de Maxine de NVIDIA y de investigadores independientes de universidades y de la industria.
TL;DR
- Un supresor neural de 1,25 ms funcionó en un DSP de bajo consumo con 3,35 ms de latencia de extremo a extremo (Dementyev et al., artículo sobre hearables submilisegundo, arXiv 2025).
- RNNoise funciona con 87.503 pesos, alrededor del 1,3% de un núcleo x86 (Mozilla, artículo de RNNoise, MMSP 2018).
- GTCRN reporta 23,7 mil parámetros y 39,6 MMACs por segundo (Rong et al., GTCRN, ICASSP 2024).
- DeepFilterNet2 tiene 2,306 M de parámetros y un factor de tiempo real de 0,42 incluso en una Raspberry Pi 4 (Schröter et al., artículo de DeepFilterNet2, 2022).
- Un denoiser en GPU necesita 0,410 ms (p95) para procesar un cuadro de 10 ms en una GPU de portátil (NVIDIA, guía de rendimiento del Maxine AFX SDK, afirmación del fabricante).
- PercepNet obtuvo un MOS de oyentes de 4,05 frente a 3,40 de la entrada con ruido en VCTK (Valin et al., artículo de PercepNet, Interspeech 2020).
- El ganador de URGENT en Interspeech 2025 usó unos 102 millones de parámetros, unas 12 veces los 8,5 millones del baseline (Saijo et al., artículo del URGENT 2025 Challenge).
- Predecir por delante para llegar a 0 ms de latencia hizo caer el SI-SDR de 2,8341 dB a -3,6493 dB (Wang et al., IEEE/ACM TASLP 2022).
- ITU-T P.835, la prueba de tres calificaciones para supresores de ruido, tiene una nueva edición, P.835 (07/26) (página de la Recomendación ITU-T P.835, 2026).
- El URGENT Challenge de ICASSP 2026 reunió 80 inscripciones en la Pista 1 y participaciones válidas de 29 equipos (Li et al., artículo del URGENT Challenge de ICASSP 2026).
1. Presupuestos de Latencia: Cuánto Retraso Se Permite a la Supresión de Ruido en Tiempo Real
La latencia algorítmica es el retraso incorporado en el propio método (la longitud del cuadro de análisis más cualquier anticipación sobre el audio futuro), por lo que una CPU más rápida no puede eliminarla. El tiempo de procesamiento es aparte: un sistema en tiempo real solo tiene que terminar cada cuadro antes de que llegue el siguiente. Los DNS Challenges de 2021 limitaron la latencia algorítmica total a 40 ms, lo cual es generoso para los estándares de audífonos médicos y ajustado para un modelo que quiere ver el audio futuro.
Esos 40 ms se gastan antes incluso de que el audio salga del ordenador. En una llamada, el retraso del supresor se suma al de la cancelación de eco, los códecs y la red; el control de eco tiene su propio presupuesto y sus propios benchmarks, tratados en nuestras estadísticas de cancelación acústica de eco. La regla está detallada en el artículo del DNS Challenge de Interspeech 2021, y las cifras de diseño provienen del artículo de PercepNet y del artículo de DeepFilterNet3.
| Métrica | Valor | Fuente |
|---|---|---|
| Regla de tiempo real del DNS Challenge: latencia algorítmica total (cuadro + salto + anticipación) y tiempo de procesamiento por cuadro | 40 ms o menos; por debajo del tiempo del salto en un Intel Core i5 de cuatro núcleos a 2,4 GHz (un cuadro de 32 ms con salto de 16 ms, 48 ms, no cumple) | Microsoft Research, artículos del DNS Challenge de ICASSP 2021 e Interspeech 2021 |
| Ventana de análisis, salto y anticipación de RNNoise | ventanas de 20 ms, desplazamiento de 10 ms; anticipación de 10 ms | Mozilla, artículo de RNNoise, MMSP 2018; Xiph.Org, página de demostración de RNNoise, 2017 |
| Tamaño de cuadro y anticipación de PercepNet | cuadros de 10 ms, anticipación de 40 ms | Valin et al., artículo de PercepNet, Interspeech 2020 |
| Latencia algorítmica de DeepFilterNet3 | 40 ms (ventana de 20 ms, salto de 10 ms, 2 cuadros de anticipación) | Schröter et al., artículo de DeepFilterNet3, Interspeech 2023 |
| Diseño STFT de latencia muy baja: tamaños de ventana y latencia algorítmica resultante | ventana de entrada de 16 ms, ventana de salida de 4 ms, salto de 2 ms; latencia de 4 ms, o 2 ms con predicción de un cuadro por delante | Wang et al. (CMU, MERL), IEEE/ACM TASLP 2022 |
| Latencia algorítmica típica de la mejora del habla con ML vs objetivo para hearables | de 16 a 32 ms vs menos de 2 ms de extremo a extremo (alrededor de 1 ms o menos algorítmico) | Dementyev et al., artículo sobre hearables submilisegundo, arXiv 2025 |
| Efecto Denoiser v2 en GPU: tamaño de cuadro y umbral de liberación por cuadro (prueba del propio fabricante) | cuadros de 10 ms (160 muestras a 16 kHz); el tiempo de cuadro p95 debe mantenerse por debajo del presupuesto de 10 ms | NVIDIA, guía de rendimiento del Maxine AFX SDK para Windows (afirmación del fabricante) |
Datos más recientes disponibles para la regla del desafío: 2021; las ediciones posteriores del DNS remiten sus definiciones en milisegundos al sitio web del desafío. Datos más recientes disponibles para RNNoise y PercepNet: artículos de 2018 y 2020.
2. Cómputo y Tamaño del Modelo: De 23,7 Mil Parámetros a 8 Millones
GTCRN reporta 23,7 mil parámetros, mientras que PercepNet usa 8 millones de pesos y unos 800 MMACS, aproximadamente 340 veces más pesos (8.000.000 / 23.700) para un modelo que también funciona en tiempo real. El factor de tiempo real (RTF) es el tiempo de procesamiento dividido entre la duración del audio, de modo que un RTF inferior a 1 significa que el modelo sigue el ritmo del audio en vivo.
La lectura práctica: el cómputo ya no es lo que impide la supresión neural en un portátil. RNNoise necesitaba alrededor del 1,3% de un núcleo en una CPU de portátil de la era Haswell y PercepNet menos del 5% de un núcleo. La cuestión abierta son los teléfonos, los auriculares inalámbricos y los DSP, donde un RTF de 0,42 en una Raspberry Pi 4 todavía deja poco margen. Las cifras provienen del artículo de RNNoise, del artículo de DeepFilterNet2 y de la página del artículo de GTCRN.
| Métrica | Valor | Fuente |
|---|---|---|
| Tamaño y carga de CPU de RNNoise | 87.503 pesos; unos 40 MFLOPS; alrededor del 1,3% de un núcleo Intel i7-4800MQ, alrededor del 14% de un núcleo de Raspberry Pi 3 | Mozilla, artículo de RNNoise, MMSP 2018 |
| Archivo del modelo RNNoise con pesos de 8 bits vs floats de 32 bits, y velocidad | 85 kB vs 340 kB; unas 60 veces más rápido que el tiempo real en x86, unas 7 veces en una Raspberry Pi 3 | Xiph.Org, página de demostración de RNNoise, 2017 |
| Tamaño y carga de CPU de PercepNet | 8 millones de pesos; unos 800 MMACS; 5,2% de un núcleo Intel i7-8565U (cuadros de 10 ms), 4,1% (cuadros de 40 ms) | Valin et al., artículo de PercepNet, Interspeech 2020 |
| DeepFilterNet vs DeepFilterNet2: parámetros, cómputo, RTF en un Core i5-8250U | 1,778 M vs 2,306 M; 0,348 vs 0,356 GMACs; RTF 0,11 vs 0,04 (0,42 en una Raspberry Pi 4) | Schröter et al., artículo de DeepFilterNet2, 2022 |
| Tamaño y cómputo de GTCRN | 23,7 mil parámetros; 39,6 MMACs por segundo | Rong et al., GTCRN, ICASSP 2024 |
| Tamaño y cómputo de UL-UNAS | 169 mil parámetros; 34 millones de MACs por segundo; 0 ms de anticipación | Rong et al., UL-UNAS, Neural Networks 2025 |
| Denoiser v2 en una GPU de portátil RTX 3500 Ada (medición del propio fabricante) | p95 de 0,410 ms por cuadro de 10 ms; rendimiento p50 de 26,74 veces el tiempo real; 215 MiB de memoria de GPU | NVIDIA, guía de rendimiento del Maxine AFX SDK para Windows (afirmación del fabricante) |
La documentación del denoiser de NVIDIA añade su propia salvedad: una entrada con una SNR inferior a 5 dB puede producir una salida distorsionada.
3. Puntuaciones de Calidad en Benchmarks: PESQ y DNSMOS para Modelos con Nombre
PESQ compara el audio procesado con una referencia limpia; DNSMOS es un modelo neural que predice lo que dirían los oyentes sin necesitar referencia. En el conjunto de prueba común VoiceBank+DEMAND, el PESQ subió de 1,97 para el habla ruidosa sin procesar a 3,17 para DeepFilterNet3, con RNNoise en la parte baja del grupo neural.
La fila de DNSMOS contiene la advertencia más útil. En el conjunto ciego DNS4, RNNoise redujo la puntuación prevista del habla (SIG) por debajo de la entrada con ruido mientras elevaba la puntuación global, que es el compromiso clásico: menos ruido, voz ligeramente dañada. El propio artículo de PercepNet muestra el problema inverso para el PESQ, en el que la versión que más gustó a los oyentes tuvo un PESQ menor. Datos del artículo de DeepFilterNet3 y del artículo de UL-UNAS.
| Métrica | Valor | Fuente |
|---|---|---|
| PESQ en VoiceBank+DEMAND: entrada con ruido vs RNNoise vs DeepFilterNet2 (con posfiltro) | 1,97 vs 2,33 vs 3,03 | Schröter et al., artículo de DeepFilterNet2, 2022 |
| PESQ y STOI de DeepFilterNet3 en VoiceBank+DEMAND | 3,17 y 0,944 | Schröter et al., artículo de DeepFilterNet3, Interspeech 2023 |
| DNSMOS en el conjunto ciego DNS4, habla (SIG) y global (OVRL): ruidoso vs RNNoise vs DeepFilterNet2 | SIG 4,144 vs 3,884 vs 4,196; OVRL 3,291 vs 3,378 vs 3,882 | Schröter et al., artículo de DeepFilterNet2, 2022 |
| PESQ en VCTK-DEMAND: GTCRN vs UL-UNAS entrenado con pérdida de PESQ | 2,87 vs 3,09 | Rong et al., UL-UNAS, Neural Networks 2025 |
| PESQ en el conjunto ciego DNS3 y anticipación: GTCRN vs LiSenNet vs UL-UNAS | 2,10 (0 ms) vs 2,23 (32 ms) vs 2,28 (0 ms) | Rong et al., UL-UNAS, Neural Networks 2025 |
| PESQ-WB de PercepNet con vs sin su posfiltro | 2,54 vs 2,73 | Valin et al., artículo de PercepNet, Interspeech 2020 |
| MOS P.808 de oyentes en VCTK a 48 kHz: ruidoso vs RNNoise vs PercepNet | 3,40 vs 3,70 vs 4,05 | Valin et al., artículo de PercepNet, Interspeech 2020 |
Contexto: VoiceBank+DEMAND es un conjunto de prueba pequeño y en su mayor parte sintético, de modo que estas clasificaciones dicen más sobre el progreso relativo que sobre las llamadas reales. La fila de DNS3 es la que deben notar los lectores interesados en la latencia: un modelo con anticipación cero (2,28) puntuó por encima de un modelo con 32 ms de anticipación (2,23) en PESQ.
4. Resultados de los Desafíos: DNS de 2021 a 2023 y URGENT de 2025 a 2026
Los resultados de los desafíos de 2020 a 2026 muestran que las mejoras medidas sobre la entrada con ruido siguen siendo pequeñas, incluso para los ganadores. En ICASSP 2021, el mejor modelo superó a la entrada con ruido en solo 0,53 DMOS (diferencia en la puntuación media de opinión), que los organizadores situaron en un MOS absoluto de 3,38, y solo la mitad de las propuestas superó el baseline. La supresión personalizada, que Teams ofrece como aislamiento de voz, registra una muestra de la voz del usuario y también elimina a otros hablantes; en la pista personalizada de ICASSP 2022, ningún equipo mejoró la puntuación del habla. En Teams, el aislamiento de voz está activado de forma predeterminada en la política de administración y el perfil de voz se almacena en el dispositivo del usuario (Microsoft Learn, página de administración del aislamiento de voz de Teams, actualizada en 2026).
URGENT (mejora del habla “universal”) es más amplio que la supresión de ruido: añade reverberación, recorte de señal (clipping), pérdidas de códec, pérdida de paquetes y ruido de viento, y acepta entradas de 8 a 48 kHz. Sus resultados de 2025 muestran el tamaño del modelo moviéndose en dirección opuesta a la de la sección 2. Fuentes: artículo del DNS de ICASSP 2021, artículo del DNS de ICASSP 2022, artículo del DNS de ICASSP 2023, artículo de URGENT 2025 y artículo de URGENT 2026.
| Métrica | Valor | Fuente |
|---|---|---|
| Pista de tiempo real del DNS de Interspeech 2020: puesto de PercepNet y MOS P.808 vs ruidoso y baseline | 2.º puesto; 3,52 vs 3,01 vs 3,03 | Valin et al., artículo de PercepNet, Interspeech 2020 |
| Pista 1 del DNS de ICASSP 2021: equipos y mejor resultado vs entrada con ruido | 16 equipos; mejor modelo 0,53 DMOS por encima del ruidoso (MOS absoluto de 3,38); la mitad de las propuestas superó el baseline | Microsoft Research, artículo del DNS Challenge de ICASSP 2021 |
| DNS de Interspeech 2021: mejor MOS global vs techo con eliminación perfecta del ruido; puntuaciones del habla | Alrededor de 3,78 vs 3,92; la mayoría de los equipos, salvo los dos primeros, puntuó por debajo del ruidoso en el MOS del habla | Microsoft Research, artículo del DNS Challenge de Interspeech 2021 |
| Pista personalizada (aislamiento de voz) de ICASSP 2022: duración del registro y resultado vs ruidoso | 2,5 minutos por hablante; ningún equipo mejoró el SIG; precisión de palabras 2% peor | Microsoft Research, artículo del DNS Challenge de ICASSP 2022 |
| DNS de ICASSP 2023: propuestas y mejora de puntuación (Score) del ganador sobre el conjunto ciego ruidoso, auriculares con micrófono vs altavoz | 11 y 11 propuestas; 0,145 vs 0,141 | Microsoft Research, artículo del DNS Challenge de ICASSP 2023 |
| URGENT de Interspeech 2025: propuestas y tamaño del sistema ganador vs baseline | 32 propuestas; unos 102 millones vs unos 8,5 millones de parámetros | Saijo et al., artículo del URGENT Challenge de Interspeech 2025 |
| URGENT de Interspeech 2025: MOS del sistema puramente generativo, puesto global y precisión de caracteres en chino y japonés | El MOS más alto (3,69) pero en el puesto 13; 20,1% y 36,8% | Saijo et al., artículo del URGENT Challenge de Interspeech 2025 |
| URGENT de ICASSP 2026: inscripciones en la Pista 1, equipos válidos, tamaño de la prueba ciega | 80 inscripciones; 29 equipos con participaciones válidas en ambas pistas; 840 muestras, incluidos 5 idiomas no vistos | Li et al., artículo del URGENT Challenge de ICASSP 2026 |
El techo de 3,92 en la fila de Interspeech 2021 es un cálculo de los propios organizadores: si el ruido se calificara con un 5 perfecto y el habla siguiera tan buena como en el fragmento ruidoso, el MOS global alcanzaría como máximo ese valor. En 2021 los ganadores ya habían eliminado la mayor parte del ruido y la brecha restante estaba en la calidad del habla. La puntuación (Score) de ICASSP 2023 es 0,5 x [WAcc + 0,25 x (OVRL - 1)], por lo que pondera por igual la precisión de palabras y la calidad percibida por los oyentes.
5. Medir la Calidad: ITU-T P.835, P.808 y DNSMOS
ITU-T P.835 pide a los oyentes tres calificaciones separadas: la señal de habla (SIG), el ruido de fondo (BAK) y la calidad global (OVRL). Esa división importa para la supresión de ruido porque un modelo puede ganar en ruido y perder en voz en el mismo fragmento. DNSMOS siguió las calificaciones humanas con un PCC de 0,93 por modelo, frente a 0,78 del PESQ y apenas 0,23 del SDR, y por eso los organizadores del DNS entrenaron una métrica con calificaciones de oyentes en lugar de depender del PESQ.
El problema es la granularidad. La versión P.835 de DNSMOS es mucho más débil en un solo fragmento que promediada sobre un modelo completo, así que conviene tratar la cifra de DNSMOS de un solo fragmento como una pista, no como un veredicto. La misma lógica se aplica a las voces sintéticas, tratadas en nuestras estadísticas de MOS de naturalidad del habla sintética. Fuentes: página de ITU-T P.835, página de ITU-T P.808, artículo de DNSMOS y artículo de DNSMOS P.835.
| Métrica | Valor | Fuente |
|---|---|---|
| Ediciones de ITU-T P.835 | P.835 (07/26) vigente, prepublicada; P.835 (11/03) sustituida | Página de la Recomendación ITU-T P.835, consultada en octubre de 2026 |
| Ediciones de ITU-T P.808 | P.808 (06/21) vigente; P.808 (06/18) sustituida | Página de la Recomendación ITU-T P.808, consultada en octubre de 2026 |
| Correlación de DNSMOS con los oyentes por modelo (PCC) vs PESQ, POLQA, SDR; OVRL de DNSMOS P.835, nivel de modelo vs fragmento individual | 0,93 vs 0,78, 0,79, 0,23; 0,98 vs 0,82 | Reddy et al., Microsoft, artículos DNSMOS (2020) y DNSMOS P.835 (2021) |
| Pruebas de escucha de PercepNet: muestras de VCTK y oyentes por muestra; oyentes por fragmento en la prueba del DNS | 824 muestras, 8 oyentes cada una (IC del 95% 0,04); 10 oyentes cada una (IC del 95% 0,02) | Valin et al., artículo de PercepNet, Interspeech 2020 |
| Método y alcance de la prueba subjetiva de URGENT 2025 | calificación por categoría absoluta ITU-T P.808 en Amazon Mechanical Turk; solo datos en inglés | Saijo et al., artículo del URGENT Challenge de Interspeech 2025 |
| Pruebas de escucha de URGENT de ICASSP 2026 y datos de predicción de MOS | Los 6 mejores sistemas calificados con P.808 ACR y CCR; 8.000 muestras anotadas con MOS de 16 sistemas | Li et al., artículo del URGENT Challenge de ICASSP 2026 |
La revisión de P.835 es lo más reciente aquí: la edición de 2003 fue sustituida por P.835 (07/26), y su título ahora abarca terminales “que ofrecen funcionalidad de supresión de ruido”. Su texto completo aún no era público cuando lo consultamos, así que los posibles cambios en el método no se reflejan en las cifras anteriores.
6. El Equilibrio entre Latencia y Calidad
Reducir la latencia cuesta calidad y cómputo al mismo tiempo. En un estudio de 2025 sobre hearables, un modelo de 1 ms necesitó 840 MIPS mientras que un modelo de solapamiento y suma de 16 ms necesitó 105 MIPS, y el modelo de 16 ms aun así puntuó más alto (OVRL de DNSMOS 2,35 vs 2,13 en CHiME-2). Un estudio anterior de CMU y MERL encontró el mismo patrón para el PESQ y mostró que intentar predecir por delante del audio para llegar a 0 ms hunde el SI-SDR.
La respuesta del estudio sobre hearables fue cambiar el filtro de salida en lugar de reducir la ventana: un diseño FIR de fase mínima mantuvo el SI-SDR aproximadamente estable de 0,32 a 1,25 ms y redujo la latencia de extremo a extremo de 7,1 ms a 3,35 ms. El chat en vivo tolera mucho más retraso que los hearables, pero la latencia del supresor se suma a todas las demás etapas, por ejemplo cuando se apilan efectos en una cadena de cambiador de voz para Discord. Datos del artículo sobre hearables y del artículo sobre STFT de latencia muy baja.
| Métrica | Valor | Fuente |
|---|---|---|
| OVRL de DNSMOS en CHiME-2: sin procesar vs modelo de 1 ms vs 2 ms vs 4 ms vs 16 ms | 1,3 vs 2,13 vs 2,25 vs 2,28 vs 2,35 | Dementyev et al., artículo sobre hearables submilisegundo, arXiv 2025 |
| SI-SDR en CHiME-2: modelo de 1 ms vs 2 ms vs 16 ms | 8,0 dB vs 11,10 dB vs 12,98 dB | Dementyev et al., artículo sobre hearables submilisegundo, arXiv 2025 |
| Cómputo del modelo de 1 ms vs el modelo de solapamiento y suma de 16 ms | 840 MIPS vs 105 MIPS | Dementyev et al., artículo sobre hearables submilisegundo, arXiv 2025 |
| Modelo Deep FIR de 1,25 ms propuesto: parámetros, cómputo, latencia de extremo a extremo en un NXP i.MX RT600 | 626 mil parámetros; 376 MIPS; 3,35 ms | Dementyev et al., artículo sobre hearables submilisegundo, arXiv 2025 |
| PESQ con un solo micrófono, sistema con ventana rectangular: sin procesar vs 4 ms vs 2 ms vs 0 ms (prediciendo por delante) | 1,44 vs 1,8997 vs 1,84575 vs 1,7138 | Wang et al. (CMU, MERL), IEEE/ACM TASLP 2022 |
| SI-SDR con un solo micrófono, sistema con ventana rectangular, a 4 ms vs 0 ms (prediciendo por delante) | 2,8341 dB vs -3,6493 dB | Wang et al. (CMU, MERL), IEEE/ACM TASLP 2022 |
| PESQ con seis micrófonos a 4 ms vs 2 ms (mismo sistema de dos etapas) | 2,698490 vs 2,47482 | Wang et al. (CMU, MERL), IEEE/ACM TASLP 2022 |
| Prueba de tamaño de ventana de DeepFilterNet: dónde las máscaras de razón compleja empiezan a perder calidad | ventanas de FFT de 20 ms o menos (el filtrado profundo se mantiene estable de 5 a 30 ms) | Schröter et al., artículo de DeepFilterNet, ICASSP 2022 |
Nota sobre valores atípicos: los modelos de 1 ms y menores del estudio sobre hearables no pudieron funcionar en tiempo real en el DSP de destino, por lo que sus cifras de extremo a extremo son estimaciones de los autores.
Resumen: Latencia de la Supresión Neural de Ruido y el Aislamiento de Voz con IA en Cifras
| Métrica | Valor | Fuente |
|---|---|---|
| Modelo Deep FIR para hearables funcionando en tiempo real en un DSP de bajo consumo | 1,25 ms algorítmico, 3,35 ms de extremo a extremo | Dementyev et al., arXiv 2025 |
| Tamaño de la prueba ciega de URGENT de ICASSP 2026 | 840 muestras, incluidos 5 idiomas no vistos | Li et al., artículo del URGENT Challenge de ICASSP 2026 |
| Pesos de RNNoise | 87.503 | Mozilla, artículo de RNNoise, MMSP 2018 |
| Parámetros y cómputo de GTCRN | 23,7 mil; 39,6 MMACs por segundo | Rong et al., GTCRN, ICASSP 2024 |
| Parámetros y anticipación de UL-UNAS | 169 mil; 0 ms | Rong et al., UL-UNAS, Neural Networks 2025 |
| PESQ en VoiceBank+DEMAND, ruidoso vs DeepFilterNet3 | 1,97 vs 3,17 | Schröter et al., artículos de DeepFilterNet2 y DeepFilterNet3 |
| Tiempo p95 de Denoiser v2 por cuadro de 10 ms en una GPU de portátil (afirmación del fabricante) | 0,410 ms | NVIDIA, guía de rendimiento del Maxine AFX SDK |
| MOS de oyentes de PercepNet vs ruidoso en VCTK | 4,05 vs 3,40 | Valin et al., artículo de PercepNet, Interspeech 2020 |
| Tamaño del ganador de URGENT 2025 vs baseline | Alrededor de 102 millones vs 8,5 millones de parámetros | Saijo et al., artículo del URGENT 2025 Challenge |
| Sistema generativo de URGENT 2025: MOS de oyentes vs puesto global | 3,69 (el más alto) vs 13.º | Saijo et al., artículo del URGENT 2025 Challenge |
| Equipos válidos en URGENT de ICASSP 2026 | 29 | Li et al., artículo del URGENT Challenge de ICASSP 2026 |
| PESQ con un solo micrófono a 4 ms vs 0 ms de latencia | 1,8997 vs 1,7138 | Wang et al., IEEE/ACM TASLP 2022 |
| Edición más reciente de ITU-T P.835 | P.835 (07/26), vigente (prepublicada) | Página de la Recomendación ITU-T P.835 |
| Edición vigente de ITU-T P.808 | P.808 (06/21) | Página de la Recomendación ITU-T P.808 |
| Tamaño del modelo RNNoise con pesos de 8 bits | 85 kB | Xiph.Org, página de demostración de RNNoise, 2017 |
| Velocidad de RNNoise en x86 | Unas 60 veces más rápido que el tiempo real | Xiph.Org, página de demostración de RNNoise, 2017 |
Metodología y Fuentes
- Microsoft (artículos de Microsoft Research y documentación de Learn): artículo del DNS Challenge de ICASSP 2021 (2020), artículo del DNS Challenge de Interspeech 2021 (2021), artículo del DNS Challenge de ICASSP 2022 (2022), artículo del DNS Challenge de ICASSP 2023 (2023), Reddy et al. DNSMOS (2020) y DNSMOS P.835 (2021), y la página de administración del aislamiento de voz de Teams (actualizada en 2026).
- ITU-T, Recomendación P.835 y Recomendación P.808, consultadas en octubre de 2026.
- Mozilla, artículo de RNNoise (MMSP 2018) y Xiph.Org, página de demostración de RNNoise (2017).
- Valin et al., artículo de PercepNet (Interspeech 2020).
- Schröter et al., DeepFilterNet (ICASSP 2022), DeepFilterNet2 (2022) y DeepFilterNet3 (Interspeech 2023).
- Rong et al., GTCRN (ICASSP 2024) y UL-UNAS (Neural Networks 2025).
- Wang et al. (CMU, MERL), STFT-Domain Neural Speech Enhancement with Very Low Algorithmic Latency (IEEE/ACM TASLP 2022).
- Dementyev et al., Towards Sub-millisecond Latency Real-Time Speech Enhancement Models on Hearables (arXiv v2, marzo de 2025).
- Saijo et al., URGENT Challenge de Interspeech 2025 (2025) y Li et al., URGENT Challenge de ICASSP 2026 (2026).
- NVIDIA, guía de rendimiento del Maxine AFX SDK y página del efecto denoiser (documentación del fabricante, etiquetada como afirmaciones del fabricante).
- Nota sobre los datos: la mayor parte de los datos del DNS Challenge es de 2020 a 2023; el artículo de ICASSP 2023 es el informe más reciente del DNS Challenge que encontramos, por lo que son los datos más recientes disponibles para esa serie de benchmarks. El PESQ de RNNoise en VoiceBank+DEMAND es 2,33 en la tabla de DeepFilterNet2, pero 2,29 en las tablas de PercepNet y UL-UNAS. GTCRN aparece con 23,7 mil parámetros y 39,6 MMACs en el resumen de ICASSP 2024, pero el artículo de UL-UNAS cita cifras actualizadas del repositorio de 48 mil parámetros y 34 MMACs. DeepFilterNet2 reporta un RTF de 0,04 y DeepFilterNet3 un RTF de 0,19 (un solo hilo) en el mismo Core i5-8250U, por lo que difieren los ajustes de hilos o de medición. El artículo sobre hearables da 0,32 ms en su resumen y 0,34 ms en su introducción para la latencia más corta. Los valores del artículo de baja latencia de CMU y MERL se citan con la precisión impresa en sus tablas. Las cifras de GPU del fabricante provienen de una sola GPU de portátil y no son garantías. Los valores de SIG, BAK y OVRL por equipo de las ediciones de 2022 y 2023 del DNS existen solo como gráficos, así que no los transcribimos. El texto completo de ITU-T P.835 (07/26) aún no era público.
Última actualización: 25 de octubre de 2026. Actualizamos este informe trimestralmente, y la próxima revisión se espera cuando estén disponibles las actas del URGENT Challenge de ICASSP 2026 y el texto publicado de ITU-T P.835 (07/26).