Un modelo de mejora del habla creado a propósito para explotar el PESQ obtuvo 3,82 en el conjunto de prueba VoiceBank-DEMAND, por encima de los 3,69 que reporta el mejor sistema legítimo de este informe, mientras que su puntuación de POLQA se desplomó a 1,46, frente a 3,11 de la entrada ruidosa sin tocar (de Oliveira et al., artículo de PESQetarian, Interspeech 2024). La carrera legítima también es real: el PESQ en el mismo benchmark subió de 2,16 para SEGAN en 2017 a 3,61 para PrimeK-Net en 2025. Aun así, el STOI, la métrica de inteligibilidad que suele imprimirse junto al PESQ, promedió una correlación de apenas 0,62 con la inteligibilidad medida en 13 conjuntos de datos de escucha (Edraki et al., IEEE/ACM TASLP 2020). Reunimos datos de la UIT-T, de artículos revisados por pares de Interspeech, ICASSP, IEEE SLT y WASPAA, de IEEE/ACM Transactions on Audio, Speech, and Language Processing, del Microsoft Deep Noise Suppression (DNS) Challenge y de los informes de los desafíos URGENT y CCF AATC. Para el lado de latencia y de producto de los mismos modelos, consulta nuestras estadísticas de latencia de supresión neuronal de ruido; esta página trata de las puntuaciones en sí y de cuánto fiarse de ellas.
TL;DR
- El PESQ en VoiceBank-DEMAND subió de 2,16 (SEGAN, 2017) a 3,41 (CMGAN, 2022) (Cao et al., artículo de CMGAN, Interspeech 2022).
- SEMamba alcanzó 3,55 de PESQ, y 3,69 al añadir estiramiento de contraste perceptual (Chao et al., IEEE SLT 2024).
- PrimeK-Net reportó 3,61 de PESQ con solo 1,41 millones de parámetros (artículo de PrimeK-Net, ICASSP 2025).
- PESQetarian alcanzó 3,82 de PESQ con un SI-SDR de -19,8 dB, frente a 8,4 dB de la entrada ruidosa (de Oliveira et al., Interspeech 2024).
- El STOI promedió una correlación de Pearson de 0,62 con la inteligibilidad medida en 13 conjuntos de datos, y el eSTOI, 0,88 (Edraki et al., IEEE/ACM TASLP 2020).
- La correlación del DNSMOS P.835 con la calidad del habla cayó de 0,94 por modelo a 0,71 por clip (Reddy et al., Microsoft, artículo de DNSMOS P.835, 2021).
- La brecha de generalización de ESTOI de Conv-TasNet en un corpus de habla no visto fue de -68% frente a un modelo de referencia con condiciones equivalentes (Gonzalez et al., IEEE/ACM TASLP 2023).
- El PESQ de ROSE-CD bajó de 3,49 en el dominio de entrenamiento a 2,62 fuera de dominio (Xu et al., WASPAA 2025).
- Las métricas sin referencia mostraron una correlación de rangos de -0,8 con el MOS de los oyentes para sistemas híbridos (Zhang et al., retrospectiva del CCF AATC 2025).
- La UIT-T suprimió el PESQ (P.862) el 5 de enero de 2024 (página de la recomendación UIT-T P.862).
1. La Carrera del PESQ en VoiceBank-DEMAND, de 2017 a 2025
El PESQ (Perceptual Evaluation of Speech Quality) compara una grabación mejorada con su original limpio y predice la nota que daría un oyente. VoiceBank-DEMAND, un pequeño conjunto de prueba en inglés con frases leídas mezcladas con ruido cotidiano grabado, se convirtió en el lugar habitual para reportarlo. El PESQ subió de 2,16 para SEGAN en 2017 a 3,69 para SEMamba con estiramiento de contraste perceptual en 2024, y el ritmo cuenta su propia historia.
De SEGAN (2,16) a MetricGAN+ (3,15), el campo sumó 0,99 puntos de PESQ en cuatro años. De CMGAN (3,41, 2022) a PrimeK-Net (3,61, 2025), sumó 0,20 en tres (resta nuestra a partir de las cifras publicadas). El benchmark está cerca de la saturación, así que las ganancias restantes son tan pequeñas que las técnicas complementarias y el entrenamiento consciente de la métrica pueden decidir la clasificación (véase la sección 5). Fuentes: artículo de CMGAN, artículo de SEMamba, artículo de PrimeK-Net.
| Métrica | Valor | Fuente |
|---|---|---|
| PESQ: conjunto de prueba ruidoso sin procesar vs SEGAN, un mejorador basado en GAN (2017) | 1,97 vs 2,16 | Cao et al., artículo de CMGAN, Interspeech 2022 |
| PESQ de MetricGAN+ (2021) y su mejora sobre MetricGAN | 3,15; alrededor de +0,3 | artículo de MetricGAN+, Interspeech 2021 |
| PESQ de CMGAN (2022) | 3,41 | Cao et al., artículo de CMGAN, Interspeech 2022 |
| PESQ de MP-SENet, eliminación de ruido en paralelo de magnitud y fase (2023) | 3,50 | artículo de MP-SENet, Interspeech 2023 |
| PESQ de SEMamba, no causal: sin vs con estiramiento de contraste perceptual | 3,55 vs 3,69 | Chao et al., artículo de SEMamba, IEEE SLT 2024 |
| PESQ de PrimeK-Net (2025) y su tamaño de modelo | 3,61; 1,41 millones de parámetros | artículo de PrimeK-Net, ICASSP 2025 |
Nota de contexto: son las cifras que reporta cada artículo en el mismo conjunto de prueba público, no resultados de una única reejecución independiente de todos los sistemas.
2. Qué Mide Realmente el Benchmark
La clasificación se apoya en una base estrecha. El conjunto de prueba VoiceBank-DEMAND tiene 824 enunciados de solo 2 hablantes no vistos, mezclados con 5 tipos de ruido con relaciones señal-ruido (SNR, cuánto más fuerte es el habla que el ruido) bastante suaves, de 2,5 a 17,5 dB. Ningún clip de prueba se mezcla por debajo de 2,5 dB, así que el extremo más difícil de las llamadas reales simplemente no se muestrea.
La inteligibilidad casi no deja margen de mejora. La entrada ruidosa ya marca 0,91 en STOI (Short-Time Objective Intelligibility, un predictor de cuánto del habla entendería un oyente), y CMGAN llega a 0,96. El tamaño de los modelos, por su parte, se redujo más de un orden de magnitud: SEGAN usaba 97,47 millones de parámetros, CMGAN 1,83 millones. Los benchmarks con voces superpuestas funcionan de otra manera, como muestran nuestras estadísticas de separación del habla. Fuente: artículo de CMGAN, secciones de conjunto de datos y resultados.
| Métrica | Valor | Fuente |
|---|---|---|
| Conjunto de entrenamiento: tamaño y condiciones de ruido | 11.572 enunciados de 28 hablantes; 8 tipos de ruido de DEMAND más 2 tipos de ruido artificial, con SNR de 0, 5, 10 y 15 dB | Cao et al., artículo de CMGAN, Interspeech 2022 |
| Conjunto de prueba: tamaño y condiciones de ruido | 824 enunciados de 2 hablantes no vistos; 5 tipos de ruido de DEMAND no vistos, con SNR de 2,5, 7,5, 12,5 y 17,5 dB | Cao et al., artículo de CMGAN, Interspeech 2022 |
| STOI: entrada ruidosa vs salida de CMGAN | 0,91 vs 0,96 | Cao et al., artículo de CMGAN, Interspeech 2022 |
| Puntuación compuesta de la señal de habla (CSIG) y puntuación global (COVL): entrada ruidosa vs salida de CMGAN | 3,35 y 2,63 vs 4,63 y 4,12 | Cao et al., artículo de CMGAN, Interspeech 2022 |
| Tamaño del modelo: SEGAN vs DEMUCS vs CMGAN | 97,47 millones vs 128 millones vs 1,83 millones de parámetros | Cao et al., artículo de CMGAN, Interspeech 2022 |
Nota de contexto: CSIG y COVL son medidas compuestas construidas a partir de varias métricas objetivas para predecir las valoraciones de los oyentes sobre la señal de habla y sobre la calidad global. Heredan los puntos ciegos de las métricas que combinan.
3. ¿Coinciden las Métricas de Calidad con los Oyentes Humanos?
La respuesta depende de si se promedia. Aquí la correlación se mide con el PCC (correlación de Pearson, acuerdo en valor), el SRCC (correlación de rangos de Spearman, acuerdo en orden) o el KRCC (correlación de rangos de Kendall, otra prueba de orden); 1,0 es acuerdo perfecto. El DNSMOS P.835, una red neuronal que predice las valoraciones de los oyentes sin una referencia limpia, alcanzó un PCC de 0,94 con las valoraciones de habla de los oyentes al promediar por modelo, pero de 0,71 en clips individuales.
El lado humano también es ruidoso. Dos rondas independientes de valoración P.808 sobre los mismos clips coincidieron con un PCC de apenas 0,5 aproximadamente por clip, así que el MOS de un solo clip (mean opinion score, el promedio de las valoraciones de los oyentes) es en sí mismo una cifra aproximada. Es una razón más para comparar sistemas, no archivos, y para tratar un único cambio de posición en la clasificación como evidencia débil. La misma cautela por clip se aplica a las voces sintéticas, que tratamos en nuestras estadísticas de MOS de naturalidad del habla sintética. Fuentes: artículo de DNSMOS P.835, artículo de DNSMOS, artículo del ICASSP 2022 DNS Challenge, artículo de NISQA.
| Métrica | Valor | Fuente |
|---|---|---|
| Puntuación de habla de DNSMOS P.835 (SIG) vs valoraciones de los oyentes: PCC por modelo vs por clip | 0,94 vs 0,71 | Reddy et al., Microsoft, artículo de DNSMOS P.835, 2021 |
| Puntuación de ruido de fondo de DNSMOS P.835 (BAK) vs valoraciones de los oyentes: PCC por modelo vs por clip | 0,98 vs 0,83 | Reddy et al., Microsoft, artículo de DNSMOS P.835, 2021 |
| Acuerdo entre dos rondas independientes de valoración humana P.808 sobre los mismos clips (PCC por clip) | alrededor de 0,5 | Reddy et al., Microsoft, artículo de DNSMOS, 2020 |
| DNSMOS P.835 vs valoraciones de los oyentes en la Pista 1 del ICASSP 2022 DNS Challenge, puntuación de habla: PCC vs SRCC | 0,93 vs 0,78 | Microsoft, artículo del ICASSP 2022 DNS Challenge |
| Correlación de rangos (SRCC) del DNSMOS original entre categorías del conjunto ciego del DNS Challenge 2: modelo de una etapa vs de varias etapas | 0,65 vs 0,90 | Reddy et al., Microsoft, artículo de DNSMOS, 2020 |
| NISQA, otro predictor neuronal de calidad: nuevos archivos de habla de entrenamiento y validación, y conjuntos de datos usados para entrenamiento y evaluación | más de 13.000 archivos; 81 conjuntos de datos | Mittag et al., artículo de NISQA, Interspeech 2021 |
| URGENT 2024: KRCC entre la puntuación global de clasificación del desafío y el ranking de MOS de los oyentes | 0,73 | Zhang, Saijo et al., artículo de lecciones de URGENT 2024, Interspeech 2025 |
Nota de contexto: el DNSMOS P.835 se entrenó con unos 30.000 clips valorados (75 horas), y el DNSMOS original con unos 120.000 clips. Las correlaciones por modelo se calcularon con 5 valoraciones por clip, y el análisis a nivel de clip usó 30 valoraciones por clip, de modo que las dos cifras de cada fila no provienen de configuraciones idénticas.
4. Métricas de Inteligibilidad: el STOI y sus Sucesores
El STOI se creó para responder una pregunta más acotada que la del PESQ: no cuán agradable suena el habla, sino cuántas palabras sobreviven. En 13 conjuntos de datos de escucha, el STOI promedió una correlación de Pearson de 0,62 con la inteligibilidad medida, mientras que la versión extendida, el eSTOI, promedió 0,88. En un conjunto de datos de habla con ruido de fuerte fluctuación, la correlación del STOI fue negativa (-0,77): la métrica se movió en el sentido equivocado.
La lectura práctica es que el STOI funciona mejor con el ruido estacionario y el enmascaramiento tiempo-frecuencia en torno a los que fue diseñado, y peor con habla en ruido intermitente y modulado, el que producen los hablantes que compiten y las salas llenas. Dato más reciente disponible: Edraki et al., IEEE/ACM TASLP 2020. Fuentes: Edraki et al. en PubMed Central, Taal et al., IEEE TASLP 2011.
| Métrica | Valor | Fuente |
|---|---|---|
| Duración del segmento de análisis del STOI | 386 ms | Taal et al., IEEE TASLP 2011 |
| Validación del STOI en su artículo original | 3 experimentos de escucha; mejor correlación que 5 modelos de inteligibilidad de referencia | Taal et al., IEEE TASLP 2011 |
| Correlación de Pearson media con la inteligibilidad medida en 13 conjuntos de datos, tras un mapeo logístico: STOI vs eSTOI vs HASPI vs wSTMI | 0,62 vs 0,88 vs 0,82 vs 0,93 | Edraki et al., IEEE/ACM TASLP 2020 |
| Correlación de rangos de Spearman media en los mismos 13 conjuntos de datos: STOI vs eSTOI | 0,59 vs 0,82 | Edraki et al., IEEE/ACM TASLP 2020 |
| Correlación de Pearson del STOI en un conjunto de datos de habla con ruido modulado (ModN-Fogerty) | -0,77 | Edraki et al., IEEE/ACM TASLP 2020 |
| Correlación de Pearson del STOI en un conjunto de datos de mejora de la escucha del lado del oyente (NELE-Taal) | 0,90 | Edraki et al., IEEE/ACM TASLP 2020 |
| Citas del artículo original del STOI | 2.265 | registro de OpenAlex, consultado el 31 de octubre de 2026 |
Nota sobre valores atípicos: wSTMI, el de mejor rendimiento, se entrenó y validó en dos de los 13 conjuntos de datos, así que su promedio no es del todo independiente del entrenamiento. HASPI es una métrica diseñada pensando en oyentes con pérdida auditiva, y eSTOI abandona la suposición del STOI de que las bandas de frecuencia son independientes.
5. La Ley de Goodhart: Cuando el PESQ Deja de Medir la Calidad
La ley de Goodhart dice que una medida que se convierte en objetivo deja de ser una buena medida. La mejora del habla ya tiene los datos para demostrarlo. PESQetarian, un modelo entrenado para maximizar el PESQ, obtuvo 3,82 en VoiceBank-DEMAND mientras que su SI-SDR (relación señal-distorsión invariante a la escala, cuán cerca está la forma de onda del original limpio) cayó a -19,8 dB, muy por debajo de los 8,4 dB de la entrada ruidosa sin procesar.
El efecto no se limita a un artículo. Un modelo de difusión de un paso de 2025 entrenado con una pérdida de PESQ alcanzó 3,99 de PESQ pero solo 0,40 dB de SI-SDR, mientras que la versión equilibrada de los autores obtuvo 3,49 de PESQ y 17,8 dB de SI-SDR. Incluso las técnicas legítimas mueven la cifra: el estiramiento de contraste perceptual, que refuerza el contraste de las características objetivo según su importancia perceptual, añadió 0,14 de PESQ a SEMamba (de 3,55 a 3,69, resta nuestra). La lección para compradores y revisores es simple: un récord de PESQ sin una prueba de escucha que lo respalde es una señal de alerta, no un titular. Fuentes: artículo de PESQetarian, artículo de ROSE-CD.
| Métrica | Valor | Fuente |
|---|---|---|
| PESQ: entrada ruidosa vs modelo entrenado solo con MSE vs PESQetarian | 1,97 vs 2,78 vs 3,82 | de Oliveira et al., artículo de PESQetarian, Interspeech 2024 |
| POLQA (el sucesor del PESQ en la UIT-T): entrada ruidosa vs modelo MSE vs PESQetarian | 3,11 vs 3,87 vs 1,46 | de Oliveira et al., artículo de PESQetarian, Interspeech 2024 |
| Puntuación global de DNSMOS: entrada ruidosa vs modelo MSE vs PESQetarian | 2,69 vs 3,13 vs 2,06 | de Oliveira et al., artículo de PESQetarian, Interspeech 2024 |
| PESQ tras añadir un único clic fijo a cada archivo de prueba ruidoso, sin eliminar ruido | 3,46 | de Oliveira et al., artículo de PESQetarian, Interspeech 2024 |
| Optimización directa en seis archivos: PESQ antes vs después, y POLQA antes vs después | de 1,91 a 3,76; de 3,46 a 2,73 | de Oliveira et al., artículo de PESQetarian, Interspeech 2024 |
| ROSE-CD entrenado con pérdida de PESQ vs ROSE-CD final: PESQ, SI-SDR y WV-MOS (un predictor neuronal de nota de oyente) | 3,99, 0,40 dB, 2,31 vs 3,49, 17,8 dB, 4,41 | Xu et al., artículo de ROSE-CD, WASPAA 2025 |
| Mejora de PESQ por el estiramiento de contraste perceptual en SEMamba | +0,14 (de 3,55 a 3,69) | Chao et al., artículo de SEMamba, IEEE SLT 2024 |
Nota de contexto: la prueba de escucha de PESQetarian usó 10 expertos en audio que valoraron 10 muestras de prueba aleatorias en una escala de 0 a 100, y el artículo reporta los resultados por sistema solo en una figura. PESQetarian es una prueba de estrés deliberada, no un producto.
6. Del Benchmark a las Grabaciones Reales: la Brecha de Generalización
Un modelo que gana con 2 hablantes de prueba no ha demostrado que pueda manejar los tuyos. Un estudio de 2023 entrenó 40 modelos por arquitectura con cinco bases de datos de habla, cinco de ruido y cinco de acústica de salas, y luego midió cada modelo frente a un modelo de referencia entrenado en la propia condición de prueba. Cuando el habla de prueba provenía de un corpus no visto, Conv-TasNet mostró una brecha de generalización de ESTOI de -68% frente a esa referencia, y el desajuste de habla perjudicó más que el de ruido o el de sala en todos los modelos.
El hallazgo alentador es que la generalización al ruido se puede resolver con datos: entrenar con cuatro bases de datos de ruido mantuvo la brecha de mejora de SNR en -5% o mejor. Una prueba fuera de dominio en un artículo de 2025 muestra que los modelos generativos más nuevos también pierden terreno. Fuentes: Gonzalez et al., artículo sobre la brecha de generalización, artículo de ROSE-CD, artículo del ICASSP 2021 DNS Challenge.
| Métrica | Valor | Fuente |
|---|---|---|
| Brecha de generalización de ESTOI con desajuste de corpus de habla, Conv-TasNet entrenado con 1 base de datos de habla | -68% | Gonzalez et al., IEEE/ACM TASLP 2023 |
| Brecha de generalización de PESQ con desajuste de corpus de habla: MANNER entrenado con 1 base de datos vs Conv-TasNet entrenado con 4 | -50% vs -35% | Gonzalez et al., IEEE/ACM TASLP 2023 |
| Brecha de mejora de SNR con desajuste de ruido y 4 bases de datos de ruido de entrenamiento (Conv-TasNet, DCCRN, MANNER) | -5% o mejor | Gonzalez et al., IEEE/ACM TASLP 2023 |
| Desajuste de acústica de sala con 1 base de datos de entrenamiento: brecha de PESQ de una red neuronal feedforward vs brecha de ESTOI de Conv-TasNet | -10% vs -17% | Gonzalez et al., IEEE/ACM TASLP 2023 |
| PESQ de ROSE-CD en VoiceBank-DEMAND vs fuera de dominio en TIMIT+NOISE92 | 3,49 vs 2,62 | Xu et al., artículo de ROSE-CD, WASPAA 2025 |
| PESQ de SGMSE+ (modelo de difusión) en VoiceBank-DEMAND vs fuera de dominio en TIMIT+NOISE92 | 2,93 vs 2,08 | Xu et al., artículo de ROSE-CD, WASPAA 2025 |
| Prueba ciega de la Pista 1 del ICASSP 2021 DNS Challenge: grabaciones reales vs clips sintéticos | 650 reales vs 50 sintéticos (700 clips) | Microsoft, artículo del ICASSP 2021 DNS Challenge |
Nota de contexto: la brecha de generalización se mide frente a un modelo de referencia entrenado en la condición de prueba, por lo que es una cifra relativa, no una caída absoluta de la puntuación de ESTOI o de PESQ. Las caídas brutas de ROSE-CD y SGMSE+, en cambio, mezclan datos no vistos con dificultad de la tarea, los dos efectos que el método del modelo de referencia está diseñado para separar. Los organizadores del DNS construyeron su prueba ciega sobre todo con grabaciones reales y la juzgaron con oyentes, señalando que se ha demostrado que medidas objetivas como PESQ, SDR y POLQA no se correlacionan bien con la calidad subjetiva en presencia de ruido de fondo.
7. Cómo Están Cambiando la Evaluación los Desafíos y los Estándares
La respuesta actual a la manipulación de métricas es un panel de evaluación más amplio. En URGENT 2024, el equipo que quedó primero en DNSMOS (3,26) terminó 18.º en el MOS de los oyentes (3,05), con una precisión de palabras de apenas 40,73%, mientras que el equipo líder combinó un MOS de 3,52 con 73,57% de precisión de palabras. La precisión de palabras significa aquí cuántas palabras sigue acertando un reconocedor de voz tras la mejora, una comprobación directa de que el modelo no inventó ni borró habla; nuestras estadísticas de alucinación en reconocimiento de voz tratan ese fallo desde el lado del reconocedor.
Los mejoradores híbridos y generativos agudizan el problema. Un desafío de restauración del habla de 2025 midió una correlación de rangos de -0,8 entre métricas sin referencia de uso extendido y el MOS de los oyentes para sistemas híbridos, lo que significa que la clasificación por métricas fue en gran medida opuesta a la humana. Los organismos de normalización también se han movido: el PESQ ya no es una recomendación de la UIT-T. Fuentes: retrospectiva del CCF AATC 2025, resumen de URGENT 2025, resumen de URGENT del ICASSP 2026, página de la UIT-T P.862, página de la UIT-T P.863.
| Métrica | Valor | Fuente |
|---|---|---|
| Prueba ciega y subconjunto de escucha de URGENT 2024 | 500 grabaciones simuladas más 500 reales; subconjunto de MOS de 300 muestras, 8 oyentes por muestra; 21 equipos | Zhang, Saijo et al., artículo de lecciones de URGENT 2024, Interspeech 2025 |
| Datos de entrenamiento de URGENT 2024 con ancho de banda declarado vs efectivo discordante | alrededor del 25% de LibriTTS; alrededor del 100% de LibriVox de DNS5 y CommonVoice 11.0 | Zhang, Saijo et al., artículo de lecciones de URGENT 2024, Interspeech 2025 |
| CCF AATC 2025: correlación de rangos entre métricas sin referencia y MOS de los oyentes para sistemas híbridos | -0,8 (25 sistemas analizados en el desafío) | Zhang et al., retrospectiva del CCF AATC 2025, arXiv 2025 |
| Conjunto de evaluación de URGENT 2025 | 14 métricas en 5 categorías; 7 tipos de distorsión; 5 idiomas de entrenamiento | Saijo et al., resumen de URGENT 2025, Interspeech 2025 |
| Datos de entrenamiento de la Pista 1 de URGENT del ICASSP 2026 | subconjunto curado de 700 horas del conjunto de 2.500 horas de URGENT 2025 | resumen del ICASSP 2026 URGENT Challenge |
| Estado del PESQ en la UIT-T | P.862 y partes P.862.1 a P.862.3 suprimidas el 5 de enero de 2024 | página de la recomendación UIT-T P.862 |
| Estado del POLQA en la UIT-T | P.863 (marzo de 2018) en vigor, con la Enmienda 1 (abril de 2020) | página de la recomendación UIT-T P.863 |
Nota de contexto: URGENT 2024 también señaló unas 2.000 etiquetas de habla en sus corpus de entrenamiento de “alta calidad” con valores negativos de WADA-SNR, una estimación ciega de la SNR, de modo que hay ruido de etiquetado dentro de las referencias limpias con las que se comparan métricas intrusivas como el PESQ.
Resumen: Benchmarks de PESQ y STOI en Mejora del Habla en Cifras
| Métrica | Valor | Fuente |
|---|---|---|
| PESQ en VoiceBank-DEMAND: SEGAN (2017) vs CMGAN (2022) | 2,16 vs 3,41 | Cao et al., artículo de CMGAN, Interspeech 2022 |
| PESQ en VoiceBank-DEMAND: SEMamba sin vs con estiramiento de contraste perceptual | 3,55 vs 3,69 | Chao et al., IEEE SLT 2024 |
| PESQ en VoiceBank-DEMAND y tamaño de PrimeK-Net | 3,61; 1,41 millones de parámetros | artículo de PrimeK-Net, ICASSP 2025 |
| STOI: entrada ruidosa vs salida de CMGAN | 0,91 vs 0,96 | Cao et al., artículo de CMGAN, Interspeech 2022 |
| PESQetarian: PESQ, SI-SDR y POLQA (entrada ruidosa entre paréntesis) | 3,82, -19,8 dB, 1,46 (1,97, 8,4 dB, 3,11) | de Oliveira et al., Interspeech 2024 |
| Variante de ROSE-CD con pérdida de PESQ: PESQ vs SI-SDR | 3,99 vs 0,40 dB | Xu et al., WASPAA 2025 |
| Correlación del STOI con la inteligibilidad medida: media en 13 conjuntos de datos (media del eSTOI entre paréntesis) vs conjunto de datos con ruido modulado | 0,62 (0,88) vs -0,77 | Edraki et al., IEEE/ACM TASLP 2020 |
| PCC de la puntuación de habla de DNSMOS P.835: por modelo vs por clip | 0,94 vs 0,71 | Reddy et al., Microsoft, artículo de DNSMOS P.835, 2021 |
| Brecha de generalización de ESTOI con corpus de habla no visto (Conv-TasNet) | -68% | Gonzalez et al., IEEE/ACM TASLP 2023 |
| Brecha de generalización de PESQ con corpus de habla no visto (MANNER, 1 base de datos de entrenamiento) | -50% | Gonzalez et al., IEEE/ACM TASLP 2023 |
| PESQ de ROSE-CD en dominio vs fuera de dominio | 3,49 vs 2,62 | Xu et al., WASPAA 2025 |
| URGENT 2024: posición en DNSMOS vs posición en MOS de los oyentes del mismo equipo | 1.º vs 18.º | Zhang, Saijo et al., Interspeech 2025 |
| PESQ tras añadir un único clic fijo a cada archivo de prueba ruidoso, sin eliminar ruido | 3,46 | de Oliveira et al., Interspeech 2024 |
| Métricas sin referencia vs MOS de los oyentes para sistemas híbridos (correlación de rangos) | -0,8 | Zhang et al., retrospectiva del CCF AATC 2025 |
| PESQ suprimido por la UIT-T | 5 de enero de 2024 | página de la recomendación UIT-T P.862 |
Metodología y Fuentes
- UIT-T, página de la recomendación P.862 (PESQ), estado actualizado el 9 de enero de 2024, y página de la recomendación P.863 (POLQA), consultada en octubre de 2026.
- Taal et al., An Algorithm for Intelligibility Prediction of Time-Frequency Weighted Noisy Speech, IEEE TASLP 2011 (resumen leído a través del registro de OpenAlex; recuento de citas de OpenAlex).
- Edraki, Chan, Jensen y Fogerty, Speech Intelligibility Prediction using Spectro-Temporal Modulation Analysis, IEEE/ACM TASLP 2020.
- Cao, Abdulatif y Yang, CMGAN: Conformer-based Metric GAN for Speech Enhancement, Interspeech 2022 (fuente de las cifras de SEGAN, DEMUCS y del conjunto de datos).
- MetricGAN+, Interspeech 2021; MP-SENet, Interspeech 2023; Chao et al., SEMamba, IEEE SLT 2024; PrimeK-Net, ICASSP 2025.
- de Oliveira, Welker, Richter y Gerkmann, The PESQetarian: On the Relevance of Goodhart’s Law for Speech Enhancement, Interspeech 2024.
- Xu, Yan y Kleijn, Robust One-step Speech Enhancement via Consistency Distillation (ROSE-CD), WASPAA 2025.
- Gonzalez, Alstrøm y May, Assessing the Generalization Gap of Learning-Based Speech Enhancement Systems, IEEE/ACM TASLP 2023.
- Artículos de investigación de Microsoft: Reddy, Gopal y Cutler, DNSMOS (2020) y DNSMOS P.835 (2021); artículos del ICASSP 2021 DNS Challenge y del ICASSP 2022 DNS Challenge.
- Mittag, Naderi, Chehadi y Möller, NISQA, Interspeech 2021.
- Zhang, Saijo et al., Lessons Learned from the URGENT 2024 Speech Enhancement Challenge, Interspeech 2025; Saijo et al., Interspeech 2025 URGENT Challenge; ICASSP 2026 URGENT Challenge overview (2026).
- Zhang, Zhu, Xu, Bu, Ling y Wu, The CCF AATC 2025 Speech Restoration Challenge: A Retrospective, arXiv 2025.
- Nota sobre los datos: las puntuaciones de VoiceBank-DEMAND aquí son las que reporta cada artículo, y las cifras de un mismo sistema pueden diferir entre artículos (MetricGAN+ tiene 3,15 en su propio artículo y 3,13 en la tabla de ROSE-CD). El artículo de ROSE-CD es internamente inconsistente: su tabla de resultados da al modelo final un PESQ de 3,49, mientras que su conclusión afirma 3,99, que coincide con la variante entrenada solo con pérdida de PESQ; reportamos 3,49 como el modelo final. Los recuentos de citas del artículo del STOI difieren según la fuente (2.265 en OpenAlex, 2.499 en Semantic Scholar, ambos consultados el 31 de octubre de 2026). Las correlaciones de las métricas de inteligibilidad provienen de un estudio de 2020 y son la comparación multiconjunto más reciente que encontramos. La UIT-T publicó en julio de 2026 una nueva edición de la P.835, el método de prueba de escucha detrás del DNSMOS P.835, y el artículo de URGENT del ICASSP 2026 todavía no imprime en el texto las correlaciones de sus predictores de calidad.
Última actualización: 31 de octubre de 2026. Actualizamos este informe trimestralmente, y la próxima revisión se espera cuando las actas del ICASSP 2026 URGENT Challenge publiquen las correlaciones de los predictores de calidad de su Pista 2.