La separación de voz con dos hablantes en el benchmark WSJ0-2mix pasó de unos 6 dB de ganancia de señal con deep clustering en 2015 a 25,1 dB de SI-SNRi en 2024 (Hershey et al., arXiv 2015; SepReformer, NeurIPS 2024), un salto que convirtió el ‘problema de la fiesta de cóctel’ de una curiosidad de laboratorio en funciones que ya llegan a audífonos y cascos con micrófono. La salvedad es que los benchmarks limpios favorecen a los modelos: Conv-TasNet cae de 15,3 dB en mezclas limpias a 8,3 dB cuando se añaden ruido y reverberación (artículo de MossFormer2, arXiv 2312.11825, tablas de comparación). La demanda es enorme, con 430 millones de personas que necesitan rehabilitación por pérdida de audición discapacitante (ficha informativa de la OMS, marzo de 2026). Reunimos datos de artículos revisados por pares en arXiv, IEEE ICASSP, Interspeech y NeurIPS, de los desafíos DNS y NOTSOFAR-1 de Microsoft, de Google Research, MERL, la OMS, la FDA, MarkeTrak 2025 y de los grupos de investigación de la Universidad de Washington y la Universidad de Columbia. Para el lado de consumo de esta misma tecnología, consulta nuestras estadísticas de separadores de audio con IA.
TL;DR
- Mejor resultado con dos hablantes en WSJ0-2mix: 25,1 dB de SI-SNRi (SepReformer-L con mezcla dinámica, NeurIPS 2024; TF-Locoformer L, MERL 2024).
- El deep clustering aportó unos 6 dB de mejora en mezclas de hablantes en 2015 (Hershey et al., arXiv 1508.04306).
- Conv-TasNet alcanzó 15,3 dB de SI-SNRi con 5,1 M de parámetros y una latencia mínima de 2 ms (Luo y Mesgarani, IEEE/ACM TASLP 2019).
- SepReformer-B llega a 23,8 dB con 39,8 GMACs/s frente a los 23,5 dB de TF-GridNet con 460,8 GMACs/s (SepReformer, NeurIPS 2024).
- SepFormer necesita 35,3 GB de memoria máxima en el entrenamiento frente a 2,0 GB de SepMamba (S) (artículo de SepMamba, 2024).
- Conv-TasNet obtiene 15,3 dB con audio limpio, 12,7 dB con ruido (WHAM!) y 8,3 dB con ruido más reverberación (WHAMR!) (artículo de MossFormer2, 2024).
- La separación redujo la tasa de error de palabras de LibriCSS con un 40% de superposición del 43,3% al 21,7% (Chen et al., Microsoft, 2020).
- Mejor sistema multicanal de NOTSOFAR-1: 10,8% de tcpWER frente a una línea base del 28,3% (resumen de NOTSOFAR-1, 2025).
- Un modelo VoiceFilter-Lite de 2,2 MB en el propio dispositivo mejoró el WER en habla superpuesta en un 25,1% (Google Research, 2020).
- 430 millones de personas necesitan rehabilitación por pérdida de audición discapacitante, cifra que superará los 700 millones en 2050 (OMS, marzo de 2026).
- La adopción de audífonos entre los estadounidenses con dificultades auditivas llegó al 51,3%, frente al 46,9% de 2022 (MarkeTrak 2025).
- UW Target Speech Hearing: 21 sujetos calificaron la voz registrada como casi el doble de clara que el audio sin filtrar (Universidad de Washington, CHI 2024).
1. Una Década de Progreso en el Benchmark WSJ0-2mix
El benchmark WSJ0-2mix hizo por la separación de voz lo que ImageNet hizo por la visión artificial: un objetivo fijo que volvió medible una década de avances. La mejor puntuación con dos hablantes subió de unos 6 dB de mejora de señal en 2015 a 25,1 dB de SI-SNRi en 2024, y la escala de decibelios es logarítmica, de modo que cada 3 dB adicionales reducen aproximadamente a la mitad la energía de interferencia residual. El salto más importante llegó en 2018, cuando Conv-TasNet abandonó las máscaras de espectrograma y pasó a trabajar con formas de onda sin procesar. Fue el primer sistema en superar las máscaras ideales de tiempo-frecuencia, consideradas durante mucho tiempo un techo práctico (Conv-TasNet, Luo y Mesgarani).
Desde entonces la curva se ha aplanado. Las mejoras de 2021 a 2024 llegaron en pasos de aproximadamente 1 dB, y los dos mejores modelos de 2024 empatan en 25,1 dB. El campo ha saturado en la práctica su propio benchmark, y por eso los artículos recientes compiten en eficiencia y robustez (secciones 2 y 3).
| Métrica | Valor | Fuente |
|---|---|---|
| Deep clustering, mezclas de hablantes (2015) | Unos 6 dB de mejora | Hershey et al., Deep Clustering, arXiv 2015 |
| Deep clustering mejorado, dos hablantes (2016) | 10,3 dB de mejora de SDR (línea base de 6,0 dB) | Isik et al., arXiv 1607.02173, 2016 |
| Conv-TasNet (2018) | 15,3 dB de SI-SNRi, 15,6 dB de SDRi | Luo y Mesgarani, IEEE/ACM TASLP 2019 |
| DPRNN (2019) | 18,8 dB de SI-SDRi | Luo, Chen y Yoshioka, ICASSP 2020 |
| SepFormer con mezcla dinámica (2020) | 22,3 dB de SI-SNRi | Subakan et al., ICASSP 2021 |
| TF-GridNet, sin aumento de datos (2022) | 23,5 dB de SI-SDRi | artículo de TF-GridNet, arXiv 2211.12433 |
| MossFormer2 (2023) | 24,1 dB de SI-SDRi | artículo de MossFormer2, arXiv 2312.11825 |
| SepReformer-L y TF-Locoformer (L), ambos con mezcla dinámica (2024) | 25,1 dB de SI-SNRi | SepReformer, NeurIPS 2024; Saijo et al., MERL 2024 |
La comparación con las máscaras ideales es lo que convirtió a Conv-TasNet en un hito. En el mismo conjunto de prueba, la máscara binaria ideal obtuvo 13,0 dB de SI-SNRi, la máscara de razón ideal 12,2 dB y la máscara similar al filtro de Wiener 13,4 dB, todas por debajo de los 15,3 dB de Conv-TasNet. Los oyentes humanos coincidieron: la salida de Conv-TasNet recibió una puntuación media de opinión (MOS) de 4,03 frente a 3,51 de la máscara de razón ideal.
| Métrica | Valor | Fuente |
|---|---|---|
| Máscara binaria ideal (IBM) | 13,0 dB de SI-SNRi | artículo de Conv-TasNet, 2019 |
| Máscara de razón ideal (IRM) | 12,2 dB de SI-SNRi | artículo de Conv-TasNet, 2019 |
| Máscara similar al filtro de Wiener (WFM) | 13,4 dB de SI-SNRi | artículo de Conv-TasNet, 2019 |
| MOS de los oyentes: Conv-TasNet frente a IRM | 4,03 frente a 3,51 | artículo de Conv-TasNet, 2019 |
| Tamaño de WSJ0-2mix | 30 h de entrenamiento, 10 h de validación, 5 h de prueba | artículo de Conv-TasNet, 2019 |
| Rango de mezcla | SNR aleatoria entre -5 y 5 dB | artículo de Conv-TasNet, 2019 |
Nota de contexto: la ‘mezcla dinámica’ (DM) crea nuevas mezclas de entrenamiento sobre la marcha y aporta entre 1 y 2 dB. SepFormer obtiene 22,3 dB con DM y 20,4 dB sin ella, así que las comparaciones entre artículos deben comprobar primero esa opción (SepFormer, arXiv 2010.13154). Los datos más recientes disponibles sobre las líneas base de 2015 a 2019 provienen de los artículos originales.
2. Eficiencia: Parámetros, Cómputo, Memoria y Latencia
La precisión se ha estancado, así que la carrera armamentista se ha trasladado al costo. SepReformer-B alcanza 23,8 dB de SI-SNRi con 39,8 GMACs por segundo de audio, mientras que TF-GridNet necesita 460,8 GMACs/s para llegar a 23,5 dB, una diferencia de cómputo de más de once veces por una puntuación apenas mejor (SepReformer, NeurIPS 2024). El número de parámetros cuenta una historia parecida: DPRNN igualó el estado del arte en 2019 con un modelo 20 veces más pequeño que el mejor sistema anterior.
La memoria es el costo oculto que decide quién puede entrenar estos modelos. SepFormer alcanza un máximo de 35,3 GB de memoria, frente a 2,0 GB de SepMamba (S), que aun así obtiene 21,2 dB (SepMamba, Universidad Técnica de Dinamarca y WS Audiology, 2024). Para cualquier cosa que se ejecute en un teléfono, unos cascos o un audífono, esa diferencia decide si un diseño es viable para lanzarse.
| Métrica | Valor | Fuente |
|---|---|---|
| SepReformer-T | 22,4 dB con 3,7 M de parámetros, 10,4 GMACs/s | SepReformer, NeurIPS 2024 |
| SepReformer-B | 23,8 dB con 14,2 M de parámetros, 39,8 GMACs/s | SepReformer, NeurIPS 2024 |
| SepReformer-L con DM | 25,1 dB con 55,3 M de parámetros, 155,5 GMACs/s | SepReformer, NeurIPS 2024 |
| TF-GridNet | 23,5 dB con 14,5 M de parámetros, 460,8 GMACs/s | SepReformer, NeurIPS 2024 (tabla de comparación) |
| QDPN | 200,0 M de parámetros | artículo de TF-GridNet, 2022 |
| MossFormer2 | 55,7 M de parámetros, factor de tiempo real 0,053 | artículo de MossFormer2, 2023 |
| DPRNN | 2,6 M de parámetros, 20 veces más pequeño que el mejor anterior | Luo et al., ICASSP 2020 |
| Latencia mínima de Conv-TasNet | 2 ms (frente a una ventana STFT de 32 ms) | artículo de Conv-TasNet, 2019 |
| Métrica | Valor | Fuente |
|---|---|---|
| Memoria máxima de SepFormer | 35,30 GB | artículo de SepMamba, 2024 |
| Memoria máxima de MossFormer2 con DM | 12,30 GB | artículo de SepMamba, 2024 |
| SepMamba (S) | 21,2 dB, 7,2 M de parámetros, 2,00 GB de memoria máxima | artículo de SepMamba, 2024 |
| SepMamba (M) | 22,7 dB, 22 M de parámetros, 3,04 GB de memoria máxima | artículo de SepMamba, 2024 |
| EConv-TasNet (sept. de 2026) | 18,4 dB con 3,8 M de parámetros | Liu, Novatek, arXiv 2609.11342 |
| EConv-TasNet frente a Conv-TasNet | 22,4% más pequeño, inferencia 18,9% más rápida | Liu, arXiv 2609.11342 |
Nota sobre un caso atípico: el artículo más reciente de este informe, EConv-TasNet, del fabricante de chips Novatek (septiembre de 2026), no persigue el récord de 25 dB. Apunta al despliegue en dispositivos de borde (edge), añadiendo 3,1 dB a Conv-TasNet con menos parámetros (EConv-TasNet). Es una buena señal de hacia dónde se dirige el interés comercial.
3. Robustez en el Mundo Real: Ruido, Reverberación y Más Hablantes
Voz limpia, leída en estudio y mezclada a niveles controlados no es un restaurante. Conv-TasNet pierde 7 dB cuando sus mezclas de prueba incorporan ruido ambiental y reverberación reales: 15,3 dB en WSJ0-2mix, 12,7 dB en WHAM! y 8,3 dB en WHAMR! (tablas de comparación de MossFormer2). WHAM! añade ruido grabado en cafeterías, restaurantes y bares del Área de la Bahía de San Francisco, y sus autores señalan que la mayoría de los estudios de separación usaba una configuración restringida, con bajas frecuencias de muestreo y sin ruido de fondo (WHAM!, Interspeech 2019).
Los modelos más nuevos cierran buena parte de esa brecha, pero no toda. Los mejores resultados con reverberación se sitúan entre 17 y 18,5 dB, todavía 6 a 7 dB por debajo del benchmark limpio. Un tercer hablante cuesta entre 1,9 y 2,8 dB más para el mismo modelo (MossFormer2: de 24,1 a 22,2 dB; SepFormer: de 22,3 a 19,5 dB), y los autores de LibriMix demostraron que los modelos entrenados en WSJ0-2mix sufren caídas importantes de rendimiento en conjuntos de datos similares, razón por la cual LibriMix se construyó a partir de voz de LibriSpeech más ruido de WHAM! (LibriMix, Interspeech 2020).
| Métrica | Valor | Fuente |
|---|---|---|
| Conv-TasNet: WSJ0-2mix / WHAM! / WHAMR! | 15,3 / 12,7 / 8,3 dB de SI-SDRi | artículo de MossFormer2, 2023 |
| SepFormer: WHAM! / WHAMR! | 16,4 / 14,0 dB | artículo de MossFormer2, 2023 |
| MossFormer2: WHAM! / WHAMR! | 18,1 / 17,0 dB | artículo de MossFormer2, 2023 |
| SepReformer-L con 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, SMS-WSJ de 6 canales (pipeline completo) | 22,8 dB de SI-SDR, PESQ 4,08 | artículo de TF-GridNet, 2022 |
| Métrica | Valor | Fuente |
|---|---|---|
| Tres hablantes, Conv-TasNet (WSJ0-3mix) | 12,7 dB de SI-SNRi | artículo de Conv-TasNet, 2019 |
| Tres hablantes, SepFormer (WSJ0-3mix) | 19,5 dB de SI-SNRi | artículo de SepFormer, 2020 |
| Tres hablantes, MossFormer2 (WSJ0-3mix) | 22,2 dB de SI-SDRi | artículo de MossFormer2, 2023 |
| Tres hablantes, deep clustering mejorado (2016) | 7,1 dB de mejora de SDR | Isik et al., 2016 |
| Libri2Mix: Conv-TasNet / SepFormer / MossFormer2 | 14,7 / 19,2 / 21,7 dB | artículo de MossFormer2, 2023 |
| Libri2Mix: SepReformer-M / TF-Locoformer (M) | 22,1 / 22,1 dB | SepReformer, 2024; Saijo et al., 2024 |
Advertencia: el propio benchmark tiene un defecto. Un estudio de 2025 aceptado en IEEE ASRU encontró que el ruido en las señales de referencia de WSJ0-2mix limita el SI-SDR alcanzable y que el SI-SDR tuvo una correlación negativa con el ruido percibido entre los conjuntos de prueba (Jepsen et al., arXiv 2508.14623). Parte del último decibelio de ‘progreso’ puede deberse a que los modelos aprenden a reproducir referencias ruidosas.
4. Separación para Reuniones y Reconocimiento de Voz
Para la transcripción, los decibelios importan menos que las palabras. En el conjunto LibriCSS de Microsoft, ejecutar la separación antes del reconocimiento redujo la tasa de error de palabras con un 40% de superposición de hablantes del 43,3% al 21,7%, casi sin cambiar los resultados con audio sin superposición (del 11,8% al 8,4%) (Chen et al., Continuous Speech Separation, 2020). Los mismos autores advierten que las métricas a nivel de señal solo tienen una correlación débil con la precisión del ASR o con la calidad percibida, y por eso los benchmarks de reuniones puntúan palabras, no SI-SNR. Nuestras estadísticas de asistentes de reuniones con IA muestran con qué rapidez crece el mercado que depende de esa precisión.
| Métrica | Valor | Fuente |
|---|---|---|
| Tamaño de LibriCSS | 10 horas, 10 sesiones, superposición del 0% al 40% | Chen et al., Microsoft, 2020 |
| WER con 10% de superposición: sin separación frente a con separación | 18,8% frente a 11,6% | Chen et al., 2020 (por enunciado, 7 canales) |
| WER con 20% de superposición | 27,2% frente a 15,8% | Chen et al., 2020 |
| WER con 30% de superposición | 35,6% frente a 18,7% | Chen et al., 2020 |
| WER con 40% de superposición | 43,3% frente a 21,7% | Chen et al., 2020 |
| WER con 40% de superposición, entrada continua | 40,5% frente a 21,9% | Chen et al., 2020 |
| ASR con deep clustering en mezclas de dos hablantes | WER del 89,1% reducido al 30,8% | Isik et al., 2016 |
Las reuniones reales son más difíciles que las simuladas. El desafío NOTSOFAR-1 de Microsoft, celebrado dentro de CHiME-8, grabó reuniones con 4 a 8 participantes en 30 salas. El sistema monocanal ganador aún erró el 22,2% de las palabras (tcpWER, limitado por tiempo), frente al 10,8% del mejor sistema multicanal (resumen de NOTSOFAR-1, arXiv 2501.17304). Los arreglos de micrófonos siguen siendo la mayor palanca individual, y los organizadores comprobaron que la separación guiada de fuentes (guided source separation) sigue siendo la técnica de separación dominante en los pipelines ganadores.
| Métrica | Valor | Fuente |
|---|---|---|
| Reuniones grabadas de NOTSOFAR-1 | 315 reuniones únicas en inglés, 30 salas, 4 a 8 participantes | resumen de NOTSOFAR-1, 2025 |
| Datos de entrenamiento simulados | Unas 1.000 horas, 15.000 funciones de transferencia acústica reales | resumen de NOTSOFAR-1, 2025 |
| Monocanal: mejor frente a línea base de tcpWER | 22,2% frente a 41,4% | resumen de NOTSOFAR-1, 2025 |
| Multicanal: mejor frente a línea base de tcpWER | 10,8% frente a 28,3% | resumen de NOTSOFAR-1, 2025 |
| Envíos: pista monocanal / multicanal | 9 / 5 | resumen de NOTSOFAR-1, 2025 |
| Tamaño del modelo VoiceFilter-Lite en el dispositivo | 2,2 MB (cuantizado) | Google Research, nov. de 2020 |
| Mejora de WER de VoiceFilter-Lite, habla superpuesta | 25,1% (14,7% con reverberación) | Google Research, nov. de 2020 |
Nota de contexto: los resultados de VoiceFilter-Lite de Google (2020) son las cifras públicas más recientes disponibles de una gran plataforma para ejecución en el propio dispositivo. Los sistemas comercializados desde entonces rara vez publican benchmarks a nivel de palabra.
5. Lo Que Está en Juego para la Salud Auditiva
El problema de la fiesta de cóctel no es académico para quienes conviven con él. La OMS estima que 430 millones de personas, más del 5% de la población mundial, necesitan rehabilitación por pérdida de audición discapacitante, y proyecta más de 700 millones en 2050 (ficha informativa de la OMS sobre sordera y pérdida de audición, marzo de 2026). La amplificación por sí sola eleva a todos los hablantes de una sala llena a la vez, y por eso la separación basada en DNN es hoy la función estelar de los audífonos premium. Nuestras estadísticas de audífonos cubren el mercado de los propios dispositivos.
| Métrica | Valor | Fuente |
|---|---|---|
| Personas que necesitan rehabilitación por pérdida de audición discapacitante | 430 millones (más del 5% de la población mundial) | ficha informativa de la OMS, marzo de 2026 |
| Niños con pérdida de audición discapacitante | 34 millones | ficha informativa de la OMS, marzo de 2026 |
| Personas con alguna pérdida de audición en 2050 | Casi 2.500 millones | ficha informativa de la OMS, marzo de 2026 |
| Personas que necesitarán rehabilitación en 2050 | Más de 700 millones (1 de cada 10) | ficha informativa de la OMS, marzo de 2026 |
| Pérdida de audición discapacitante entre mayores de 60 años | Más del 25% | ficha informativa de la OMS, marzo de 2026 |
| Costo global anual de la pérdida de audición no atendida | Casi 1 billón de US$ | ficha informativa de la OMS, marzo de 2026 |
| Proporción que vive en países de ingresos bajos y medios | Casi el 80% | ficha informativa de la OMS, marzo de 2026 |
La adopción va en aumento. MarkeTrak 2025, basado en 16.148 hogares y 42.982 personas de EE. UU. encuestados en octubre y noviembre de 2024, encontró que la adopción de audífonos entre personas con dificultad auditiva autodeclarada llegó al 51,3%, frente al 46,9% de 2022, con una satisfacción general con los dispositivos del 83% (MarkeTrak 2025, Seminars in Hearing). Los auriculares de consumo también están entrando en la categoría: en septiembre de 2024, la FDA autorizó el primer software de audífono de venta libre, la función Hearing Aid de Apple para los AirPods Pro (comunicado de prensa de la FDA).
| Métrica | Valor | Fuente |
|---|---|---|
| Adopción de audífonos en EE. UU., personas con dificultad auditiva | 51,3% (46,9% en 2022) | MarkeTrak 2025 |
| Dificultad auditiva autodeclarada, EE. UU. | 9,1% | MarkeTrak 2025 |
| Satisfacción de quienes tienen audífonos | 83% | MarkeTrak 2025 |
| Estudio clínico de la FDA sobre software de audífono de venta libre | 118 sujetos, pérdida de leve a moderada | FDA, 12 de sept. de 2024 |
| Phonak Spheric Speech Clarity 2.0 (DNN) | Mejora de 10,2 dB de SNR en escenarios reales | artículo de expertos de AudiologyOnline, 2026 |
| Phonak Spheric Speech Clarity 2.0 | Hasta un 37% menos de esfuerzo auditivo, 30% más eficiente | artículo de expertos de AudiologyOnline, 2026 |
| Estudio de Mayo Clinic y Sonova, reducción de ruido con DNN a 10 dB de SNR | +23 y +32 puntos porcentuales en reconocimiento de voz | Audiology Research, 2024 |
| Mismo estudio, beneficio de SNR en el programa para ruido intenso | 4,8 a 5,0 dB | Audiology Research, 2024 |
Advertencia: las afirmaciones de SNR de los fabricantes provienen de pruebas realizadas por los propios proveedores, y el estudio independiente de Mayo Clinic y Sonova contó con solo 10 participantes. Las cifras de Phonak se informan a través de una sesión de preguntas y respuestas con expertos en AudiologyOnline, no de un artículo revisado por pares.
6. La Frontera: Elegir Qué Voz Escuchar
Separar todas las voces es solo la mitad del problema; el dispositivo también tiene que saber cuál quiere oír la persona. El prototipo Target Speech Hearing de la Universidad de Washington registra a un hablante después de que quien lo lleva puesto lo mire durante 3 a 5 segundos, y 21 sujetos de prueba calificaron la claridad de esa voz como casi el doble que la del audio sin filtrar (UW News, mayo de 2024). Un trabajo posterior de diciembre de 2025 eliminó la mirada: su ‘asistente auditivo proactivo’ detecta a los interlocutores por el ritmo de alternancia de turnos en 2 a 4 segundos de audio (UW News, diciembre de 2025).
También se están probando otras señales. El modelo Looking to Listen de Google, de 2018, usaba movimientos de los labios y se entrenó con fragmentos extraídos de 100.000 vídeos de YouTube (blog de Google Research). El enfoque controlado por el cerebro de la Universidad de Columbia compara voces separadas con señales neuronales: la versión de 2019 se probó en tres pacientes neuroquirúrgicos (Science Advances, 2019), y un estudio de Nature Neuroscience de mayo de 2026 informó de las primeras pruebas en humanos de un sistema en tiempo real (Instituto Zuckerman de Columbia vía EurekAlert). El registro personalizado también es habitual en las comunicaciones: el quinto Deep Noise Suppression Challenge de Microsoft pidió a los modelos suprimir a los hablantes cercanos usando un clip de registro de 10 a 30 segundos (DNS Challenge de ICASSP 2023). Esa misma limpieza consciente del hablante es lo que mantiene inteligible un chat de voz de Discord cuando un compañero de piso habla de fondo.
| Métrica | Valor | Fuente |
|---|---|---|
| UW Target Speech Hearing: tiempo de registro | 3 a 5 segundos mirando al hablante | Universidad de Washington, CHI 2024 |
| UW Target Speech Hearing: sujetos y calificación de claridad | 21 sujetos, casi 2 veces más claro que el audio sin filtrar | Universidad de Washington, CHI 2024 |
| UW Target Speech Hearing: tolerancia de dirección | Margen de error de 16 grados | Universidad de Washington, 2024 |
| Asistente auditivo proactivo de la UW: audio necesario | 2 a 4 segundos | Universidad de Washington, EMNLP 2025 |
| Asistente auditivo proactivo de la UW: interlocutores y evaluadores | 1 a 4 interlocutores; 11 participantes lo valoraron de forma más de 2 veces más favorable | Universidad de Washington, dic. de 2025 |
| Asistente auditivo proactivo de la UW: idiomas de entrenamiento | Inglés, mandarín, japonés | Universidad de Washington, dic. de 2025 |
| Google Looking to Listen: fuente de entrenamiento | 100.000 vídeos, unas 2.000 horas de clips limpios | blog de Google Research, abril de 2018 |
| Audición controlada por el cerebro de Columbia (2019) | 3 pacientes neuroquirúrgicos | Han et al., Science Advances, 2019 |
| Métrica | Valor | Fuente |
|---|---|---|
| Edición del DNS Challenge en ICASSP 2023 | 5.ª | Dubey et al., Microsoft, 2023 |
| Formato de audio de DNS 2023 | Banda completa (fullband) de 48 kHz | Dubey et al., 2023 |
| Clip de registro de DNS 2023 | 10 a 30 segundos del hablante principal | Dubey et al., 2023 |
| Mejora de la puntuación ganadora de DNS 2023 sobre la entrada ruidosa | 0,145 (auriculares con micrófono) y 0,141 (manos libres) | Dubey et al., 2023 |
| TF-Locoformer (M) en la mejora de voz de DNS 2020 | 23,3 dB de SI-SNR, STOI 98,8, PESQ-WB 3,72 | Saijo et al., MERL 2024 |
Nota sobre un caso atípico: el equipo de la UW afirma que el sistema proactivo tiene más dificultades cuando las conversaciones se vuelven dinámicas, con participantes hablando unos encima de otros, que es exactamente el caso de la fiesta de cóctel. El interés por los auriculares con cancelación de ruido ofrece a estas funciones una base de hardware ya lista.
Resumen: La Separación de Voz y el Problema de la Fiesta de Cóctel en Cifras
| Métrica | Valor | Fuente |
|---|---|---|
| Mejor puntuación en WSJ0-2mix | 25,1 dB de SI-SNRi | SepReformer-L, NeurIPS 2024; TF-Locoformer (L), MERL 2024 |
| Deep clustering, 2015 | Unos 6 dB de mejora | Hershey et al., 2015 |
| Conv-TasNet, 2018 | 15,3 dB de SI-SNRi, 5,1 M de parámetros | Luo y Mesgarani, 2019 |
| SepFormer con / sin mezcla dinámica | 22,3 / 20,4 dB | SepFormer, 2021; TF-GridNet, 2022 |
| MossFormer2 | 24,1 dB, 55,7 M de parámetros | MossFormer2, 2023 |
| Latencia mínima de Conv-TasNet | 2 ms | artículo de Conv-TasNet, 2019 |
| Cómputo de TF-GridNet frente a SepReformer-B | 460,8 frente a 39,8 GMACs/s | SepReformer, NeurIPS 2024 |
| Memoria máxima de SepFormer frente a SepMamba (S) | 35,3 GB frente a 2,0 GB | SepMamba, 2024 |
| Conv-TasNet limpio / con ruido / con reverberación | 15,3 / 12,7 / 8,3 dB | MossFormer2, 2023 |
| Mejor WHAMR! (ruido y reverberación) | 18,5 dB | TF-Locoformer (M), MERL 2024 |
| WSJ0-3mix, MossFormer2 | 22,2 dB | MossFormer2, 2023 |
| WER de LibriCSS con 40% de superposición, sin separación frente a con separación | 43,3% frente a 21,7% | Microsoft, Chen et al., 2020 |
| Mejor tcpWER multicanal de NOTSOFAR-1 | 10,8% (línea base 28,3%) | resumen de NOTSOFAR-1, 2025 |
| Mejor tcpWER monocanal de NOTSOFAR-1 | 22,2% (línea base 41,4%) | resumen de NOTSOFAR-1, 2025 |
| Mejora de WER de VoiceFilter-Lite en habla superpuesta | 25,1% con 2,2 MB | Google Research, 2020 |
| Personas que necesitan rehabilitación auditiva | 430 millones, más de 700 millones en 2050 | OMS, marzo de 2026 |
| Adopción de audífonos en EE. UU. entre personas con dificultad | 51,3% | MarkeTrak 2025 |
| Mejora de SNR con DNN de Phonak | 10,2 dB | AudiologyOnline, 2026 |
| Registro de UW Target Speech Hearing | 3 a 5 segundos, 21 sujetos | Universidad de Washington, 2024 |
| Modelo de borde EConv-TasNet | 18,4 dB con 3,8 M de parámetros | Novatek, sept. de 2026 |
Metodología y Fuentes
Cada cifra de benchmark anterior se tomó del artículo que la reportó, o de la tabla de comparación de un artículo posterior cuando así se indica. Excluimos las cifras que solo aparecían en fragmentos de búsqueda, resúmenes secundarios o marketing de proveedores que no pudimos abrir. Los agregadores de leaderboards se usaron únicamente para comprobar que no se hubiera publicado ningún resultado más alto en WSJ0-2mix.
- 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 y Mesgarani: Conv-TasNet, IEEE/ACM TASLP (2019); tablas del texto completo leídas a través de 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 (diciembre de 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 (septiembre de 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) y Looking to Listen (2018)
- Dubey et al. (Microsoft): ICASSP 2023 Deep Noise Suppression Challenge
- OMS: ficha informativa sobre sordera y pérdida de audición (marzo de 2026)
- Dobyan y Kihm: MarkeTrak 2025, Seminars in Hearing
- FDA: autorización del primer software de audífono de venta libre (septiembre de 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?
- Universidad de Washington: Target Speech Hearing (2024) y asistente auditivo proactivo (2025)
- Universidad de Columbia: Han et al., Science Advances (2019) y comunicado del estudio de Nature Neuroscience vía EurekAlert (mayo de 2026)
- Nota sobre los datos: los artículos discrepan en las cifras de línea base. QDPN aparece con 22,1 dB en el artículo de TF-GridNet pero con 23,6 dB en el de MossFormer2; Conv-TasNet en Libri2Mix aparece como 14,7 dB (MossFormer2) y 12,1 dB (EConv-TasNet); el cómputo de SepFormer se reporta como 86,9 GMACs/s (SepReformer) y 257,94 GMACs/s (SepMamba), y su número de parámetros como 25,7 M o 26,0 M. Los distintos artículos usan longitudes de entrada, frecuencias de muestreo y herramientas de conteo diferentes, así que conviene comparar cifras dentro de una misma tabla y no entre tablas. SI-SNRi y SI-SDRi se usan de forma intercambiable en esta literatura; las cifras de deep clustering de 2015 y 2016 usan la mejora de SDR simple y no son directamente comparables con las puntuaciones posteriores de SI-SNRi. El resumen de NOTSOFAR-1 cita 280 reuniones grabadas, mientras que el cuerpo del artículo describe 315 reuniones únicas repartidas entre los conjuntos de entrenamiento, desarrollo y evaluación. No encontramos ninguna estimación pública y creíble del tamaño de mercado específica para la separación de voz, así que no se incluye ninguna. Las cifras de Conv-TasNet, deep clustering, Looking to Listen y VoiceFilter-Lite tienen más de tres años y se muestran como los datos más recientes disponibles. El comunicado de Columbia de 2026 no ofrece resultados cuantitativos; lo citamos solo por su existencia y por el medio de publicación.
Última actualización: 3 de octubre de 2026. Actualizamos este informe trimestralmente, y la próxima revisión se espera cuando se publiquen los artículos aceptados de ICASSP 2027 y los resultados del próximo desafío CHiME.