Le chiffre d’annuleur d’écho le plus cité, l’ERLE, ne concorde avec les auditeurs humains qu’à un coefficient de Pearson de 0,31, alors que la métrique neuronale AECMOS de Microsoft atteint 0,99 sur les notes d’écho de l’extrémité distante (Microsoft, articles de l’AEC Challenge ICASSP 2021 et ICASSP 2023). Côté normes, l’ITU-T G.168 accorde à un annuleur d’écho réseau environ 1 seconde pour converger, la 3GPP TS 26.131 demande aux casques au moins 46 dB d’affaiblissement d’écho, et le challenge de Microsoft a divisé par deux la latence autorisée, de 40 ms à 20 ms, entre 2021 et 2023. L’écho est aussi le problème qui pousse vers un meilleur équipement de salle, que nous avons traité du côté du microphone dans nos statistiques sur la formation de faisceau des microphones de plafond en salle de conférence. Nous avons agrégé des données de l’ITU-T, de la 3GPP, des quatre articles de l’AEC Challenge de Microsoft Research, d’Amazon Web Services, de ByteDance, du Tongyi Lab d’Alibaba, de chercheurs indépendants d’arXiv et de HEAD acoustics.
TL;DR
- Les annuleurs d’écho réseau doivent atteindre l’affaiblissement combiné requis en environ 1 seconde dans le test 2A (ITU-T G.168, 04/2015).
- Les casques exigent au moins 46 dB d’affaiblissement de couplage du terminal pondéré à tout volume, avec 55 dB recommandés au volume nominal (3GPP TS 26.131, Rel-19).
- L’ERLE corrèle avec les notes des auditeurs à PCC 0,31 et SRCC 0,23 (Microsoft, article de l’AEC Challenge ICASSP 2021).
- L’AECMOS corrèle avec les notes d’écho de l’extrémité distante à PCC 0,99 (Microsoft, article de l’AEC Challenge ICASSP 2023).
- La limite de latence du challenge est passée de 40 ms de latence algorithmique en 2021 à 20 ms de latence algorithmique plus tampon en 2023 (articles et dépôt de l’AEC Challenge de Microsoft).
- L’entrée la mieux notée d’INTERSPEECH 2021 a obtenu en moyenne 4,43 contre 3,87 pour la référence (Microsoft, résultats de l’AEC Challenge INTERSPEECH 2021).
- Les appareils mobiles ont obtenu 0,75 MOS de moins que les ordinateurs de bureau sur la dégradation en double parole (Microsoft, article de l’AEC Challenge ICASSP 2022).
- Le WebRTC AEC3 a supprimé environ 30 dB d’écho contre 40,8 dB pour un suppresseur neuronal (ByteDance, arXiv 2020).
- Un modèle de bout en bout de janvier 2026 a atteint 78,69 dB d’ERLE avec 1,2 million de paramètres (Alibaba Tongyi Lab, E2E-AEC, arXiv 2026).
- Un petit modèle neuronal d’écho et de bruit s’exécute en 0,14 ms par trame, soit un facteur temps réel de 0,014 (Microsoft, DeepVQE, Interspeech 2023).
- Les terminaux mains libres de la meilleure catégorie de double parole (catégorie 1) atténuent la parole émise d’au plus 3 dB pendant la double parole (HEAD acoustics, décrivant l’ITU-T P.340).
1. Le règlement ITU-T : convergence, double parole et tests de fuite
Les règles télécoms de base pour les annuleurs d’écho sont anciennes, mais toujours en vigueur. L’« écho » désigne ici votre propre voix qui vous revient après avoir voyagé jusqu’à l’extrémité distante et fui dans le trajet de retour. La G.168 accorde à un annuleur environ une seconde pour atteindre l’affaiblissement requis, puis continue de vérifier qu’il le maintient quand les deux interlocuteurs parlent en même temps (« double parole ») et quand la ligne devient silencieuse pendant plusieurs minutes. Un processeur non linéaire (NLP) est l’étage final qui supprime l’écho résiduel laissé par le filtre adaptatif ; plusieurs tests le désactivent afin de mesurer le filtre lui-même.
Les trajets d’écho réels que ces tests modélisent sont courts. Dans les données de terrain reproduites dans l’ITU-T G.168 (04/2015), 101 appels longue distance au départ de Montréal à travers l’Amérique du Nord (de juin 1998 à avril 1999) ont été mesurés ; l’histogramme de 88 d’entre eux montrait un temps de dispersion moyen de 6,02 ms, et aucun appel ne dépassait 12 ms. L’équivalent acoustique, la G.167, a été retirée et son contenu transféré dans les P.340 et G.161.
| Métrique | Valeur | Source |
|---|---|---|
| Édition en vigueur de la Recommandation sur les annuleurs d’écho réseau | G.168 (04/2015), plus Corrigendum 1 (12/2022) | ITU-T G.168 |
| Affaiblissement d’écho minimal (celui qu’apporte le trajet d’écho lui-même) utilisé dans les tests ; nombre de modèles de trajet d’écho standard | 6 dB minimum ; 8 modèles (m1 à m8), avec des minimums de 6,55 dB, 11,06 dB et 9,27 dB pour m2, m7 et m8 | ITU-T G.168 (04/2015), Annexe D |
| Convergence du test 2A, processeur non linéaire activé | Affaiblissement combiné requis en 1 s plus le retard du trajet d’écho et le décalage de départ ; pics au plus 5 dB au-dessus de la limite | ITU-T G.168 (04/2015) |
| Test 3A, double parole avec un signal côté proche inférieur de 15 dB au niveau de l’extrémité distante (extrémité distante de -25 à 0 dBm0) | Doit converger en 5 s | ITU-T G.168 (04/2015) |
| Test 3B(a) et test 4 : hausse d’écho résiduel admise pendant la double parole, et 2 minutes après l’arrêt du signal de l’extrémité distante (test de fuite) | Au plus 10 dB au-dessus de l’exigence en régime établi dans les deux cas | ITU-T G.168 (04/2015) |
| Statut de la G.167, la Recommandation d’origine sur les contrôleurs d’écho acoustique (03/1993) | Retirée ; remplacée par la P.340 (2000) pour les clauses 1 à 5 et la G.161 (2002) pour la clause 6 | Fiche ITU-T G.167 |
| Dernière édition de la Recommandation sur les terminaux mains libres couvrant les performances d’écho et de double parole | P.340 (07/2026) | Résumé ITU-T P.340 2026 |
| Plage de fréquences de la Recommandation sur le mains libres large bande en véhicule | 50 à 7 000 Hz ; édition en vigueur P.1110 (10/2025) | ITU-T P.1110 |
Note de contexte : le dBm0 est un niveau de signal rapporté à un point de référence du réseau ; « -25 à 0 dBm0 » désigne donc un locuteur distant qui parle de faiblement à fortement. La révision P.340 de 2026 est récente ; son texte intégral n’était pas public au moment de la rédaction, et ce tour d’horizon ne cite donc que son résumé publié.
2. Objectifs d’affaiblissement d’écho pour les casques, les appareils mains libres et les réseaux
L’affaiblissement de couplage du terminal (TCLw) mesure la part de la voix de l’extrémité distante, diffusée par le haut-parleur ou l’écouteur d’un appareil, qui est atténuée avant de fuir vers le microphone de ce même appareil et d’être renvoyée. Les normes mobiles fixent 46 dB comme plancher pour les casques à tout volume, et la cible recommandée de 55 dB s’accompagne de l’aveu qu’elle peut ne pas être mesurable sur tous les appareils à cause du bruit de repos de l’appareil lui-même.
L’écart intéressant concerne le mains libres. Un téléphone de bureau à haut-parleur peut descendre à 40 dB au volume maximal et rester conforme, ce qui explique que le comportement en double parole du mains libres ait ses propres catégories : un appareil de catégorie 1 atténue à peine votre voix pendant que l’autre côté parle (3 dB au plus), tandis qu’un appareil de catégorie 3 la coupe de plus de 12 dB, proche d’un comportement de talkie-walkie où un seul côté est entendu à la fois.
| Métrique | Valeur | Source |
|---|---|---|
| Affaiblissement de couplage du terminal pondéré d’un casque : à tout réglage de volume et recommandé au volume nominal | Au moins 46 dB et au moins 55 dB | 3GPP TS 26.131 (Rel-19) |
| Affaiblissement de couplage du terminal pondéré d’un mains libres de bureau : à tout volume et au volume nominal en champ libre | Au moins 40 dB et au moins 46 dB | 3GPP TS 26.131 (Rel-19) |
| Objectif de performance recommandé d’un mains libres de bureau au volume nominal | Au moins 55 dB (peut ne pas être mesurable à cause du bruit de canal au repos) | 3GPP TS 26.131 (Rel-19) |
| Affaiblissement d’écho présenté par les réseaux GSM, 3G, LTE ou NR au point d’interconnexion, parole simple | Au moins 46 dB | 3GPP TS 26.132 (Rel-19) |
| Parole écartée au début du test d’affaiblissement d’écho pour que l’annuleur converge ; niveau du signal de test | Les 17,0 premières s ; 10 dBm0 | 3GPP TS 26.132 (Rel-19) |
| Repères sur l’affaiblissement de couplage du terminal : entrée numérique vers sortie (selon la P.341), conditions de terrain (selon la P.342) et souhaitable pour les objectifs d’écho du locuteur de la G.131 | Au moins 35 dB, puis plus de 40 dB, puis plus de 45 dB | ITU-T G.168 (04/2015), Appendice I |
| Catégories de double parole des terminaux mains libres et atténuation de la parole émise | 5 catégories (1, 2a, 2b, 2c, 3) : au plus 3 dB pour la catégorie 1, au plus 9 dB pour la catégorie 2b, plus de 12 dB pour la catégorie 3 | Fiche technique HEAD acoustics ACOPT 32, décrivant l’ITU-T P.340 |
Note de contexte : les valeurs 3GPP ont été relevées dans le texte Rel-19 des TS 26.131 et TS 26.132 ; la TS 26.132 dispose d’un fichier Rel-20 plus récent, daté de juillet 2026, dans l’archive 3GPP. Le document de HEAD acoustics est une fiche technique d’équipement de test qui reprend les catégories de la P.340 ; il ne donne pas les limites des catégories 2a et 2c.
3. Budgets de latence : combien de millisecondes un annuleur d’écho peut dépenser
Chaque milliseconde qu’un annuleur d’écho passe à mettre l’audio en tampon est une milliseconde ajoutée à la conversation. Le banc d’essai de la recherche a beaucoup évolué sur ce point : le challenge de Microsoft autorisait 40 ms de latence algorithmique en 2021 et a réduit de moitié cette marge à 20 ms de latence algorithmique plus tampon en 2023, et le modèle des organisateurs n’a pratiquement rien perdu en scores d’écho à la limite plus serrée. L’article ICASSP 2023 cite une cible de bout en bout inférieure à 50 ms (la différence juste perceptible) et un objectif futur de moins de 5 ms pour l’algorithme plus le tampon (Microsoft, article de l’AEC Challenge ICASSP 2023).
Le calcul est l’autre budget. Un modèle neuronal qui n’a besoin que d’une fraction de milliseconde par trame peut tourner sur chaque ordinateur portable d’une réunion ; un modèle qui mobilise l’essentiel d’un cœur de processeur ne le peut pas. Pour savoir comment le reste du budget de délai est consommé par les tampons de gigue et les codecs, voir nos statistiques sur le tampon de gigue VoIP et la qualité de la parole.
| Métrique | Valeur | Source |
|---|---|---|
| Délai unidirectionnel bouche-oreille pour une interactivité essentiellement transparente et plafond pour la planification générale du réseau | Moins de 150 ms et 400 ms | ITU-T G.114 (05/2003) |
| Limite de latence algorithmique de l’AEC Challenge, ICASSP 2021 | Au plus 40 ms (une trame de 20 ms avec un pas de 10 ms, soit 30 ms, était autorisée) | Microsoft, article de l’AEC Challenge ICASSP 2021 |
| Limite de latence de l’AEC Challenge, ICASSP 2023 | 20 ms de latence algorithmique plus tampon | Dépôt AEC-Challenge de Microsoft |
| Limite de calcul de l’AEC Challenge, ICASSP 2023 | Facteur temps réel d’au plus 0,5 sur un Intel Core i5 quadricœur à 2,4 GHz, monothread | Microsoft, article de l’AEC Challenge ICASSP 2023 |
| Modèle Microsoft à 20 ms et vainqueur du challenge 2022 à 40 ms : MOS d’écho de l’extrémité distante ; MOS d’écho en double parole | 4,65 contre 4,66 ; 4,68 contre 4,68 | Microsoft, article de l’AEC Challenge ICASSP 2023 |
| Modèle complet DeepVQE et petit modèle DeepVQE-S : paramètres et temps CPU par trame | 7,5M et 3,66 ms contre 0,59M et 0,14 ms (facteur temps réel 0,014) | Microsoft, DeepVQE, Interspeech 2023 |
| Annuleur d’écho linéaire combiné à un suppresseur neuronal d’écho résiduel, entrée du challenge en 16 kHz | 5,5% d’un cœur Intel i7-8565U, 0,55 ms par trame de 10 ms | Amazon Web Services, contrôle d’écho PercepNet, arXiv 2021 |
Données les plus récentes disponibles pour les limites du challenge : Microsoft, 2023. Le dépôt AEC-Challenge liste toujours ICASSP 2023 comme dernière édition ; ce sont donc les règles de référence publiques les plus récentes de cette série.
4. Classements de l’AEC Challenge, de 2021 à 2023
L’AEC Challenge de Microsoft est ce qui se rapproche le plus d’un classement public dans ce domaine. Les entrées sont notées par des auditeurs recrutés par crowdsourcing sur une échelle de 1 à 5 (MOS pour la qualité de la parole côté proche, DMOS, un score de dégradation, pour l’écho et les autres artefacts). À INTERSPEECH 2021, l’entrée la mieux notée a obtenu en moyenne 4,43 contre 3,87 pour la référence (les quatre premières étaient statistiquement à égalité, et Microsoft les a donc classées par complexité de calcul), et presque tout le gain venait de la suppression d’écho et de la double parole (le scénario où les anciens annuleurs laissaient passer l’écho ou hachaient le locuteur côté proche), pas de la qualité de la parole côté proche, qui n’est passée que de 4,18 à 4,25.
Les jeux de données ont grossi à chaque édition : plus de 2 500 environnements et appareils réels pour ICASSP 2021 (Microsoft, article de l’AEC Challenge ICASSP 2021), 5 000 pour INTERSPEECH 2021 et plus de 10 000 pour l’édition 2023 (le chiffre de 2022 diffère selon les articles de Microsoft, voir la Méthodologie). Les données publiques sur la fréquence réelle de l’écho dans les appels en production font toujours défaut : les articles de Microsoft décrivent l’écho seulement comme « l’une des principales sources de mauvaises notes de qualité de la parole », sans pourcentage.
| Métrique | Valeur | Source |
|---|---|---|
| ICASSP 2021 : référence et système classé premier, moyenne des quatre tests subjectifs | 3,68 contre 4,11 (17 soumissions) | Amazon Web Services, contrôle d’écho PercepNet, arXiv 2021 |
| ICASSP 2021 : référence et système classé premier, dégradation de la parole côté proche pendant la double parole (DMOS) | 3,28 contre 4,07 | Amazon Web Services, contrôle d’écho PercepNet, arXiv 2021 |
| INTERSPEECH 2021 : entrée la mieux notée (ERCESI) et référence, score moyen | 4,43 contre 3,87 | Microsoft, résultats de l’AEC Challenge INTERSPEECH 2021 |
| INTERSPEECH 2021 : entrée la mieux notée et référence, DMOS d’écho en parole simple de l’extrémité distante ; DMOS des autres dégradations en double parole | 4,59 contre 3,82 ; 4,18 contre 3,45 | Microsoft, résultats de l’AEC Challenge INTERSPEECH 2021 |
| INTERSPEECH 2021 : entrées d’équipes classées avec une moyenne supérieure à la référence | 10 sur 14 (comptées à partir du tableau de résultats) | Microsoft, résultats de l’AEC Challenge INTERSPEECH 2021 |
| ICASSP 2022 : soumissions ; écart mobile et ordinateur de bureau sur la dégradation en double parole | 18 soumissions ; mobile inférieur de 0,75 MOS | Microsoft, article de l’AEC Challenge ICASSP 2022 |
| ICASSP 2023 : entrées ; score gagnant et taille du modèle | 20 entrées (17 non personnalisées, 3 personnalisées) ; 0,854 avec 1,5M de paramètres | Microsoft, article de l’AEC Challenge ICASSP 2023 |
| ICASSP 2023 : référence et vainqueur, score final et exactitude des mots en reconnaissance vocale | 0,736 contre 0,852 ; 64,9% contre 82,3% | Microsoft, DeepVQE, Interspeech 2023 |
Note de contexte : le score final 2023 est un composite de 0 à 1 qui fait la moyenne de cinq scores subjectifs remis à l’échelle avec l’exactitude des mots ; il n’est donc pas comparable aux moyennes MOS de 2021. Les deux articles de Microsoft impriment des scores gagnants légèrement différents pour 2023 (voir la Méthodologie). Données les plus récentes disponibles : Microsoft, 2023.
5. Mesurer l’écho : pourquoi l’ERLE a perdu du terrain face aux métriques perceptives
L’ERLE (amélioration de l’affaiblissement d’écho, echo return loss enhancement) est le nombre de décibels qu’un annuleur d’écho retire du signal du microphone. Il est facile à calculer, ce qui explique qu’il figure encore en tête des fiches techniques, mais l’ERLE ne corrèle avec les notes des auditeurs qu’à 0,31 (Pearson), car un annuleur peut obtenir un ERLE énorme en coupant la ligne et en détruisant la voix du locuteur côté proche. Le PESQ, une ancienne métrique intrusive de qualité de la parole qui compare la sortie à une référence propre, fait mieux avec 0,67.
L’AECMOS, l’estimateur neuronal de Microsoft, n’a pas besoin de référence propre et prédit les scores d’écho et de dégradation que donneraient des auditeurs. Le changement concret : les équipes peuvent désormais classer des modèles sans payer un test d’écoute à chaque fois. Cela compte pour quiconque a déjà comparé des appareils en laboratoire plutôt que dans de vraies pièces, un écart que nous avons traité dans nos statistiques sur les tests acoustiques en chambre anéchoïque.
| Métrique | Valeur | Source |
|---|---|---|
| ERLE et notes subjectives : corrélation de Pearson (PCC) et de Spearman (SRCC) | 0,31 et 0,23 | Microsoft, article de l’AEC Challenge ICASSP 2021 |
| PESQ et notes subjectives : PCC et SRCC | 0,67 et 0,57 | Microsoft, article de l’AEC Challenge ICASSP 2021 |
| AECMOS (version 2023), corrélation de Pearson avec les notes des auditeurs : écho en parole simple de l’extrémité distante ; écho en double parole ; autres dégradations en double parole | 0,99 (SRCC 0,92) ; 0,99 ; 0,96 | Microsoft, article de l’AEC Challenge ICASSP 2023 |
| Jeu d’entraînement d’origine de l’AECMOS ; votes par clip recueillis par crowdsourcing | 64 013 clips (145,8 heures) ; 5 votes par clip | Microsoft, article AECMOS, ICASSP 2022 |
| Classement empilé d’origine de l’AECMOS : modèles classés ; PCC par concurrent sur l’écho en parole simple de l’extrémité distante | 22 modèles (14 concurrents, 4 modèles profonds et 4 modèles DSP des auteurs) ; 0,996 | Microsoft, article AECMOS, ICASSP 2022 |
| Exactitude des mots en reconnaissance vocale et score subjectif moyen sur les entrées ICASSP 2022 (PCC) | 0,85 | Microsoft, article de l’AEC Challenge ICASSP 2022 |
| Auditeurs par énoncé dans les tests subjectifs ICASSP 2021 ; intervalle de confiance à 95% | 10 auditeurs ; 0,01 MOS | Amazon Web Services, contrôle d’écho PercepNet, arXiv 2021 |
Note sur les valeurs aberrantes : les corrélations par clip sont bien plus faibles que celles par modèle. L’article AECMOS d’origine rapporte un PCC par clip de 0,582 pour l’écho en double parole ; la métrique est donc fiable pour classer des systèmes, pas pour juger un enregistrement isolé.
6. Contrôle d’écho neuronal et linéaire : ce que montrent les comparaisons directes
Les filtres adaptatifs linéaires modélisent le trajet d’écho comme un système linéaire, et peinent donc face à un écho déformé par le haut-parleur saturé d’un ordinateur portable bon marché. Dans le top 5 d’ICASSP 2022, la plupart des systèmes neuronaux étaient construits par-dessus un filtre linéaire plutôt que de le remplacer. Dans un test de ByteDance, le WebRTC AEC3 a supprimé environ 30 dB d’écho tandis qu’un suppresseur neuronal résiduel atteignait 40,8 dB, et l’AEC3 a même dégradé la qualité de la parole en double parole par rapport à l’absence de traitement, à un rapport signal sur écho de 0 dB (écho aussi fort que la voix côté proche).
Prenez les chiffres d’ERLE avec la prudence expliquée dans la section 5 : un ERLE de 78,69 dB indique que la ligne était très silencieuse pendant la parole de l’extrémité distante, pas que la voix côté proche a survécu. Côté éditeur, Microsoft affirme que le modèle d’écho de Teams a été entraîné sur 30 000 heures d’échantillons de parole (Microsoft 365 Blog 2022, affirmation de l’éditeur lui-même), et ses chercheurs DeepVQE disent que le petit modèle a été testé dans Teams auprès de centaines de millions d’utilisateurs.
| Métrique | Valeur | Source |
|---|---|---|
| ERLE, parole simple de l’extrémité distante avec voix : filtre adaptatif linéaire, WebRTC AEC3 et filtre adaptatif plus suppresseur neuronal résiduel | 16,612 dB, 29,976 dB et 40,786 dB | ByteDance, suppression de l’écho résiduel, arXiv 2020 |
| ERLE, parole simple de l’extrémité distante avec voix plus musique : WebRTC AEC3 et suppresseur neuronal résiduel | 25,376 dB et 43,144 dB | ByteDance, suppression de l’écho résiduel, arXiv 2020 |
| PESQ en double parole à un rapport signal sur écho de 0 dB : non traité, WebRTC AEC3 et suppresseur neuronal résiduel | 1,908 ; 1,610 et 2,816 | ByteDance, suppression de l’écho résiduel, arXiv 2020 |
| ERLE : Speex, WebRTC et filtre adaptatif combiné à un réseau de neurones récurrent | 25 dB, 40 dB et 68 dB | Ma et al., arXiv 2020 |
| Annuleur d’écho LSTM à double signal (DTLN-aec) : gain de MOS par rapport à la référence de l’AEC Challenge ; données d’entraînement | 0,30 MOS ; 60 heures de scénarios d’écho réels et synthétiques | Westhausen et Meyer, DTLN-aec, arXiv 2020 |
| Top 5 des systèmes ICASSP 2022 : conceptions hybrides linéaire plus neuronal ; plage de paramètres | 3 sur 5 ; de 1,5M à 55,5M de paramètres | Microsoft, article de l’AEC Challenge ICASSP 2022 |
| Entrées ICASSP 2023 : corrélation du score final avec la taille du modèle ; avec l’usage d’une conception hybride (PCC) | -0,54 ; 0,10 | Microsoft, article de l’AEC Challenge ICASSP 2023 |
| Annuleur d’écho neuronal de bout en bout (janvier 2026) : ERLE avec masquage par détection d’activité vocale ; paramètres ; gain moyen de MOS grâce à une stratégie d’entraînement | 78,69 dB ; 1,2M de paramètres ; 4,31 à 4,38 | Alibaba Tongyi Lab, E2E-AEC, arXiv 2026 |
Note de contexte : ces résultats proviennent de jeux de test différents ; ils classent donc les méthodes au sein de chaque article, pas d’un article à l’autre. Données les plus récentes disponibles pour les comparaisons AEC3 et Speex : ByteDance et Ma et al., 2020.
Résumé : l’annulation d’écho acoustique en chiffres
| Métrique | Valeur | Source |
|---|---|---|
| Temps de convergence du test 2A de la G.168 | Environ 1 s plus le retard du trajet d’écho | ITU-T G.168 (04/2015) |
| Affaiblissement de couplage du terminal pondéré d’un casque, à tout volume et nominal | Au moins 46 dB et au moins 55 dB | 3GPP TS 26.131 (Rel-19) |
| Affaiblissement d’écho du réseau au point d’interconnexion | Au moins 46 dB | 3GPP TS 26.132 (Rel-19) |
| Catégories de double parole en mains libres | 5 ; la catégorie 1 atténue la parole émise d’au plus 3 dB | HEAD acoustics, décrivant l’ITU-T P.340 |
| Recommandation sur les terminaux mains libres, dernière édition | P.340 (07/2026) | Résumé ITU-T P.340 2026 |
| Délai unidirectionnel pour une interactivité transparente | Moins de 150 ms | ITU-T G.114 (05/2003) |
| Plafond de latence de l’AEC Challenge, 2023 | 20 ms de latence algorithmique plus tampon | Dépôt AEC-Challenge de Microsoft |
| ERLE et notes des auditeurs | PCC 0,31 | Microsoft, article de l’AEC Challenge ICASSP 2021 |
| AECMOS et notes d’écho de l’extrémité distante | PCC 0,99 | Microsoft, article de l’AEC Challenge ICASSP 2023 |
| Jeu d’entraînement d’origine de l’AECMOS | 64 013 clips, 145,8 heures | Microsoft, article AECMOS, ICASSP 2022 |
| ICASSP 2021, référence et vainqueur | 3,68 contre 4,11 | Amazon Web Services, contrôle d’écho PercepNet, arXiv 2021 |
| INTERSPEECH 2021, entrée la mieux notée et référence | 4,43 contre 3,87 | Microsoft, résultats de l’AEC Challenge INTERSPEECH 2021 |
| Mobile et ordinateur de bureau, dégradation en double parole | Mobile inférieur de 0,75 MOS | Microsoft, article de l’AEC Challenge ICASSP 2022 |
| Temps CPU par trame de DeepVQE-S | 0,14 ms (facteur temps réel 0,014) | Microsoft, DeepVQE, Interspeech 2023 |
| WebRTC AEC3 et suppresseur neuronal résiduel, ERLE | 29,976 dB et 40,786 dB | ByteDance, suppression de l’écho résiduel, arXiv 2020 |
| Speex, WebRTC et RNN hybride, ERLE | 25 dB, 40 dB et 68 dB | Ma et al., arXiv 2020 |
| Gain du DTLN-aec par rapport à la référence du challenge | 0,30 MOS | Westhausen et Meyer, DTLN-aec, arXiv 2020 |
| AEC neuronal de bout en bout, ERLE (2026) | 78,69 dB avec 1,2M de paramètres | Alibaba Tongyi Lab, E2E-AEC, arXiv 2026 |
Méthodologie et sources
- ITU-T : G.168, Annuleurs d’écho de réseau numérique (04/2015, Corrigendum 12/2022), G.167, Contrôleurs d’écho acoustique (03/1993, retirée), résumé de la P.340 (07/2026), P.1110, Communication mains libres large bande dans les véhicules à moteur (10/2025), G.114, Temps de transmission unidirectionnel (05/2003)
- 3GPP : TS 26.131, Caractéristiques acoustiques des terminaux pour la téléphonie ; Exigences (Rel-19) et TS 26.132, Spécification des tests acoustiques des terminaux de téléphonie vocale et vidéo (Rel-19)
- HEAD acoustics : fiche technique ACOPT 32 Double parole fondée sur la parole (reprend les catégories de l’ITU-T P.340)
- Microsoft Research : article de l’AEC Challenge ICASSP 2021, résultats de l’AEC Challenge INTERSPEECH 2021, article de l’AEC Challenge ICASSP 2022, article de l’AEC Challenge ICASSP 2023, article AECMOS, DeepVQE, Interspeech 2023, dépôt 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 et Su : Acoustic echo cancellation by combining adaptive digital filter and recurrent neural network (2020)
- Westhausen et 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 (janvier 2026)
- Microsoft 365 Blog : How Microsoft Teams uses AI and machine learning to improve calls and meetings (2022, affirmation de l’éditeur)
- Note sur les données : aucune plateforme n’a publié de taux d’écho issu de la télémétrie dans les appels réels, ce tour d’horizon n’en rapporte donc aucun ; les articles de Microsoft décrivent l’écho seulement de façon qualitative comme une plainte majeure. Les deux sources Microsoft divergent légèrement sur le vainqueur 2023 : l’article du challenge ICASSP 2023 indique un score de première place de 0,854, tandis que le tableau de l’article DeepVQE indique le vainqueur de l’AEC à 0,852. Les sources de Microsoft divergent aussi sur le jeu de données ICASSP 2022 : l’article ICASSP 2022 parle de plus de 10 000 environnements et appareils, tandis que l’article ICASSP 2023 en indique 7 500 pour cette édition. Les corrélations de 0,31 pour l’ERLE et de 0,67 pour le PESQ sont identiques dans les articles des challenges 2021, 2022 et 2023, ce qui suggère une seule étude sous-jacente plutôt que trois mesures indépendantes. Les corrélations de l’AECMOS varient selon la version du modèle (l’article ICASSP 2022 rapporte un PCC de 0,828 pour l’écho de l’extrémité distante, celui de 2023 0,99). L’article INTERSPEECH 2021 affirme que presque tous les participants ont battu la référence, alors que le tableau de résultats public montre 10 entrées classées sur 14 au-dessus de la moyenne de la référence. Les valeurs d’ERLE des comparaisons Speex et WebRTC de 2020 proviennent du jeu de test et des réglages propres à chaque article. La plupart des données de l’AEC Challenge datent de 2021 à 2023 parce que le dépôt AEC-Challenge liste ICASSP 2023 comme dernière édition ; le texte intégral de la P.340 (07/2026) et le fichier Rel-20 de la 3GPP TS 26.132 sont les prochaines mises à jour à vérifier.
Dernière mise à jour : 24 octobre 2026. Nous actualisons ce tour d’horizon chaque trimestre, et la prochaine révision est attendue à la publication du texte intégral de l’ITU-T P.340 (07/2026).