Les Deep Noise Suppression (DNS) Challenges de 2021 plafonnaient la latence algorithmique totale à 40 ms, alors qu’une étude de 2025 sur les hearables (appareils auditifs portés) a fait tourner une suppression de bruit neuronale à 1,25 ms de latence algorithmique et 3,35 ms de bout en bout sur un DSP basse consommation (Microsoft Research, article du DNS Challenge d’Interspeech 2021 ; Dementyev et al., arXiv 2025). Les tailles de modèles couvrent plus de trois ordres de grandeur : RNNoise utilise 87 503 poids et GTCRN annonce 23,7K paramètres, tandis que le meilleur système URGENT d’Interspeech 2025 en utilisait environ 102M. Les tests d’écoute continuent de révéler ce que les métriques de laboratoire manquent : le PercepNet complet avait un PESQ inférieur à sa variante sans post-filtre (2,54 contre 2,73) mais un MOS d’auditeurs supérieur (4,05 contre 3,91). La suppression de bruit n’est que la moitié de l’isolation vocale ; l’autre moitié, séparer un locuteur des autres, est traitée dans nos statistiques sur la séparation de la parole et l’effet cocktail party, et le volet commercial de ces outils dans nos statistiques sur les logiciels de réduction de bruit en entreprise. Nous avons agrégé des données issues des articles du DNS Challenge de Microsoft Research, de l’ITU-T, des travaux de Mozilla et Xiph.Org sur RNNoise, des articles DeepFilterNet, des organisateurs du défi URGENT, de la documentation Maxine de NVIDIA et de chercheurs universitaires et industriels indépendants.
TL;DR
- Un suppresseur neuronal de 1,25 ms a tourné sur un DSP basse consommation avec 3,35 ms de latence de bout en bout (Dementyev et al., article sur les hearables sub-milliseconde, arXiv 2025).
- RNNoise fonctionne avec 87 503 poids, soit environ 1,3% d’un cœur x86 (Mozilla, article RNNoise, MMSP 2018).
- GTCRN annonce 23,7K paramètres et 39,6 MMACs par seconde (Rong et al., GTCRN, ICASSP 2024).
- DeepFilterNet2 compte 2,306 M de paramètres et un facteur temps réel de 0,42, même sur un Raspberry Pi 4 (Schröter et al., article DeepFilterNet2 2022).
- Un denoiser GPU a besoin de 0,410 ms (p95) pour traiter une trame de 10 ms sur un GPU portable (NVIDIA, guide de performance du SDK Maxine AFX, déclaration du fournisseur).
- PercepNet a obtenu un MOS d’auditeurs de 4,05 contre 3,40 pour l’entrée bruitée sur VCTK (Valin et al., article PercepNet, Interspeech 2020).
- Le vainqueur de l’URGENT d’Interspeech 2025 utilisait environ 102M de paramètres, soit environ 12 fois les 8,5M de la référence (Saijo et al., article de l’URGENT 2025 Challenge).
- Prédire à l’avance pour atteindre 0 ms de latence a fait chuter le SI-SDR de 2,8341 dB à -3,6493 dB (Wang et al., IEEE/ACM TASLP 2022).
- L’ITU-T P.835, le test à trois notes pour les suppresseurs de bruit, a une nouvelle édition, P.835 (07/26) (page de la Recommandation ITU-T P.835, 2026).
- L’URGENT Challenge d’ICASSP 2026 a réuni 80 inscriptions à la piste 1 et des soumissions valides de 29 équipes (Li et al., article de l’URGENT Challenge ICASSP 2026).
1. Budgets de latence : quel retard la suppression de bruit en temps réel peut-elle se permettre
La latence algorithmique est le retard inhérent à la méthode elle-même (la longueur de la trame d’analyse plus toute anticipation sur l’audio futur), de sorte qu’un processeur plus rapide ne peut pas la supprimer. Le temps de traitement est un point distinct : un système temps réel doit seulement terminer chaque trame avant l’arrivée de la suivante. Les DNS Challenges de 2021 plafonnaient la latence algorithmique totale à 40 ms, ce qui est généreux selon les standards des aides auditives et serré pour un modèle qui veut voir l’audio futur.
Ces 40 ms sont consommées avant même que l’audio ne quitte l’ordinateur. Lors d’un appel, le retard du suppresseur s’ajoute à l’annulation d’écho, aux codecs et au réseau ; le contrôle d’écho a son propre budget et ses propres benchmarks, traités dans nos statistiques sur l’annulation d’écho acoustique. La règle est énoncée dans l’article du DNS Challenge d’Interspeech 2021, et les chiffres de conception proviennent de l’article PercepNet et de l’article DeepFilterNet3.
| Métrique | Valeur | Source |
|---|---|---|
| Règle temps réel du DNS Challenge : latence algorithmique totale (trame + pas + anticipation) et temps de traitement par trame | 40 ms ou moins ; inférieur au temps de pas sur un Intel Core i5 quadricœur à 2,4 GHz (une trame de 32 ms avec un pas de 16 ms, soit 48 ms, échoue) | Microsoft Research, articles des DNS Challenges ICASSP 2021 et Interspeech 2021 |
| Fenêtre d’analyse, pas et anticipation de RNNoise | fenêtres de 20 ms, décalage de 10 ms ; anticipation de 10 ms | Mozilla, article RNNoise, MMSP 2018 ; page de démonstration RNNoise de Xiph.Org 2017 |
| Taille de trame et anticipation de PercepNet | trames de 10 ms, anticipation de 40 ms | Valin et al., article PercepNet, Interspeech 2020 |
| Latence algorithmique de DeepFilterNet3 | 40 ms (fenêtre de 20 ms, pas de 10 ms, 2 trames d’anticipation) | Schröter et al., article DeepFilterNet3, Interspeech 2023 |
| Conception STFT à très faible latence : tailles de fenêtre et latence algorithmique résultante | fenêtre d’entrée de 16 ms, fenêtre de sortie de 4 ms, pas de 2 ms ; latence de 4 ms, ou 2 ms avec prédiction d’une trame à l’avance | Wang et al. (CMU, MERL), IEEE/ACM TASLP 2022 |
| Latence algorithmique typique de l’amélioration de la parole par apprentissage automatique et objectif pour les hearables | 16 à 32 ms contre moins de 2 ms de bout en bout (environ 1 ms ou moins en algorithmique) | Dementyev et al., article sur les hearables sub-milliseconde, arXiv 2025 |
| Effet GPU de Denoiser v2 : taille de trame et seuil de libération par trame (test du fournisseur lui-même) | trames de 10 ms (160 échantillons à 16 kHz) ; le temps de trame p95 doit rester sous le budget de 10 ms | NVIDIA, guide de performance Windows du SDK Maxine AFX (déclaration du fournisseur) |
Données les plus récentes disponibles pour la règle du défi : 2021 ; les éditions DNS ultérieures renvoient leurs définitions en millisecondes au site web du défi. Données les plus récentes disponibles pour RNNoise et PercepNet : articles de 2018 et 2020.
2. Calcul et taille des modèles : de 23,7K paramètres à 8 millions
GTCRN annonce 23,7K paramètres, tandis que PercepNet utilise 8M de poids et environ 800 MMACS, soit environ 340 fois plus de poids (8 000 000 / 23 700) pour un modèle qui fonctionne lui aussi en temps réel. Le facteur temps réel (RTF) est le temps de traitement divisé par la durée de l’audio ; un RTF inférieur à 1 signifie donc que le modèle suit l’audio en direct.
Lecture pratique : le calcul n’est plus ce qui empêche la suppression neuronale sur un ordinateur portable. RNNoise demandait environ 1,3% d’un cœur sur un processeur portable de l’ère Haswell et PercepNet moins de 5% d’un cœur. La question ouverte concerne les téléphones, les écouteurs et les DSP, où un RTF de 0,42 sur un Raspberry Pi 4 laisse encore peu de marge. Les chiffres proviennent de l’article RNNoise, de l’article DeepFilterNet2 et de la page de l’article GTCRN.
| Métrique | Valeur | Source |
|---|---|---|
| Taille et charge CPU de RNNoise | 87 503 poids ; environ 40 MFLOPS ; environ 1,3% d’un cœur Intel i7-4800MQ, environ 14% d’un cœur Raspberry Pi 3 | Mozilla, article RNNoise, MMSP 2018 |
| Fichier modèle RNNoise avec poids de 8 bits contre flottants de 32 bits, et vitesse | 85 kB contre 340 kB ; environ 60x plus rapide que le temps réel sur x86, environ 7x sur un Raspberry Pi 3 | Xiph.Org, page de démonstration RNNoise 2017 |
| Taille et charge CPU de PercepNet | 8M de poids ; environ 800 MMACS ; 5,2% d’un cœur Intel i7-8565U (trames de 10 ms), 4,1% (trames de 40 ms) | Valin et al., article PercepNet, Interspeech 2020 |
| DeepFilterNet contre DeepFilterNet2 : paramètres, calcul, RTF sur un Core i5-8250U | 1,778 M contre 2,306 M ; 0,348 contre 0,356 GMACs ; RTF 0,11 contre 0,04 (0,42 sur un Raspberry Pi 4) | Schröter et al., article DeepFilterNet2 2022 |
| Taille et calcul de GTCRN | 23,7K paramètres ; 39,6 MMACs par seconde | Rong et al., GTCRN, ICASSP 2024 |
| Taille et calcul d’UL-UNAS | 169k paramètres ; 34M de MACs par seconde ; anticipation de 0 ms | Rong et al., UL-UNAS, Neural Networks 2025 |
| Denoiser v2 sur un GPU portable RTX 3500 Ada (mesure du fournisseur lui-même) | p95 de 0,410 ms par trame de 10 ms ; débit p50 de 26,74x le temps réel ; 215 MiB de mémoire GPU | NVIDIA, guide de performance Windows du SDK Maxine AFX (déclaration du fournisseur) |
La documentation du denoiser de NVIDIA ajoute sa propre réserve : une entrée dont le SNR est inférieur à 5 dB peut produire une sortie déformée.
3. Scores de qualité des benchmarks : PESQ et DNSMOS pour des modèles nommés
Le PESQ compare l’audio traité à une référence propre ; le DNSMOS est un modèle neuronal qui prédit ce que diraient des auditeurs sans avoir besoin de référence. Sur le jeu de test courant VoiceBank+DEMAND, le PESQ est passé de 1,97 pour la parole bruitée non traitée à 3,17 pour DeepFilterNet3, RNNoise se situant en bas du peloton neuronal.
La ligne DNSMOS contient l’avertissement le plus utile. Sur le jeu de test en aveugle DNS4, RNNoise a fait passer le score de parole prédit (SIG) sous celui de l’entrée bruitée tout en augmentant le score global, ce qui est le compromis classique : moins de bruit, voix légèrement abîmée. L’article de PercepNet montre le problème inverse pour le PESQ, la version préférée des auditeurs ayant un PESQ plus bas. Données issues de l’article DeepFilterNet3 et de l’article UL-UNAS.
| Métrique | Valeur | Source |
|---|---|---|
| PESQ VoiceBank+DEMAND : entrée bruitée contre RNNoise contre DeepFilterNet2 (avec post-filtre) | 1,97 contre 2,33 contre 3,03 | Schröter et al., article DeepFilterNet2 2022 |
| PESQ et STOI de DeepFilterNet3 sur VoiceBank+DEMAND | 3,17 et 0,944 | Schröter et al., article DeepFilterNet3, Interspeech 2023 |
| DNSMOS sur le jeu en aveugle DNS4, parole (SIG) et global (OVRL) : bruité contre RNNoise contre DeepFilterNet2 | SIG 4,144 contre 3,884 contre 4,196 ; OVRL 3,291 contre 3,378 contre 3,882 | Schröter et al., article DeepFilterNet2 2022 |
| PESQ VCTK-DEMAND : GTCRN contre UL-UNAS entraîné avec une perte PESQ | 2,87 contre 3,09 | Rong et al., UL-UNAS, Neural Networks 2025 |
| PESQ du jeu en aveugle DNS3 et anticipation : GTCRN contre LiSenNet contre UL-UNAS | 2,10 (0 ms) contre 2,23 (32 ms) contre 2,28 (0 ms) | Rong et al., UL-UNAS, Neural Networks 2025 |
| PESQ-WB de PercepNet avec et sans son post-filtre | 2,54 contre 2,73 | Valin et al., article PercepNet, Interspeech 2020 |
| MOS d’auditeurs P.808 sur VCTK 48 kHz : bruité contre RNNoise contre PercepNet | 3,40 contre 3,70 contre 4,05 | Valin et al., article PercepNet, Interspeech 2020 |
Contexte : VoiceBank+DEMAND est un jeu de test réduit et surtout synthétique ; ces classements en disent donc plus sur le progrès relatif que sur les appels réels. La ligne DNS3 est celle que les lecteurs intéressés par la latence doivent retenir : un modèle sans anticipation (2,28) a obtenu un PESQ supérieur à celui d’un modèle avec 32 ms d’anticipation (2,23).
4. Résultats des défis : DNS 2021 à 2023 et URGENT 2025 à 2026
Les résultats des défis de 2020 à 2026 montrent que les gains mesurés par rapport à l’entrée bruitée restent faibles, même pour les vainqueurs. À ICASSP 2021, le meilleur modèle n’était que de 0,53 DMOS (différence de note moyenne d’opinion) meilleur que l’entrée bruitée, que les organisateurs situent à un MOS absolu de 3,38, et seule la moitié des soumissions ont battu la référence. La suppression personnalisée, que Teams propose sous le nom d’isolation vocale, enregistre un échantillon de la voix de l’utilisateur et supprime aussi les autres locuteurs ; dans la piste personnalisée d’ICASSP 2022, aucune équipe n’a amélioré le score de parole. Dans Teams, l’isolation vocale est activée par défaut dans la politique d’administration et le profil vocal est stocké sur l’appareil de l’utilisateur (Microsoft Learn, page d’administration de l’isolation vocale de Teams, mise à jour en 2026).
URGENT (amélioration de la parole « universelle ») est plus large que la suppression de bruit : il ajoute la réverbération, l’écrêtage, la perte de codec, la perte de paquets et le bruit de vent, et accepte une entrée de 8 à 48 kHz. Ses résultats de 2025 montrent la taille des modèles évoluant dans le sens opposé à celui de la section 2. Sources : article DNS ICASSP 2021, article DNS ICASSP 2022, article DNS ICASSP 2023, article URGENT 2025 et article URGENT 2026.
| Métrique | Valeur | Source |
|---|---|---|
| DNS Interspeech 2020, piste temps réel : rang de PercepNet et MOS P.808 contre entrée bruitée et référence | 2e place ; 3,52 contre 3,01 contre 3,03 | Valin et al., article PercepNet, Interspeech 2020 |
| DNS ICASSP 2021 piste 1 : équipes et meilleur résultat contre l’entrée bruitée | 16 équipes ; meilleur modèle supérieur de 0,53 DMOS au bruité (MOS absolu 3,38) ; la moitié des soumissions ont battu la référence | Microsoft Research, article du DNS Challenge ICASSP 2021 |
| DNS Interspeech 2021 : meilleur MOS global contre plafond avec suppression parfaite du bruit ; scores de parole | Environ 3,78 contre 3,92 ; la plupart des équipes autres que les deux premières ont obtenu un MOS de parole inférieur au bruité | Microsoft Research, article du DNS Challenge Interspeech 2021 |
| Piste personnalisée (isolation vocale) ICASSP 2022 : durée d’enregistrement et résultat contre bruité | 2,5 minutes par locuteur ; aucune équipe n’a amélioré le SIG ; précision des mots inférieure de 2% | Microsoft Research, article du DNS Challenge ICASSP 2022 |
| DNS ICASSP 2023 : soumissions et gain de Score du vainqueur sur le jeu en aveugle bruité, casque contre téléphone en mode haut-parleur | 11 et 11 soumissions ; 0,145 contre 0,141 | Microsoft Research, article du DNS Challenge ICASSP 2023 |
| URGENT Interspeech 2025 : soumissions et taille du système vainqueur contre la référence | 32 soumissions ; environ 102M contre environ 8,5M de paramètres | Saijo et al., article de l’URGENT Challenge Interspeech 2025 |
| URGENT Interspeech 2025 : MOS du système purement génératif, rang général et précision des caractères en chinois et en japonais | MOS le plus élevé (3,69) mais classé 13e ; 20,1% et 36,8% | Saijo et al., article de l’URGENT Challenge Interspeech 2025 |
| URGENT ICASSP 2026 : inscriptions à la piste 1, équipes valides, taille du test en aveugle | 80 inscriptions ; 29 équipes avec des soumissions valides sur les deux pistes ; 840 échantillons dont 5 langues jamais vues | Li et al., article de l’URGENT Challenge ICASSP 2026 |
Le plafond de 3,92 dans la ligne d’Interspeech 2021 est le calcul des organisateurs eux-mêmes : si le bruit était noté à la perfection (5) et que la parole restait aussi bonne que dans l’extrait bruité, le MOS global plafonnerait à cette valeur. En 2021, les vainqueurs avaient supprimé l’essentiel du bruit et l’écart restant tenait à la qualité de la parole. Le Score d’ICASSP 2023 est 0,5 x [WAcc + 0,25 x (OVRL - 1)], il pondère donc à parts égales la précision des mots et la qualité perçue par les auditeurs.
5. Mesurer la qualité : ITU-T P.835, P.808 et DNSMOS
L’ITU-T P.835 demande aux auditeurs trois notes distinctes : le signal de parole (SIG), le bruit de fond (BAK) et la qualité globale (OVRL). Cette séparation compte pour la suppression de bruit, car un modèle peut gagner sur le bruit et perdre sur la voix dans le même extrait. Le DNSMOS suivait les notes humaines avec un PCC de 0,93 par modèle, contre 0,78 pour le PESQ et seulement 0,23 pour le SDR, ce qui explique pourquoi les organisateurs du DNS ont entraîné une métrique sur des notes d’auditeurs au lieu de s’en remettre au PESQ.
Le piège est la granularité. La version P.835 du DNSMOS est bien plus faible sur un seul extrait que lorsqu’elle est moyennée sur tout un modèle ; il faut donc traiter le DNSMOS d’un extrait isolé comme un indice, pas comme un verdict. La même logique vaut pour les voix synthétiques, traitées dans nos statistiques sur le MOS de naturalité de la parole synthétique. Sources : page ITU-T P.835, page ITU-T P.808, article DNSMOS et article DNSMOS P.835.
| Métrique | Valeur | Source |
|---|---|---|
| Éditions de l’ITU-T P.835 | P.835 (07/26) en vigueur, prépubliée ; P.835 (11/03) remplacée | Page de la Recommandation ITU-T P.835, consultée en octobre 2026 |
| Éditions de l’ITU-T P.808 | P.808 (06/21) en vigueur ; P.808 (06/18) remplacée | Page de la Recommandation ITU-T P.808, consultée en octobre 2026 |
| Corrélation du DNSMOS avec les auditeurs par modèle (PCC) contre PESQ, POLQA, SDR ; DNSMOS P.835 global, niveau modèle contre extrait isolé | 0,93 contre 0,78, 0,79, 0,23 ; 0,98 contre 0,82 | Reddy et al., Microsoft, articles DNSMOS (2020) et DNSMOS P.835 (2021) |
| Tests d’écoute de PercepNet : échantillons VCTK et auditeurs par échantillon ; auditeurs par extrait du test DNS | 824 échantillons, 8 auditeurs chacun (IC à 95% 0,04) ; 10 auditeurs chacun (IC à 95% 0,02) | Valin et al., article PercepNet, Interspeech 2020 |
| Méthode et périmètre du test subjectif URGENT 2025 | Notation par catégorie absolue ITU-T P.808 sur Amazon Mechanical Turk ; données en anglais uniquement | Saijo et al., article de l’URGENT Challenge Interspeech 2025 |
| Tests d’écoute URGENT ICASSP 2026 et données de prédiction du MOS | 6 meilleurs systèmes notés en P.808 ACR et CCR ; 8 000 échantillons annotés en MOS issus de 16 systèmes | Li et al., article de l’URGENT Challenge ICASSP 2026 |
La révision de la P.835 est l’élément le plus récent ici : l’édition de 2003 a été remplacée par la P.835 (07/26), dont le titre couvre désormais les terminaux « offrant une fonctionnalité de suppression de bruit ». Son texte intégral n’était pas encore public lors de notre vérification ; les éventuels changements de méthode ne sont donc pas reflétés dans les chiffres ci-dessus.
6. Le compromis entre latence et qualité
Réduire la latence coûte à la fois de la qualité et du calcul. Dans une étude de 2025 sur les hearables, un modèle de 1 ms demandait 840 MIPS alors qu’un modèle à recouvrement-addition de 16 ms en demandait 105 MIPS, et le modèle de 16 ms obtenait encore un meilleur score (DNSMOS OVRL 2,35 contre 2,13 sur CHiME-2). Une étude antérieure de CMU et MERL a trouvé la même allure pour le PESQ, et a montré que tenter de prédire en avance sur l’audio pour atteindre 0 ms fait s’effondrer le SI-SDR.
La réponse de l’étude sur les hearables a été de changer le filtre de sortie plutôt que de réduire la fenêtre : une conception FIR à phase minimale a maintenu le SI-SDR à peu près stable de 0,32 à 1,25 ms et a ramené la latence de bout en bout de 7,1 ms à 3,35 ms. Le chat en direct tolère bien mieux le retard que les hearables, mais la latence du suppresseur s’ajoute quand même à toutes les autres étapes, par exemple lorsque des effets sont empilés dans une chaîne de changeur de voix Discord. Données issues de l’article sur les hearables et de l’article STFT à très faible latence.
| Métrique | Valeur | Source |
|---|---|---|
| DNSMOS OVRL sur CHiME-2 : non traité contre modèles de 1 ms, 2 ms, 4 ms et 16 ms | 1,3 contre 2,13 contre 2,25 contre 2,28 contre 2,35 | Dementyev et al., article sur les hearables sub-milliseconde, arXiv 2025 |
| SI-SDR sur CHiME-2 : modèles de 1 ms, 2 ms et 16 ms | 8,0 dB contre 11,10 dB contre 12,98 dB | Dementyev et al., article sur les hearables sub-milliseconde, arXiv 2025 |
| Calcul du modèle de 1 ms contre le modèle à recouvrement-addition de 16 ms | 840 MIPS contre 105 MIPS | Dementyev et al., article sur les hearables sub-milliseconde, arXiv 2025 |
| Modèle Deep FIR de 1,25 ms proposé : paramètres, calcul, latence de bout en bout sur un NXP i.MX RT600 | 626k paramètres ; 376 MIPS ; 3,35 ms | Dementyev et al., article sur les hearables sub-milliseconde, arXiv 2025 |
| PESQ à un seul microphone, système à fenêtre rectangulaire : non traité contre 4 ms contre 2 ms contre 0 ms (prédiction à l’avance) | 1,44 contre 1,8997 contre 1,84575 contre 1,7138 | Wang et al. (CMU, MERL), IEEE/ACM TASLP 2022 |
| SI-SDR à un seul microphone, système à fenêtre rectangulaire, à 4 ms contre 0 ms (prédiction à l’avance) | 2,8341 dB contre -3,6493 dB | Wang et al. (CMU, MERL), IEEE/ACM TASLP 2022 |
| PESQ à six microphones à 4 ms contre 2 ms (même système en deux étapes) | 2,698490 contre 2,47482 | Wang et al. (CMU, MERL), IEEE/ACM TASLP 2022 |
| Test de taille de fenêtre de DeepFilterNet : seuil à partir duquel les masques de rapport complexes perdent en qualité | fenêtres FFT de 20 ms ou moins (le filtrage profond reste stable de 5 à 30 ms) | Schröter et al., article DeepFilterNet, ICASSP 2022 |
Remarque sur les valeurs aberrantes : les modèles de 1 ms et moins de l’étude sur les hearables ne pouvaient pas tourner en temps réel sur le DSP cible ; leurs chiffres de bout en bout sont donc des estimations des auteurs.
Résumé : la latence de la suppression de bruit neuronale et de l’isolation vocale par IA en chiffres
| Métrique | Valeur | Source |
|---|---|---|
| Modèle Deep FIR pour hearables fonctionnant en temps réel sur un DSP basse consommation | 1,25 ms algorithmique, 3,35 ms de bout en bout | Dementyev et al., arXiv 2025 |
| Taille du test en aveugle de l’URGENT ICASSP 2026 | 840 échantillons, dont 5 langues jamais vues | Li et al., article de l’URGENT Challenge ICASSP 2026 |
| Poids de RNNoise | 87 503 | Mozilla, article RNNoise, MMSP 2018 |
| Paramètres et calcul de GTCRN | 23,7K ; 39,6 MMACs par seconde | Rong et al., GTCRN, ICASSP 2024 |
| Paramètres et anticipation d’UL-UNAS | 169k ; 0 ms | Rong et al., UL-UNAS, Neural Networks 2025 |
| PESQ VoiceBank+DEMAND, entrée bruitée contre DeepFilterNet3 | 1,97 contre 3,17 | Schröter et al., articles DeepFilterNet2 et DeepFilterNet3 |
| Temps p95 de Denoiser v2 par trame de 10 ms sur un GPU portable (déclaration du fournisseur) | 0,410 ms | NVIDIA, guide de performance du SDK Maxine AFX |
| MOS d’auditeurs de PercepNet contre entrée bruitée sur VCTK | 4,05 contre 3,40 | Valin et al., article PercepNet, Interspeech 2020 |
| Taille du vainqueur de l’URGENT 2025 contre la référence | Environ 102M contre 8,5M de paramètres | Saijo et al., article de l’URGENT 2025 Challenge |
| Système génératif de l’URGENT 2025 : MOS d’auditeurs contre rang général | 3,69 (le plus élevé) contre 13e | Saijo et al., article de l’URGENT 2025 Challenge |
| Équipes valides de l’URGENT ICASSP 2026 | 29 | Li et al., article de l’URGENT Challenge ICASSP 2026 |
| PESQ à un seul microphone à 4 ms contre 0 ms de latence | 1,8997 contre 1,7138 | Wang et al., IEEE/ACM TASLP 2022 |
| Édition la plus récente de l’ITU-T P.835 | P.835 (07/26), en vigueur (prépubliée) | Page de la Recommandation ITU-T P.835 |
| Édition de l’ITU-T P.808 en vigueur | P.808 (06/21) | Page de la Recommandation ITU-T P.808 |
| Taille du modèle RNNoise avec poids de 8 bits | 85 kB | Xiph.Org, page de démonstration RNNoise 2017 |
| Vitesse de RNNoise sur x86 | Environ 60x plus rapide que le temps réel | Xiph.Org, page de démonstration RNNoise 2017 |
Méthodologie et sources
- Microsoft (articles de Research et documentation Learn) : article du DNS Challenge ICASSP 2021 (2020), article du DNS Challenge Interspeech 2021 (2021), article du DNS Challenge ICASSP 2022 (2022), article du DNS Challenge ICASSP 2023 (2023), Reddy et al. DNSMOS (2020) et DNSMOS P.835 (2021), et la page d’administration de l’isolation vocale de Teams (mise à jour en 2026).
- ITU-T, Recommandation P.835 et Recommandation P.808, consultées en octobre 2026.
- Mozilla, article RNNoise (MMSP 2018) et page de démonstration RNNoise de Xiph.Org (2017).
- Valin et al., article PercepNet (Interspeech 2020).
- Schröter et al., DeepFilterNet (ICASSP 2022), DeepFilterNet2 (2022) et DeepFilterNet3 (Interspeech 2023).
- Rong et al., GTCRN (ICASSP 2024) et 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, mars 2025).
- Saijo et al., Interspeech 2025 URGENT Challenge (2025) et Li et al., ICASSP 2026 URGENT Challenge (2026).
- NVIDIA, guide de performance du SDK Maxine AFX et page de l’effet denoiser (documentation du fournisseur, signalée comme déclarations du fournisseur).
- Note sur les données : la plupart des données du DNS Challenge datent de 2020 à 2023 ; l’article ICASSP 2023 est le rapport du DNS Challenge le plus récent que nous ayons trouvé, il constitue donc les données les plus récentes disponibles pour cette série de benchmarks. Le PESQ de RNNoise sur VoiceBank+DEMAND est de 2,33 dans le tableau de DeepFilterNet2 mais de 2,29 dans les tableaux de PercepNet et d’UL-UNAS. GTCRN apparaît avec 23,7K paramètres et 39,6 MMACs dans le résumé d’ICASSP 2024, mais l’article UL-UNAS cite des chiffres actualisés du dépôt de code, à savoir 48k paramètres et 34 MMACs. DeepFilterNet2 annonce un RTF de 0,04 et DeepFilterNet3 un RTF de 0,19 (mono-thread) sur le même Core i5-8250U, ce qui signifie que les réglages de threading ou de mesure diffèrent. L’article sur les hearables donne 0,32 ms dans son résumé et 0,34 ms dans son introduction pour la latence la plus courte. Les valeurs de l’article de CMU et MERL sur la faible latence sont citées avec la précision imprimée dans ses tableaux. Les chiffres GPU du fournisseur proviennent d’un seul GPU portable et ne sont pas des garanties. Les valeurs SIG, BAK et OVRL par équipe pour les éditions DNS 2022 et 2023 n’existent que sous forme de graphiques, nous ne les avons donc pas transcrites. Le texte intégral de l’ITU-T P.835 (07/26) n’était pas encore public. Dernière mise à jour : 25 octobre 2026. Nous actualisons ce tour d’horizon chaque trimestre, et la prochaine révision est attendue lorsque les actes de l’URGENT Challenge ICASSP 2026 et le texte publié de l’ITU-T P.835 (07/26) seront disponibles.