La séparation de la parole à deux locuteurs sur le benchmark WSJ0-2mix est passée d’environ 6 dB de gain de signal avec le clustering profond en 2015 à 25,1 dB SI-SNRi en 2024 (Hershey et al., arXiv 2015 ; SepReformer, NeurIPS 2024), un bond qui a transformé le ‘problème du cocktail party’ d’une curiosité de laboratoire en fonctionnalités commercialisées dans les appareils auditifs et les casques. Le hic, c’est que les benchmarks propres flattent les modèles : Conv-TasNet tombe de 15,3 dB sur des mélanges propres à 8,3 dB dès qu’on ajoute du bruit et de la réverbération (article MossFormer2, arXiv 2312.11825, tableaux comparatifs). La demande est considérable, avec 430 millions de personnes ayant besoin d’une réadaptation pour une perte auditive invalidante (fiche d’information de l’OMS, mars 2026). Nous avons agrégé des données issues d’articles évalués par des pairs sur arXiv, IEEE ICASSP, Interspeech et NeurIPS, des défis DNS et NOTSOFAR-1 de Microsoft, de Google Research, de MERL, de l’OMS, de la FDA, de MarkeTrak 2025 et des groupes de recherche de l’Université de Washington et de l’Université Columbia. Pour le versant grand public de la même technologie, consultez nos statistiques sur les séparateurs audio IA.
TL;DR
- Meilleur résultat à deux locuteurs sur WSJ0-2mix : 25,1 dB SI-SNRi (SepReformer-L avec mixage dynamique, NeurIPS 2024 ; TF-Locoformer L, MERL 2024).
- Le clustering profond a apporté environ 6 dB d’amélioration sur des mélanges de locuteurs en 2015 (Hershey et al., arXiv 1508.04306).
- Conv-TasNet a atteint 15,3 dB SI-SNRi avec 5,1 M de paramètres et une latence minimale de 2 ms (Luo et Mesgarani, IEEE/ACM TASLP 2019).
- SepReformer-B atteint 23,8 dB à 39,8 GMACs/s contre 23,5 dB à 460,8 GMACs/s pour TF-GridNet (SepReformer, NeurIPS 2024).
- SepFormer nécessite 35,3 Go de mémoire maximale à l’entraînement contre 2,0 Go pour SepMamba (S) (article SepMamba, 2024).
- Conv-TasNet obtient 15,3 dB en conditions propres, 12,7 dB en conditions bruitées (WHAM!) et 8,3 dB en conditions bruitées et réverbérantes (WHAMR!) (article MossFormer2, 2024).
- La séparation a réduit le taux d’erreur sur les mots de LibriCSS à 40% de chevauchement de 43,3% à 21,7% (Chen et al., Microsoft, 2020).
- Meilleur système multicanal de NOTSOFAR-1 : 10,8% de tcpWER contre 28,3% pour la référence (synthèse NOTSOFAR-1, 2025).
- Un modèle VoiceFilter-Lite embarqué de 2,2 Mo a amélioré le WER sur la parole superposée de 25,1% (Google Research, 2020).
- 430 millions de personnes ont besoin d’une réadaptation pour une perte auditive invalidante, un chiffre qui dépassera 700 millions d’ici 2050 (OMS, mars 2026).
- L’adoption des appareils auditifs chez les Américains ayant des difficultés d’audition a atteint 51,3%, contre 46,9% en 2022 (MarkeTrak 2025).
- UW Target Speech Hearing : 21 sujets ont jugé la voix enregistrée presque deux fois plus claire que l’audio non filtré (Université de Washington, CHI 2024).
1. Une décennie de progrès sur WSJ0-2mix
Le benchmark WSJ0-2mix a fait pour la séparation de la parole ce qu’ImageNet a fait pour la vision : une cible fixe qui a rendu dix ans de progrès mesurables. Le meilleur score à deux locuteurs est passé d’environ 6 dB d’amélioration du signal en 2015 à 25,1 dB SI-SNRi en 2024, et comme l’échelle des décibels est logarithmique, chaque tranche supplémentaire de 3 dB réduit à peu près de moitié l’énergie d’interférence résiduelle. Le saut le plus important date de 2018, lorsque Conv-TasNet a abandonné les masques de spectrogramme pour travailler sur des formes d’onde brutes. Il est devenu le premier système à battre les masques temps-fréquence idéaux, longtemps considérés comme un plafond pratique (Conv-TasNet, Luo et Mesgarani).
Depuis, la courbe s’est aplatie. Les gains de 2021 à 2024 sont venus par paliers d’environ 1 dB, et les deux meilleurs modèles de 2024 sont à égalité à 25,1 dB. Le domaine a de fait saturé son propre benchmark, ce qui explique pourquoi les articles récents rivalisent sur l’efficacité et la robustesse (sections 2 et 3).
| Métrique | Valeur | Source |
|---|---|---|
| Clustering profond, mélanges de locuteurs (2015) | Environ 6 dB d’amélioration | Hershey et al., Deep Clustering, arXiv 2015 |
| Clustering profond amélioré, deux locuteurs (2016) | 10,3 dB d’amélioration du SDR (référence 6,0 dB) | Isik et al., arXiv 1607.02173, 2016 |
| Conv-TasNet (2018) | 15,3 dB SI-SNRi, 15,6 dB SDRi | Luo et Mesgarani, IEEE/ACM TASLP 2019 |
| DPRNN (2019) | 18,8 dB SI-SDRi | Luo, Chen et Yoshioka, ICASSP 2020 |
| SepFormer avec mixage dynamique (2020) | 22,3 dB SI-SNRi | Subakan et al., ICASSP 2021 |
| TF-GridNet, sans augmentation de données (2022) | 23,5 dB SI-SDRi | Article TF-GridNet, arXiv 2211.12433 |
| MossFormer2 (2023) | 24,1 dB SI-SDRi | Article MossFormer2, arXiv 2312.11825 |
| SepReformer-L et TF-Locoformer (L), tous deux avec mixage dynamique (2024) | 25,1 dB SI-SNRi | SepReformer, NeurIPS 2024 ; Saijo et al., MERL 2024 |
La comparaison avec les masques idéaux est ce qui a fait de Conv-TasNet un jalon. Sur le même jeu de test, le masque binaire idéal obtenait 13,0 dB SI-SNRi, le masque de rapport idéal 12,2 dB et le masque de type filtre de Wiener 13,4 dB, tous en dessous des 15,3 dB de Conv-TasNet. Les auditeurs humains étaient d’accord : la sortie de Conv-TasNet a reçu un score d’opinion moyen de 4,03 contre 3,51 pour le masque de rapport idéal.
| Métrique | Valeur | Source |
|---|---|---|
| Masque binaire idéal (IBM) | 13,0 dB SI-SNRi | Article Conv-TasNet, 2019 |
| Masque de rapport idéal (IRM) | 12,2 dB SI-SNRi | Article Conv-TasNet, 2019 |
| Masque de type filtre de Wiener (WFM) | 13,4 dB SI-SNRi | Article Conv-TasNet, 2019 |
| MOS des auditeurs : Conv-TasNet contre IRM | 4,03 contre 3,51 | Article Conv-TasNet, 2019 |
| Taille de WSJ0-2mix | 30 h d’entraînement, 10 h de validation, 5 h de test | Article Conv-TasNet, 2019 |
| Plage de mixage | SNR aléatoire entre -5 et 5 dB | Article Conv-TasNet, 2019 |
Note de contexte : le ‘mixage dynamique’ (DM) crée de nouveaux mélanges d’entraînement à la volée et ajoute environ 1 à 2 dB. SepFormer obtient 22,3 dB avec DM et 20,4 dB sans, il faut donc vérifier cette option avant toute comparaison entre articles (SepFormer, arXiv 2010.13154). Les données les plus récentes disponibles sur les références de 2015 à 2019 proviennent des articles originaux.
2. Efficacité : paramètres, calcul, mémoire et latence
La précision a stagné, la course aux armements s’est donc déplacée vers le coût. SepReformer-B atteint 23,8 dB SI-SNRi avec 39,8 GMACs par seconde d’audio, alors que TF-GridNet exige 460,8 GMACs/s pour 23,5 dB, soit plus de onze fois plus de calcul pour un score à peine meilleur (SepReformer, NeurIPS 2024). Le nombre de paramètres raconte une histoire similaire : DPRNN a égalé l’état de l’art en 2019 avec un modèle 20 fois plus petit que le meilleur système précédent.
La mémoire est le coût caché qui détermine qui peut entraîner ces modèles. SepFormer atteint un pic de 35,3 Go de mémoire, contre 2,0 Go pour SepMamba (S), qui obtient tout de même 21,2 dB (SepMamba, Université technique du Danemark et WS Audiology, 2024). Pour tout ce qui tourne sur un téléphone, un casque ou un appareil auditif, cette différence décide si une conception est commercialisable.
| Métrique | Valeur | Source |
|---|---|---|
| SepReformer-T | 22,4 dB avec 3,7 M de paramètres, 10,4 GMACs/s | SepReformer, NeurIPS 2024 |
| SepReformer-B | 23,8 dB avec 14,2 M de paramètres, 39,8 GMACs/s | SepReformer, NeurIPS 2024 |
| SepReformer-L avec DM | 25,1 dB avec 55,3 M de paramètres, 155,5 GMACs/s | SepReformer, NeurIPS 2024 |
| TF-GridNet | 23,5 dB avec 14,5 M de paramètres, 460,8 GMACs/s | SepReformer, NeurIPS 2024 (tableau comparatif) |
| QDPN | 200,0 M de paramètres | Article TF-GridNet, 2022 |
| MossFormer2 | 55,7 M de paramètres, facteur temps réel 0,053 | Article MossFormer2, 2023 |
| DPRNN | 2,6 M de paramètres, 20 fois plus petit que le meilleur précédent | Luo et al., ICASSP 2020 |
| Latence minimale de Conv-TasNet | 2 ms (contre une fenêtre STFT de 32 ms) | Article Conv-TasNet, 2019 |
| Métrique | Valeur | Source |
|---|---|---|
| Mémoire maximale de SepFormer | 35,30 Go | Article SepMamba, 2024 |
| Mémoire maximale de MossFormer2 avec DM | 12,30 Go | Article SepMamba, 2024 |
| SepMamba (S) | 21,2 dB, 7,2 M de paramètres, 2,00 Go de mémoire maximale | Article SepMamba, 2024 |
| SepMamba (M) | 22,7 dB, 22 M de paramètres, 3,04 Go de mémoire maximale | Article SepMamba, 2024 |
| EConv-TasNet (septembre 2026) | 18,4 dB avec 3,8 M de paramètres | Liu, Novatek, arXiv 2609.11342 |
| EConv-TasNet contre Conv-TasNet | 22,4% plus petit, inférence 18,9% plus rapide | Liu, arXiv 2609.11342 |
Note sur une valeur atypique : l’article le plus récent de ce tour d’horizon, EConv-TasNet du fabricant de puces Novatek (septembre 2026), ne cherche pas du tout à battre le record des 25 dB. Il vise le déploiement en périphérie et ajoute 3,1 dB à Conv-TasNet avec moins de paramètres (EConv-TasNet). C’est un bon indicateur de l’endroit où se situe l’intérêt commercial.
3. Robustesse en conditions réelles : bruit, réverbération et davantage de locuteurs
Une parole propre, lue en studio et mélangée à des niveaux contrôlés, ne ressemble pas à un restaurant. Conv-TasNet perd 7 dB lorsque ses mélanges de test reçoivent un vrai bruit ambiant et de la réverbération : 15,3 dB sur WSJ0-2mix, 12,7 dB sur WHAM! et 8,3 dB sur WHAMR! (tableaux comparatifs de MossFormer2). WHAM! ajoute du bruit enregistré dans des cafés, des restaurants et des bars de la baie de San Francisco, et ses auteurs notent que la plupart des études de séparation utilisaient une configuration contrainte, avec de faibles fréquences d’échantillonnage et sans bruit de fond (WHAM!, Interspeech 2019).
Les modèles récents comblent une grande partie de cet écart, mais pas tout. Les meilleurs résultats en conditions réverbérantes se situent entre 17 et 18,5 dB, soit encore 6 à 7 dB sous le benchmark propre. Un troisième locuteur coûte encore 1,9 à 2,8 dB au même modèle (MossFormer2 : de 24,1 à 22,2 dB ; SepFormer : de 22,3 à 19,5 dB), et les auteurs de LibriMix ont montré que les modèles entraînés sur WSJ0-2mix subissent des chutes de performance importantes sur des jeux de données similaires, raison pour laquelle LibriMix a été construit à partir de parole LibriSpeech et de bruit WHAM! (LibriMix, Interspeech 2020).
| Métrique | Valeur | Source |
|---|---|---|
| Conv-TasNet : WSJ0-2mix / WHAM! / WHAMR! | 15,3 / 12,7 / 8,3 dB SI-SDRi | Article MossFormer2, 2023 |
| SepFormer : WHAM! / WHAMR! | 16,4 / 14,0 dB | Article MossFormer2, 2023 |
| MossFormer2 : WHAM! / WHAMR! | 18,1 / 17,0 dB | Article MossFormer2, 2023 |
| SepReformer-L avec 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 à 6 canaux (chaîne complète) | 22,8 dB SI-SDR, PESQ 4,08 | Article TF-GridNet, 2022 |
| Métrique | Valeur | Source |
|---|---|---|
| Trois locuteurs, Conv-TasNet (WSJ0-3mix) | 12,7 dB SI-SNRi | Article Conv-TasNet, 2019 |
| Trois locuteurs, SepFormer (WSJ0-3mix) | 19,5 dB SI-SNRi | Article SepFormer, 2020 |
| Trois locuteurs, MossFormer2 (WSJ0-3mix) | 22,2 dB SI-SDRi | Article MossFormer2, 2023 |
| Trois locuteurs, clustering profond amélioré (2016) | 7,1 dB d’amélioration du SDR | Isik et al., 2016 |
| Libri2Mix : Conv-TasNet / SepFormer / MossFormer2 | 14,7 / 19,2 / 21,7 dB | Article MossFormer2, 2023 |
| Libri2Mix : SepReformer-M / TF-Locoformer (M) | 22,1 / 22,1 dB | SepReformer, 2024 ; Saijo et al., 2024 |
Mise en garde : le benchmark lui-même présente un défaut. Une étude de 2025 acceptée à IEEE ASRU a constaté que le bruit présent dans les signaux de référence de WSJ0-2mix limite le SI-SDR atteignable et que le SI-SDR était corrélé négativement avec le bruit perçu selon les jeux de test (Jepsen et al., arXiv 2508.14623). Une partie du dernier décibel de ‘progrès’ pourrait venir de modèles qui apprennent à reproduire des références bruitées.
4. La séparation pour les réunions et la reconnaissance vocale
Pour la transcription, les mots comptent plus que les décibels. Sur le jeu de données LibriCSS de Microsoft, l’application de la séparation avant la reconnaissance a fait passer le taux d’erreur sur les mots, à 40% de chevauchement des locuteurs, de 43,3% à 21,7%, tout en modifiant à peine les résultats sur l’audio sans chevauchement (de 11,8% à 8,4%) (Chen et al., Continuous Speech Separation, 2020). Les mêmes auteurs avertissent que les métriques au niveau du signal ne sont que faiblement corrélées avec la précision de l’ASR ou la qualité perçue, ce qui explique pourquoi les benchmarks de réunions notent des mots et non du SI-SNR. Nos statistiques sur les assistants de réunion IA montrent à quelle vitesse croît le marché qui dépend de cette précision.
| Métrique | Valeur | Source |
|---|---|---|
| Taille de LibriCSS | 10 heures, 10 sessions, chevauchement de 0% à 40% | Chen et al., Microsoft, 2020 |
| WER à 10% de chevauchement : sans séparation contre avec séparation | 18,8% contre 11,6% | Chen et al., 2020 (par énoncé, 7 canaux) |
| WER à 20% de chevauchement | 27,2% contre 15,8% | Chen et al., 2020 |
| WER à 30% de chevauchement | 35,6% contre 18,7% | Chen et al., 2020 |
| WER à 40% de chevauchement | 43,3% contre 21,7% | Chen et al., 2020 |
| WER à 40% de chevauchement, entrée continue | 40,5% contre 21,9% | Chen et al., 2020 |
| ASR avec clustering profond sur des mélanges à deux locuteurs | WER ramené de 89,1% à 30,8% | Isik et al., 2016 |
Les vraies réunions sont plus difficiles que les réunions simulées. Le défi NOTSOFAR-1 de Microsoft, organisé dans CHiME-8, a enregistré des réunions de 4 à 8 participants dans 30 salles. Le système monocanal gagnant se trompait encore sur 22,2% des mots (tcpWER avec contrainte temporelle), contre 10,8% pour le meilleur système multicanal (synthèse NOTSOFAR-1, arXiv 2501.17304). Les réseaux de microphones restent le principal levier à eux seuls, et les organisateurs ont constaté que la séparation de sources guidée demeure la technique de séparation dominante dans les chaînes gagnantes.
| Métrique | Valeur | Source |
|---|---|---|
| Réunions enregistrées de NOTSOFAR-1 | 315 réunions uniques en anglais, 30 salles, 4 à 8 participants | Synthèse NOTSOFAR-1, 2025 |
| Données d’entraînement simulées | Environ 1 000 heures, 15 000 fonctions de transfert acoustique réelles | Synthèse NOTSOFAR-1, 2025 |
| Monocanal : meilleur contre référence, tcpWER | 22,2% contre 41,4% | Synthèse NOTSOFAR-1, 2025 |
| Multicanal : meilleur contre référence, tcpWER | 10,8% contre 28,3% | Synthèse NOTSOFAR-1, 2025 |
| Soumissions : piste monocanal / multicanal | 9 / 5 | Synthèse NOTSOFAR-1, 2025 |
| Taille du modèle embarqué VoiceFilter-Lite | 2,2 Mo (quantifié) | Google Research, novembre 2020 |
| Amélioration du WER de VoiceFilter-Lite, parole superposée | 25,1% (14,7% avec réverbération) | Google Research, novembre 2020 |
Note de contexte : les résultats de VoiceFilter-Lite de Google (2020) sont les chiffres publics embarqués les plus récents disponibles pour une grande plateforme. Les systèmes commercialisés depuis publient rarement des benchmarks au niveau des mots.
5. Les enjeux pour la santé auditive
Le problème du cocktail party n’a rien d’académique pour les personnes qui le vivent. L’OMS estime que 430 millions de personnes, soit plus de 5% de la population mondiale, ont besoin d’une réadaptation pour une perte auditive invalidante, et prévoit plus de 700 millions d’ici 2050 (fiche d’information de l’OMS sur la surdité et la perte auditive, mars 2026). L’amplification seule renforce en même temps tous les locuteurs d’une pièce bondée, ce qui explique pourquoi la séparation basée sur des DNN est désormais la fonctionnalité phare des appareils auditifs haut de gamme. Nos statistiques sur les appareils auditifs couvrent le marché des appareils eux-mêmes.
| Métrique | Valeur | Source |
|---|---|---|
| Personnes ayant besoin d’une réadaptation pour une perte auditive invalidante | 430 millions (plus de 5% de la population mondiale) | Fiche d’information de l’OMS, mars 2026 |
| Enfants atteints d’une perte auditive invalidante | 34 millions | Fiche d’information de l’OMS, mars 2026 |
| Personnes avec une perte auditive d’ici 2050 | Près de 2,5 milliards | Fiche d’information de l’OMS, mars 2026 |
| Personnes ayant besoin d’une réadaptation d’ici 2050 | Plus de 700 millions (1 sur 10) | Fiche d’information de l’OMS, mars 2026 |
| Perte auditive invalidante chez les plus de 60 ans | Plus de 25% | Fiche d’information de l’OMS, mars 2026 |
| Coût mondial annuel de la perte auditive non prise en charge | Près de 1 000 milliards USD | Fiche d’information de l’OMS, mars 2026 |
| Part vivant dans des pays à revenu faible ou intermédiaire | Près de 80% | Fiche d’information de l’OMS, mars 2026 |
L’adoption progresse. MarkeTrak 2025, fondée sur 16 148 foyers américains et 42 982 personnes interrogées en octobre et novembre 2024, a constaté que l’adoption d’appareils auditifs chez les personnes déclarant des difficultés d’audition a atteint 51,3%, contre 46,9% en 2022, avec une satisfaction globale vis-à-vis des appareils de 83% (MarkeTrak 2025, Seminars in Hearing). Les écouteurs grand public entrent aussi dans la catégorie : en septembre 2024, la FDA a autorisé le premier logiciel d’appareil auditif en vente libre, la fonction Appareil auditif d’Apple pour les AirPods Pro (communiqué de presse de la FDA).
| Métrique | Valeur | Source |
|---|---|---|
| Adoption d’appareils auditifs aux États-Unis, personnes ayant des difficultés d’audition | 51,3% (46,9% en 2022) | MarkeTrak 2025 |
| Difficultés d’audition déclarées, États-Unis | 9,1% | MarkeTrak 2025 |
| Satisfaction des propriétaires d’appareils auditifs | 83% | MarkeTrak 2025 |
| Étude clinique de la FDA sur le logiciel d’appareil auditif en vente libre | 118 sujets, perte légère à modérée | FDA, 12 septembre 2024 |
| Phonak Spheric Speech Clarity 2.0 (DNN) | 10,2 dB d’amélioration du SNR en situations réelles | Article d’expert AudiologyOnline, 2026 |
| Phonak Spheric Speech Clarity 2.0 | Jusqu’à 37% de réduction de l’effort d’écoute, 30% plus efficace | Article d’expert AudiologyOnline, 2026 |
| Étude Mayo Clinic et Sonova, réduction du bruit par DNN à 10 dB de SNR | +23 et +32 points de pourcentage de reconnaissance de la parole | Audiology Research, 2024 |
| Même étude, gain de SNR dans le programme pour bruit fort | 4,8 à 5,0 dB | Audiology Research, 2024 |
Mise en garde : les allégations de SNR des fabricants proviennent de tests menés par les fournisseurs eux-mêmes, et l’étude indépendante de Mayo Clinic et Sonova ne comptait que 10 participants. Les chiffres de Phonak sont rapportés via une session de questions-réponses d’experts d’AudiologyOnline, et non par un article évalué par des pairs.
6. La frontière : choisir quelle voix entendre
Séparer toutes les voix ne résout que la moitié du problème : l’appareil doit aussi savoir laquelle l’auditeur veut entendre. Le prototype Target Speech Hearing de l’Université de Washington enregistre un locuteur après que le porteur l’a regardé pendant 3 à 5 secondes, et 21 sujets de test ont noté la clarté de cette voix presque deux fois plus haut que celle de l’audio non filtré (UW News, mai 2024). Une suite de décembre 2025 supprime le regard : son ‘assistant auditif proactif’ détecte les interlocuteurs à partir du rythme des tours de parole dans 2 à 4 secondes d’audio (UW News, décembre 2025).
D’autres indices sont également testés. Le modèle Looking to Listen de Google, en 2018, utilisait les mouvements des lèvres et a été entraîné sur des clips tirés de 100 000 vidéos YouTube (blog de Google Research). L’approche pilotée par le cerveau de l’Université Columbia compare les voix séparées à des signaux neuronaux : la version de 2019 a été testée sur trois patients de neurochirurgie (Science Advances, 2019), et une étude de mai 2026 dans Nature Neuroscience a rapporté les premiers tests humains d’un système en temps réel (Institut Zuckerman de Columbia via EurekAlert). L’enregistrement personnalisé est aussi courant en communication : le cinquième Deep Noise Suppression Challenge de Microsoft demandait aux modèles de supprimer les locuteurs voisins à l’aide d’un clip d’enregistrement de 10 à 30 secondes (ICASSP 2023 DNS Challenge). Ce même nettoyage tenant compte du locuteur est ce qui garde un chat vocal Discord intelligible quand un colocataire parle en arrière-plan.
| Métrique | Valeur | Source |
|---|---|---|
| UW Target Speech Hearing : durée d’enregistrement | 3 à 5 secondes à regarder le locuteur | Université de Washington, CHI 2024 |
| UW Target Speech Hearing : sujets et note de clarté | 21 sujets, presque 2 fois plus clair que l’audio non filtré | Université de Washington, CHI 2024 |
| UW Target Speech Hearing : tolérance de direction | Marge d’erreur de 16 degrés | Université de Washington, 2024 |
| Assistant auditif proactif de l’UW : audio nécessaire | 2 à 4 secondes | Université de Washington, EMNLP 2025 |
| Assistant auditif proactif de l’UW : interlocuteurs et testeurs | 1 à 4 interlocuteurs ; 11 participants l’ont jugé plus de 2 fois plus favorablement | Université de Washington, décembre 2025 |
| Assistant auditif proactif de l’UW : langues d’entraînement | Anglais, mandarin, japonais | Université de Washington, décembre 2025 |
| Google Looking to Listen : source d’entraînement | 100 000 vidéos, environ 2 000 heures de clips propres | Blog de Google Research, avril 2018 |
| Audition pilotée par le cerveau de Columbia (2019) | 3 patients de neurochirurgie | Han et al., Science Advances, 2019 |
| Métrique | Valeur | Source |
|---|---|---|
| Édition du DNS Challenge à ICASSP 2023 | 5e | Dubey et al., Microsoft, 2023 |
| Format audio du DNS 2023 | Pleine bande 48 kHz | Dubey et al., 2023 |
| Clip d’enregistrement du DNS 2023 | 10 à 30 secondes du locuteur principal | Dubey et al., 2023 |
| Gain du score gagnant du DNS 2023 par rapport à l’entrée bruitée | 0,145 (casque) et 0,141 (téléphone en haut-parleur) | Dubey et al., 2023 |
| TF-Locoformer (M) sur l’amélioration DNS 2020 | 23,3 dB SI-SNR, STOI 98,8, PESQ-WB 3,72 | Saijo et al., MERL 2024 |
Note sur une valeur atypique : l’équipe de l’UW indique que le système proactif peine surtout quand les conversations deviennent dynamiques, avec des participants qui se coupent la parole, ce qui est précisément le cas du cocktail party. L’intérêt pour les casques à réduction de bruit offre à ces fonctionnalités une base matérielle toute prête.
Résumé : la séparation de la parole et le problème du cocktail party en chiffres
| Métrique | Valeur | Source |
|---|---|---|
| Meilleur score sur WSJ0-2mix | 25,1 dB SI-SNRi | SepReformer-L, NeurIPS 2024 ; TF-Locoformer (L), MERL 2024 |
| Clustering profond, 2015 | Environ 6 dB d’amélioration | Hershey et al., 2015 |
| Conv-TasNet, 2018 | 15,3 dB SI-SNRi, 5,1 M de paramètres | Luo et Mesgarani, 2019 |
| SepFormer avec / sans mixage dynamique | 22,3 / 20,4 dB | SepFormer, 2021 ; TF-GridNet, 2022 |
| MossFormer2 | 24,1 dB, 55,7 M de paramètres | MossFormer2, 2023 |
| Latence minimale de Conv-TasNet | 2 ms | Article Conv-TasNet, 2019 |
| Calcul de TF-GridNet contre SepReformer-B | 460,8 contre 39,8 GMACs/s | SepReformer, NeurIPS 2024 |
| Mémoire maximale de SepFormer contre SepMamba (S) | 35,3 Go contre 2,0 Go | SepMamba, 2024 |
| Conv-TasNet propre / bruité / réverbérant | 15,3 / 12,7 / 8,3 dB | MossFormer2, 2023 |
| Meilleur WHAMR! (bruité, réverbérant) | 18,5 dB | TF-Locoformer (M), MERL 2024 |
| WSJ0-3mix, MossFormer2 | 22,2 dB | MossFormer2, 2023 |
| WER LibriCSS à 40% de chevauchement, sans séparation contre avec séparation | 43,3% contre 21,7% | Microsoft, Chen et al., 2020 |
| Meilleur tcpWER multicanal de NOTSOFAR-1 | 10,8% (référence 28,3%) | Synthèse NOTSOFAR-1, 2025 |
| Meilleur tcpWER monocanal de NOTSOFAR-1 | 22,2% (référence 41,4%) | Synthèse NOTSOFAR-1, 2025 |
| Gain de WER de VoiceFilter-Lite sur la parole superposée | 25,1% pour 2,2 Mo | Google Research, 2020 |
| Personnes ayant besoin d’une réadaptation auditive | 430 millions, plus de 700 millions d’ici 2050 | OMS, mars 2026 |
| Adoption d’appareils auditifs aux États-Unis chez les personnes ayant des difficultés | 51,3% | MarkeTrak 2025 |
| Amélioration du SNR par le DNN de Phonak | 10,2 dB | AudiologyOnline, 2026 |
| Enregistrement UW Target Speech Hearing | 3 à 5 secondes, 21 sujets | Université de Washington, 2024 |
| Modèle de périphérie EConv-TasNet | 18,4 dB avec 3,8 M de paramètres | Novatek, septembre 2026 |
Méthodologie et sources
Chaque chiffre de benchmark ci-dessus provient de l’article qui l’a publié, ou du tableau comparatif d’un article ultérieur lorsque cela est indiqué. Nous avons exclu les chiffres qui n’apparaissaient que dans des extraits de recherche, des synthèses secondaires ou du marketing de fournisseurs que nous n’avons pas pu consulter. Les agrégateurs de classements n’ont servi qu’à vérifier qu’aucun résultat WSJ0-2mix plus élevé n’avait été publié.
- 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 et Mesgarani : Conv-TasNet, IEEE/ACM TASLP (2019) ; tableaux du texte intégral lus via 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 (décembre 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 (septembre 2026)
- Wichern et al. : WHAM!, Interspeech 2019
- Cosentino et al. : LibriMix, Interspeech 2020
- Jepsen, Christensen, Jensen : SI-SDR avec des références bruitées, 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) et Looking to Listen (2018)
- Dubey et al. (Microsoft) : ICASSP 2023 Deep Noise Suppression Challenge
- OMS : fiche d’information sur la surdité et la perte auditive (mars 2026)
- Dobyan et Kihm : MarkeTrak 2025, Seminars in Hearing
- FDA : première autorisation d’un logiciel d’appareil auditif en vente libre (septembre 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?
- Université de Washington : Target Speech Hearing (2024) et assistant auditif proactif (2025)
- Université Columbia : Han et al., Science Advances (2019) et communiqué sur l’étude de Nature Neuroscience via EurekAlert (mai 2026)
- Note sur les données : les articles divergent sur les chiffres de référence. QDPN est donné à 22,1 dB dans l’article TF-GridNet mais à 23,6 dB dans l’article MossFormer2 ; Conv-TasNet sur Libri2Mix apparaît à 14,7 dB (MossFormer2) et à 12,1 dB (EConv-TasNet) ; le calcul de SepFormer est rapporté à 86,9 GMACs/s (SepReformer) et à 257,94 GMACs/s (SepMamba), et son nombre de paramètres à 25,7 M ou 26,0 M. Les articles utilisent des longueurs d’entrée, des fréquences d’échantillonnage et des outils de comptage différents : comparez donc les chiffres au sein d’un même tableau, pas d’un tableau à l’autre. SI-SNRi et SI-SDRi sont employés de façon interchangeable dans cette littérature ; les chiffres de clustering profond de 2015 et 2016 utilisent l’amélioration brute du SDR et ne sont pas directement comparables aux scores SI-SNRi ultérieurs. Le résumé de NOTSOFAR-1 cite 280 réunions enregistrées, tandis que le corps de l’article décrit 315 réunions uniques réparties entre les ensembles d’entraînement, de développement et d’évaluation. Aucune estimation publique crédible de la taille du marché propre à la séparation de la parole n’a été trouvée, aucune n’est donc incluse. Les chiffres de Conv-TasNet, du clustering profond, de Looking to Listen et de VoiceFilter-Lite datent de plus de trois ans et sont présentés comme les données les plus récentes disponibles. Le communiqué de Columbia de 2026 ne donne aucun résultat chiffré ; nous ne le citons que pour son existence et son lieu de publication.
Dernière mise à jour : 3 octobre 2026. Nous actualisons ce tour d’horizon chaque trimestre, et la prochaine révision est attendue lors de la publication des articles acceptés à ICASSP 2027 et des résultats du prochain défi CHiME.