Angka pembatal gema yang paling sering dikutip, ERLE, hanya sejalan dengan pendengar manusia pada korelasi Pearson 0,31, sementara metrik neural AECMOS dari Microsoft mencapai 0,99 pada penilaian gema sisi jauh (Microsoft, makalah AEC Challenge ICASSP 2021 dan ICASSP 2023). Dari sisi standar, ITU-T G.168 memberi pembatal gema jaringan sekitar 1 detik untuk konvergen, 3GPP TS 26.131 meminta headset memiliki rugi gema minimal 46 dB, dan tantangan Microsoft menurunkan separuh batas latensi dari 40 ms menjadi 20 ms antara 2021 dan 2023. Gema juga masalah yang mendorong orang menuju perangkat ruangan yang lebih baik, yang sudah kami bahas dari sisi mikrofon dalam statistik beamforming mikrofon plafon ruang konferensi kami. Kami mengumpulkan data dari ITU-T, 3GPP, empat makalah AEC Challenge Microsoft Research, Amazon Web Services, ByteDance, Tongyi Lab milik Alibaba, peneliti independen arXiv, dan HEAD acoustics.
TL;DR
- Pembatal gema jaringan harus mencapai rugi gabungan yang disyaratkan dalam sekitar 1 detik pada Tes 2A (ITU-T G.168, 04/2015).
- Headset memerlukan rugi kopling terminal berbobot minimal 46 dB pada volume berapa pun, dengan 55 dB direkomendasikan pada volume nominal (3GPP TS 26.131, Rel-19).
- ERLE berkorelasi dengan penilaian pendengar pada PCC 0,31 dan SRCC 0,23 (Microsoft, makalah AEC Challenge ICASSP 2021).
- AECMOS berkorelasi dengan penilaian gema sisi jauh pada PCC 0,99 (Microsoft, makalah AEC Challenge ICASSP 2023).
- Batas latensi tantangan turun dari 40 ms latensi algoritmik pada 2021 menjadi 20 ms latensi algoritmik ditambah buffering pada 2023 (makalah dan repositori AEC Challenge Microsoft).
- Entri bernilai tertinggi INTERSPEECH 2021 rata-rata mencetak 4,43 melawan baseline 3,87 (Microsoft, hasil AEC Challenge INTERSPEECH 2021).
- Perangkat seluler mendapat skor 0,75 MOS lebih rendah daripada desktop pada degradasi bicara bersamaan (Microsoft, makalah AEC Challenge ICASSP 2022).
- WebRTC AEC3 menghilangkan sekitar 30 dB gema dibandingkan 40,8 dB untuk penekan neural (ByteDance, arXiv 2020).
- Model ujung ke ujung dari Januari 2026 mencapai ERLE 78,69 dB dengan 1,2 juta parameter (Alibaba Tongyi Lab, E2E-AEC arXiv 2026).
- Model neural kecil untuk gema dan derau berjalan dalam 0,14 ms per frame, dengan faktor waktu nyata 0,014 (Microsoft, DeepVQE Interspeech 2023).
- Terminal hands-free pada kategori bicara bersamaan terbaik (kategori 1) meredam ucapan yang dikirim paling banyak 3 dB selama bicara bersamaan (HEAD acoustics, menjelaskan ITU-T P.340).
1. Buku Aturan ITU-T: Konvergensi, Bicara Bersamaan, dan Tes Kebocoran
Aturan telekomunikasi inti untuk pembatal gema memang sudah lama tetapi masih berlaku. “Gema” di sini adalah suara Anda sendiri yang kembali kepada Anda setelah menempuh perjalanan ke sisi jauh dan bocor ke jalur kembali. G.168 memberi pembatal sekitar satu detik untuk mencapai rugi yang disyaratkan, lalu terus menguji apakah rugi itu bertahan ketika kedua orang berbicara bersamaan (“bicara bersamaan”) dan ketika saluran hening selama beberapa menit. Prosesor non-linear (NLP) adalah tahap akhir yang menekan gema residual yang ditinggalkan filter adaptif; beberapa tes mematikannya agar filter itu sendiri yang terukur.
Jalur gema dunia nyata yang dimodelkan tes-tes ini pendek. Dalam data lapangan yang direproduksi di ITU-T G.168 (04/2015), 101 panggilan jarak jauh dari Montreal ke seluruh Amerika Utara (Juni 1998 hingga April 1999) diukur; histogram 88 di antaranya menunjukkan waktu dispersi rata-rata 6,02 ms, dan tidak ada panggilan yang melebihi 12 ms. Padanan akustiknya, G.167, telah dicabut dan isinya dipindahkan ke P.340 dan G.161.
| Metrik | Nilai | Sumber |
|---|---|---|
| Edisi Rekomendasi pembatal gema jaringan yang berlaku | G.168 (04/2015), ditambah Corrigendum 1 (12/2022) | ITU-T G.168 |
| Rugi balik gema minimum (rugi yang disediakan jalur gema itu sendiri) yang dipakai dalam tes; jumlah model jalur gema standar | Minimum 6 dB; 8 model (m1 sampai m8), dengan minimum 6,55 dB, 11,06 dB, dan 9,27 dB untuk m2, m7, dan m8 | ITU-T G.168 (04/2015), Lampiran D |
| Konvergensi Tes 2A, prosesor non-linear aktif | Rugi gabungan yang disyaratkan dalam 1 s ditambah tunda jalur gema dan offset awal; puncak tidak lebih dari 5 dB di atas batas | ITU-T G.168 (04/2015) |
| Tes 3A, bicara bersamaan dengan sinyal sisi dekat 15 dB di bawah level sisi jauh (sisi jauh -25 sampai 0 dBm0) | Harus konvergen dalam 5 s | ITU-T G.168 (04/2015) |
| Tes 3B(a) dan Tes 4: kenaikan gema residual yang diizinkan saat bicara bersamaan, dan 2 menit setelah sinyal sisi jauh berhenti (tes kebocoran) | Tidak lebih dari 10 dB di atas persyaratan kondisi tunak pada kedua kasus | ITU-T G.168 (04/2015) |
| Status G.167, Rekomendasi pengendali gema akustik yang asli (03/1993) | Dicabut; digantikan oleh P.340 (2000) untuk klausul 1-5 dan G.161 (2002) untuk klausul 6 | Catatan ITU-T G.167 |
| Edisi terbaru Rekomendasi terminal hands-free yang mencakup kinerja gema dan bicara bersamaan | P.340 (07/2026) | Ringkasan ITU-T P.340 2026 |
| Rentang frekuensi Rekomendasi hands-free pita lebar dalam kendaraan | 50 sampai 7.000 Hz; edisi yang berlaku P.1110 (10/2025) | ITU-T P.1110 |
Catatan konteks: dBm0 adalah level sinyal relatif terhadap titik referensi dalam jaringan, sehingga “-25 sampai 0 dBm0” berarti pembicara sisi jauh dari yang pelan hingga yang keras. Revisi P.340 2026 masih baru; teks lengkapnya belum dipublikasikan saat penulisan, sehingga rangkuman ini hanya mengutip ringkasannya yang telah dipublikasikan.
2. Target Rugi Gema untuk Headset, Perangkat Hands-Free, dan Jaringan
Rugi kopling terminal (TCLw) adalah seberapa banyak suara sisi jauh, yang diputar melalui speaker atau earpiece perangkat, diredam sebelum bocor kembali ke mikrofon perangkat itu sendiri dan dikirim balik. Standar seluler menetapkan 46 dB sebagai batas bawah untuk headset pada volume berapa pun, dan target yang direkomendasikan, 55 dB, disertai pengakuan bahwa angka itu mungkin tidak dapat diukur pada setiap perangkat karena derau diam perangkat itu sendiri.
Kesenjangan yang menarik ada pada hands-free. Speakerphone desktop boleh turun hingga 40 dB pada volume maksimum dan tetap memenuhi syarat, itulah sebabnya perilaku bicara bersamaan pada hands-free memiliki kategorinya sendiri: perangkat kategori 1 nyaris tidak meredam suara Anda saat pihak lain berbicara (paling banyak 3 dB), sedangkan perangkat kategori 3 memotongnya lebih dari 12 dB, mendekati perilaku walkie-talkie di mana hanya satu pihak yang terdengar pada satu waktu.
| Metrik | Nilai | Sumber |
|---|---|---|
| Rugi kopling terminal berbobot headset: pada pengaturan volume berapa pun dan yang direkomendasikan pada volume nominal | Minimal 46 dB dan minimal 55 dB | 3GPP TS 26.131 (Rel-19) |
| Rugi kopling terminal berbobot hands-free desktop: pada volume berapa pun dan pada volume nominal dalam kondisi medan bebas | Minimal 40 dB dan minimal 46 dB | 3GPP TS 26.131 (Rel-19) |
| Sasaran kinerja yang direkomendasikan untuk hands-free desktop pada volume nominal | Minimal 55 dB (mungkin tidak dapat diukur karena derau saluran diam) | 3GPP TS 26.131 (Rel-19) |
| Rugi gema yang disajikan jaringan GSM, 3G, LTE, atau NR pada titik interkoneksi, bicara tunggal | Minimal 46 dB | 3GPP TS 26.132 (Rel-19) |
| Ucapan yang dibuang di awal tes rugi gema agar pembatal gema dapat konvergen; level sinyal uji | 17,0 s pertama; 10 dBm0 | 3GPP TS 26.132 (Rel-19) |
| Panduan rugi kopling terminal: masukan ke keluaran digital (menurut P.341), kondisi lapangan (menurut P.342), dan yang diinginkan untuk sasaran gema pembicara G.131 | Minimal 35 dB, lalu lebih dari 40 dB, lalu lebih dari 45 dB | ITU-T G.168 (04/2015), Apendiks I |
| Kategori bicara bersamaan untuk terminal hands-free dan peredaman ucapan yang dikirim | 5 kategori (1, 2a, 2b, 2c, 3): paling banyak 3 dB untuk kategori 1, paling banyak 9 dB untuk kategori 2b, lebih dari 12 dB untuk kategori 3 | Lembar data HEAD acoustics ACOPT 32, menjelaskan ITU-T P.340 |
Catatan konteks: nilai 3GPP dibaca dari teks Rel-19 TS 26.131 dan TS 26.132; TS 26.132 memiliki berkas Rel-20 yang lebih baru bertanggal Juli 2026 di arsip 3GPP. Dokumen HEAD acoustics adalah lembar data peralatan uji yang menyatakan ulang kategori P.340; dokumen itu tidak memberikan batas untuk kategori 2a dan 2c.
3. Anggaran Latensi: Berapa Milidetik yang Boleh Dihabiskan Pembatal Gema
Setiap milidetik yang dihabiskan pembatal gema untuk membuffer audio adalah milidetik yang ditambahkan ke percakapan. Tolok ukur penelitian bergerak tajam dalam hal ini: tantangan Microsoft mengizinkan latensi algoritmik 40 ms pada 2021 dan menurunkan separuh batasnya menjadi 20 ms latensi algoritmik ditambah buffering pada 2023, dan model milik penyelenggara pada dasarnya tidak kehilangan apa pun pada skor gema di batas yang lebih ketat. Makalah ICASSP 2023 menyebut target ujung ke ujung di bawah 50 ms (selisih yang baru dapat dirasakan) dan sasaran masa depan di bawah 5 ms untuk algoritma ditambah buffering (Microsoft, makalah AEC Challenge ICASSP 2023).
Komputasi adalah anggaran lainnya. Model neural yang hanya memerlukan sebagian kecil milidetik per frame dapat berjalan di setiap laptop dalam sebuah rapat; model yang memerlukan sebagian besar inti CPU tidak bisa. Untuk melihat bagaimana sisa anggaran tunda dihabiskan oleh jitter buffer dan codec, lihat statistik jitter buffer VoIP dan kualitas ucapan kami.
| Metrik | Nilai | Sumber |
|---|---|---|
| Tunda satu arah mulut ke telinga untuk interaktivitas yang pada dasarnya transparan dan batas atas untuk perencanaan jaringan umum | Di bawah 150 ms dan 400 ms | ITU-T G.114 (05/2003) |
| Batas latensi algoritmik AEC Challenge, ICASSP 2021 | Paling banyak 40 ms (frame 20 ms dengan langkah 10 ms, yaitu 30 ms, diizinkan) | Microsoft, makalah AEC Challenge ICASSP 2021 |
| Batas latensi AEC Challenge, ICASSP 2023 | 20 ms latensi algoritmik ditambah buffering | Repositori AEC-Challenge Microsoft |
| Batas komputasi AEC Challenge, ICASSP 2023 | Faktor waktu nyata paling banyak 0,5 pada Intel Core i5 quad-core 2,4 GHz, satu thread | Microsoft, makalah AEC Challenge ICASSP 2023 |
| Model Microsoft pada 20 ms dan pemenang tantangan 2022 pada 40 ms: MOS gema sisi jauh; MOS gema saat bicara bersamaan | 4,65 vs 4,66; 4,68 vs 4,68 | Microsoft, makalah AEC Challenge ICASSP 2023 |
| Model lengkap DeepVQE dan model kecil DeepVQE-S: parameter dan waktu CPU per frame | 7,5M dan 3,66 ms vs 0,59M dan 0,14 ms (faktor waktu nyata 0,014) | Microsoft, DeepVQE, Interspeech 2023 |
| Pembatal gema linear gabungan ditambah penekan gema residual neural, entri tantangan 16 kHz | 5,5% dari satu inti Intel i7-8565U, 0,55 ms per frame 10 ms | Amazon Web Services, kendali gema PercepNet, arXiv 2021 |
Data terbaru yang tersedia untuk batas tantangan: Microsoft, 2023. Repositori AEC-Challenge masih mencantumkan ICASSP 2023 sebagai edisi terbaru, sehingga ini tetap menjadi aturan tolok ukur publik terbaru dari seri tersebut.
4. Papan Skor AEC Challenge, 2021 sampai 2023
AEC Challenge Microsoft adalah hal terdekat yang dimiliki bidang ini dengan tabel liga publik. Entri dinilai oleh pendengar crowdsourcing pada skala 1 sampai 5 (MOS untuk kualitas ucapan sisi dekat, DMOS, skor degradasi, untuk gema dan artefak lainnya). Pada INTERSPEECH 2021, entri bernilai tertinggi rata-rata mencetak 4,43 melawan baseline 3,87 (empat teratas secara statistik seri, sehingga Microsoft mengurutkannya berdasarkan kompleksitas komputasi), dan hampir seluruh peningkatan berasal dari penghilangan gema dan bicara bersamaan (skenario di mana pembatal lama membiarkan gema lolos atau memotong pembicara sisi dekat), bukan dari kualitas ucapan sisi dekat, yang hanya bergerak dari 4,18 menjadi 4,25.
Kumpulan data tumbuh di setiap putaran: lebih dari 2.500 lingkungan dan perangkat nyata untuk ICASSP 2021 (Microsoft, makalah AEC Challenge ICASSP 2021), 5.000 untuk INTERSPEECH 2021, dan lebih dari 10.000 untuk putaran 2023 (jumlah 2022 berbeda di antara makalah Microsoft, lihat Metodologi). Data publik tentang seberapa sering gema benar-benar sampai ke pengguna dalam panggilan produksi masih belum ada: makalah Microsoft menggambarkan gema hanya sebagai “salah satu sumber utama penilaian kualitas ucapan yang buruk”, tanpa persentase.
| Metrik | Nilai | Sumber |
|---|---|---|
| ICASSP 2021: baseline vs sistem peringkat pertama, rata-rata empat uji subjektif | 3,68 vs 4,11 (17 pengajuan) | Amazon Web Services, kendali gema PercepNet, arXiv 2021 |
| ICASSP 2021: baseline vs sistem peringkat pertama, degradasi ucapan sisi dekat saat bicara bersamaan (DMOS) | 3,28 vs 4,07 | Amazon Web Services, kendali gema PercepNet, arXiv 2021 |
| INTERSPEECH 2021: entri bernilai tertinggi (ERCESI) vs baseline, skor rata-rata | 4,43 vs 3,87 | Microsoft, hasil AEC Challenge INTERSPEECH 2021 |
| INTERSPEECH 2021: entri bernilai tertinggi vs baseline, DMOS gema bicara tunggal sisi jauh; DMOS degradasi lain saat bicara bersamaan | 4,59 vs 3,82; 4,18 vs 3,45 | Microsoft, hasil AEC Challenge INTERSPEECH 2021 |
| INTERSPEECH 2021: entri tim berperingkat dengan rata-rata di atas baseline | 10 dari 14 (dihitung dari tabel hasil) | Microsoft, hasil AEC Challenge INTERSPEECH 2021 |
| ICASSP 2022: pengajuan; selisih seluler vs desktop pada degradasi saat bicara bersamaan | 18 pengajuan; seluler lebih rendah 0,75 MOS | Microsoft, makalah AEC Challenge ICASSP 2022 |
| ICASSP 2023: entri; skor pemenang dan ukuran model | 20 entri (17 non-personalisasi, 3 personalisasi); 0,854 dengan 1,5M parameter | Microsoft, makalah AEC Challenge ICASSP 2023 |
| ICASSP 2023: baseline vs pemenang, skor akhir dan akurasi kata pengenalan ucapan | 0,736 vs 0,852; 64,9% vs 82,3% | Microsoft, DeepVQE, Interspeech 2023 |
Catatan konteks: skor akhir 2023 adalah gabungan skala 0 sampai 1 yang merata-ratakan lima skor subjektif yang diskalakan ulang dengan akurasi kata, sehingga tidak sebanding dengan rata-rata MOS 2021. Kedua makalah Microsoft mencetak skor pemenang 2023 yang sedikit berbeda (lihat Metodologi). Data terbaru yang tersedia: Microsoft, 2023.
5. Mengukur Gema: Mengapa ERLE Kalah Pamor dari Metrik Persepsi
ERLE (echo return loss enhancement, peningkatan rugi balik gema) adalah jumlah desibel yang dihilangkan pembatal gema dari sinyal mikrofon. ERLE mudah dihitung, itulah sebabnya masih menjadi headline lembar data, tetapi ERLE hanya berkorelasi 0,31 (Pearson) dengan penilaian pendengar, karena pembatal dapat meraih ERLE sangat besar dengan membisukan saluran dan merusak suara pembicara sisi dekat. PESQ, metrik kualitas ucapan intrusif yang lebih lama dan membandingkan keluaran dengan referensi bersih, lebih baik pada 0,67.
AECMOS, estimator neural Microsoft, tidak memerlukan referensi bersih dan memprediksi skor gema serta degradasi yang akan diberikan pendengar. Perubahan praktisnya: tim kini dapat mengurutkan model tanpa membayar tes mendengarkan setiap kali. Itu penting bagi siapa pun yang pernah membandingkan perangkat di laboratorium alih-alih di ruangan nyata, kesenjangan yang kami bahas dalam statistik pengujian akustik ruang anekoik kami.
| Metrik | Nilai | Sumber |
|---|---|---|
| ERLE vs penilaian subjektif: korelasi Pearson (PCC) dan Spearman (SRCC) | 0,31 dan 0,23 | Microsoft, makalah AEC Challenge ICASSP 2021 |
| PESQ vs penilaian subjektif: PCC dan SRCC | 0,67 dan 0,57 | Microsoft, makalah AEC Challenge ICASSP 2021 |
| AECMOS (versi 2023), korelasi Pearson dengan penilaian pendengar: gema bicara tunggal sisi jauh; gema saat bicara bersamaan; degradasi lain saat bicara bersamaan | 0,99 (SRCC 0,92); 0,99; 0,96 | Microsoft, makalah AEC Challenge ICASSP 2023 |
| Set pelatihan AECMOS asli; suara crowdsourcing per klip | 64.013 klip (145,8 jam); 5 suara per klip | Microsoft, makalah AECMOS, ICASSP 2022 |
| Peringkat bertumpuk AECMOS asli: model yang diperingkat; PCC per peserta pada gema bicara tunggal sisi jauh | 22 model (14 peserta, 4 model deep dan 4 model DSP dari para penulis); 0,996 | Microsoft, makalah AECMOS, ICASSP 2022 |
| Akurasi kata pengenalan ucapan vs skor subjektif rata-rata pada seluruh entri ICASSP 2022 (PCC) | 0,85 | Microsoft, makalah AEC Challenge ICASSP 2022 |
| Pendengar per ujaran dalam uji subjektif ICASSP 2021; interval kepercayaan 95% | 10 pendengar; 0,01 MOS | Amazon Web Services, kendali gema PercepNet, arXiv 2021 |
Catatan pencilan: korelasi per klip jauh lebih lemah daripada per model. Makalah AECMOS asli melaporkan PCC per klip sebesar 0,582 untuk gema saat bicara bersamaan, sehingga metrik ini andal untuk mengurutkan sistem, bukan untuk menilai satu rekaman.
6. Kendali Gema Neural vs Linear: Apa yang Ditunjukkan Adu Langsung
Filter adaptif linear memodelkan jalur gema sebagai sistem garis lurus, sehingga kesulitan menghadapi gema yang terdistorsi oleh speaker laptop murah yang overdrive. Pada lima besar ICASSP 2022, sebagian besar sistem neural dibangun di atas filter linear alih-alih menggantikannya. Dalam satu uji ByteDance, WebRTC AEC3 menghilangkan sekitar 30 dB gema sementara penekan residual neural mencapai 40,8 dB, dan AEC3 justru membuat kualitas ucapan saat bicara bersamaan lebih buruk daripada tidak memprosesnya sama sekali pada rasio sinyal-terhadap-gema 0 dB (gema sekeras suara sisi dekat).
Perlakukan angka ERLE dengan kehati-hatian yang dijelaskan di bagian 5: ERLE 78,69 dB menunjukkan bahwa saluran sangat sunyi selama ucapan sisi jauh, bukan bahwa suara sisi dekat bertahan. Dari sisi vendor, Microsoft menyatakan model gema Teams dilatih pada 30.000 jam sampel ucapan (Microsoft 365 Blog 2022, klaim vendor sendiri), dan para peneliti DeepVQE-nya mengatakan model kecil diuji di Teams untuk ratusan juta pengguna.
| Metrik | Nilai | Sumber |
|---|---|---|
| ERLE, bicara tunggal sisi jauh dengan ucapan: filter adaptif linear vs WebRTC AEC3 vs filter adaptif ditambah penekan residual neural | 16,612 dB vs 29,976 dB vs 40,786 dB | ByteDance, penekanan gema residual, arXiv 2020 |
| ERLE, bicara tunggal sisi jauh dengan ucapan ditambah musik: WebRTC AEC3 vs penekan residual neural | 25,376 dB vs 43,144 dB | ByteDance, penekanan gema residual, arXiv 2020 |
| PESQ saat bicara bersamaan pada rasio sinyal-terhadap-gema 0 dB: tanpa pemrosesan vs WebRTC AEC3 vs penekan residual neural | 1,908 vs 1,610 vs 2,816 | ByteDance, penekanan gema residual, arXiv 2020 |
| ERLE: Speex vs WebRTC vs filter adaptif yang digabungkan dengan jaringan saraf rekuren | 25 dB vs 40 dB vs 68 dB | Ma dkk., arXiv 2020 |
| Pembatal gema LSTM dua sinyal (DTLN-aec): peningkatan MOS terhadap baseline AEC Challenge; data pelatihan | 0,30 MOS; 60 jam skenario gema nyata dan sintetis | Westhausen dan Meyer, DTLN-aec, arXiv 2020 |
| 5 sistem teratas ICASSP 2022: desain hibrida linear ditambah neural; rentang parameter | 3 dari 5; 1,5M sampai 55,5M parameter | Microsoft, makalah AEC Challenge ICASSP 2022 |
| Entri ICASSP 2023: korelasi skor akhir dengan ukuran model; dengan penggunaan desain hibrida (PCC) | -0,54; 0,10 | Microsoft, makalah AEC Challenge ICASSP 2023 |
| Pembatal gema neural ujung ke ujung (Januari 2026): ERLE dengan masking deteksi aktivitas suara; parameter; peningkatan rata-rata MOS dari satu strategi pelatihan | 78,69 dB; 1,2M parameter; 4,31 sampai 4,38 | Alibaba Tongyi Lab, E2E-AEC, arXiv 2026 |
Catatan konteks: hasil-hasil ini berasal dari set uji yang berbeda, sehingga mengurutkan metode di dalam masing-masing makalah, bukan lintas makalah. Data terbaru yang tersedia untuk perbandingan AEC3 dan Speex: ByteDance dan Ma dkk., 2020.
Ringkasan: Pembatalan Gema Akustik dalam Angka
| Metrik | Nilai | Sumber |
|---|---|---|
| Waktu konvergensi Tes 2A G.168 | Sekitar 1 s ditambah tunda jalur gema | ITU-T G.168 (04/2015) |
| Rugi kopling terminal berbobot headset, volume berapa pun vs nominal | Minimal 46 dB vs minimal 55 dB | 3GPP TS 26.131 (Rel-19) |
| Rugi gema jaringan pada titik interkoneksi | Minimal 46 dB | 3GPP TS 26.132 (Rel-19) |
| Kategori bicara bersamaan hands-free | 5; kategori 1 meredam ucapan yang dikirim paling banyak 3 dB | HEAD acoustics, menjelaskan ITU-T P.340 |
| Rekomendasi terminal hands-free, edisi terbaru | P.340 (07/2026) | Ringkasan ITU-T P.340 2026 |
| Tunda satu arah untuk interaktivitas transparan | Di bawah 150 ms | ITU-T G.114 (05/2003) |
| Batas latensi AEC Challenge, 2023 | 20 ms algoritmik ditambah buffering | Repositori AEC-Challenge Microsoft |
| ERLE vs penilaian pendengar | PCC 0,31 | Microsoft, makalah AEC Challenge ICASSP 2021 |
| AECMOS vs penilaian gema sisi jauh | PCC 0,99 | Microsoft, makalah AEC Challenge ICASSP 2023 |
| Set pelatihan AECMOS asli | 64.013 klip, 145,8 jam | Microsoft, makalah AECMOS, ICASSP 2022 |
| Baseline ICASSP 2021 vs pemenang | 3,68 vs 4,11 | Amazon Web Services, kendali gema PercepNet, arXiv 2021 |
| Entri bernilai tertinggi INTERSPEECH 2021 vs baseline | 4,43 vs 3,87 | Microsoft, hasil AEC Challenge INTERSPEECH 2021 |
| Seluler vs desktop, degradasi saat bicara bersamaan | Seluler lebih rendah 0,75 MOS | Microsoft, makalah AEC Challenge ICASSP 2022 |
| Waktu CPU DeepVQE-S per frame | 0,14 ms (faktor waktu nyata 0,014) | Microsoft, DeepVQE, Interspeech 2023 |
| WebRTC AEC3 vs penekan residual neural, ERLE | 29,976 dB vs 40,786 dB | ByteDance, penekanan gema residual, arXiv 2020 |
| Speex vs WebRTC vs RNN hibrida, ERLE | 25 dB vs 40 dB vs 68 dB | Ma dkk., arXiv 2020 |
| Peningkatan DTLN-aec terhadap baseline tantangan | 0,30 MOS | Westhausen dan Meyer, DTLN-aec, arXiv 2020 |
| AEC neural ujung ke ujung, ERLE (2026) | 78,69 dB dengan 1,2M parameter | Alibaba Tongyi Lab, E2E-AEC, arXiv 2026 |
Metodologi dan Sumber
- ITU-T: G.168, Pembatal gema jaringan digital (04/2015, Corrigendum 12/2022), G.167, Pengendali gema akustik (03/1993, dicabut), ringkasan P.340 (07/2026), P.1110, Komunikasi hands-free pita lebar dalam kendaraan bermotor (10/2025), G.114, Waktu transmisi satu arah (05/2003)
- 3GPP: TS 26.131, Karakteristik akustik terminal untuk telefoni; Persyaratan (Rel-19) dan TS 26.132, Spesifikasi uji akustik terminal telefoni ucapan dan video (Rel-19)
- HEAD acoustics: lembar data ACOPT 32 Bicara Bersamaan Berbasis Ucapan (menyatakan ulang kategori ITU-T P.340)
- Microsoft Research: makalah AEC Challenge ICASSP 2021, hasil AEC Challenge INTERSPEECH 2021, makalah AEC Challenge ICASSP 2022, makalah AEC Challenge ICASSP 2023, makalah AECMOS, DeepVQE, Interspeech 2023, repositori 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, dan Su: Acoustic echo cancellation by combining adaptive digital filter and recurrent neural network (2020)
- Westhausen dan 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 (Januari 2026)
- Microsoft 365 Blog: How Microsoft Teams uses AI and machine learning to improve calls and meetings (2022, klaim vendor)
- Catatan data: tidak ada platform yang mempublikasikan tingkat gema berbasis telemetri pada panggilan nyata, sehingga rangkuman ini tidak melaporkannya; makalah Microsoft hanya menggambarkan gema secara kualitatif sebagai keluhan utama. Kedua sumber Microsoft sedikit berbeda soal pemenang 2023: makalah tantangan ICASSP 2023 mencantumkan skor peringkat pertama 0,854, sedangkan tabel makalah DeepVQE mencantumkan pemenang AEC pada 0,852. Sumber Microsoft juga berbeda soal kumpulan data ICASSP 2022: makalah ICASSP 2022 menyebut lebih dari 10.000 lingkungan dan perangkat, sedangkan makalah ICASSP 2023 mencantumkan 7.500 untuk putaran itu. Korelasi ERLE 0,31 dan PESQ 0,67 sama di makalah tantangan 2021, 2022, dan 2023, yang mengisyaratkan satu studi dasar, bukan tiga pengukuran independen. Korelasi AECMOS bervariasi menurut versi model (makalah ICASSP 2022 melaporkan PCC 0,828 untuk gema sisi jauh, makalah 2023 melaporkan 0,99). Makalah INTERSPEECH 2021 menyatakan hampir semua peserta mengalahkan baseline, sedangkan tabel hasil publik menunjukkan 10 dari 14 entri berperingkat berada di atas rata-rata baseline. Nilai ERLE pada perbandingan Speex dan WebRTC tahun 2020 berasal dari set uji dan pengaturan masing-masing makalah. Sebagian besar data AEC Challenge berasal dari 2021 sampai 2023 karena repositori AEC-Challenge mencantumkan ICASSP 2023 sebagai edisi terbaru; teks lengkap P.340 (07/2026) dan berkas 3GPP TS 26.132 Rel-20 adalah pembaruan berikutnya yang perlu diperiksa.
Terakhir diperbarui: 24 Oktober 2026. Kami memperbarui rangkuman ini setiap kuartal, dan pembaruan berikutnya diperkirakan terjadi ketika teks lengkap ITU-T P.340 (07/2026) dipublikasikan.