Pada 2021, Deep Noise Suppression (DNS) Challenges membatasi total latensi algoritmik hingga 40 ms, sementara studi hearables (perangkat dengar) 2025 menjalankan penekanan derau neural pada latensi algoritmik 1,25 ms dan 3,35 ms ujung ke ujung pada DSP berdaya rendah (Microsoft Research, makalah DNS Challenge Interspeech 2021; Dementyev dkk., arXiv 2025). Ukuran model membentang lebih dari tiga orde besaran: RNNoise menggunakan 87.503 bobot dan GTCRN melaporkan 23,7K parameter, sedangkan sistem URGENT Interspeech 2025 teratas menggunakan sekitar 102M parameter. Uji dengar terus menyingkap apa yang terlewat oleh metrik laboratorium: PercepNet penuh memiliki PESQ lebih rendah daripada varian tanpa post-filter (2,54 berbanding 2,73) tetapi MOS pendengar lebih tinggi (4,05 berbanding 3,91). Penekanan derau hanyalah separuh dari cerita isolasi suara; separuh lainnya, memisahkan satu pembicara dari pembicara lain, dibahas dalam statistik pemisahan ucapan dan cocktail party kami, dan sisi bisnis dari alat-alat ini ada di statistik perangkat lunak peredam bising perusahaan kami. Kami menghimpun data dari makalah DNS Challenge Microsoft Research, ITU-T, karya RNNoise oleh Mozilla dan Xiph.Org, makalah DeepFilterNet, penyelenggara tantangan URGENT, dokumentasi Maxine NVIDIA, serta peneliti independen dari universitas dan industri.
TL;DR
- Penekan neural 1,25 ms berjalan pada DSP berdaya rendah dengan latensi ujung ke ujung 3,35 ms (Dementyev dkk., makalah hearables sub-milidetik, arXiv 2025).
- RNNoise berjalan dengan 87.503 bobot, sekitar 1,3% dari satu inti x86 (Mozilla, makalah RNNoise, MMSP 2018).
- GTCRN melaporkan 23,7K parameter dan 39,6 MMAC per detik (Rong dkk., GTCRN, ICASSP 2024).
- DeepFilterNet2 memiliki 2,306 M parameter dan faktor waktu nyata 0,42 bahkan pada Raspberry Pi 4 (Schröter dkk., makalah DeepFilterNet2 2022).
- Denoiser GPU membutuhkan 0,410 ms (p95) untuk memproses bingkai 10 ms pada GPU laptop (NVIDIA, panduan kinerja Maxine AFX SDK, klaim vendor).
- PercepNet meraih MOS pendengar 4,05 dibandingkan 3,40 untuk input berderau pada VCTK (Valin dkk., makalah PercepNet, Interspeech 2020).
- Pemenang URGENT Interspeech 2025 menggunakan sekitar 102M parameter, sekitar 12 kali baseline 8,5M (Saijo dkk., makalah URGENT 2025 Challenge).
- Memprediksi ke depan untuk mencapai latensi 0 ms menurunkan SI-SDR dari 2,8341 dB menjadi -3,6493 dB (Wang dkk., IEEE/ACM TASLP 2022).
- ITU-T P.835, uji tiga penilaian untuk penekan derau, memiliki edisi baru, P.835 (07/26) (halaman Rekomendasi ITU-T P.835, 2026).
- ICASSP 2026 URGENT Challenge menarik 80 pendaftaran Track 1 dan pengiriman yang valid dari 29 tim (Li dkk., makalah ICASSP 2026 URGENT Challenge).
1. Anggaran Latensi: Berapa Banyak Penundaan yang Diizinkan untuk Penekanan Derau Waktu Nyata
Latensi algoritmik adalah penundaan bawaan dari metode itu sendiri (panjang bingkai analisis ditambah look-ahead ke audio masa depan), sehingga CPU yang lebih cepat tidak dapat menghilangkannya. Waktu pemrosesan adalah hal terpisah: sistem waktu nyata hanya perlu menyelesaikan setiap bingkai sebelum bingkai berikutnya tiba. DNS Challenges 2021 membatasi total latensi algoritmik hingga 40 ms, yang tergolong longgar menurut standar alat bantu dengar dan ketat bagi model yang ingin melihat audio masa depan.
Ke-40 ms itu terpakai bahkan sebelum audio meninggalkan komputer. Dalam sebuah panggilan, penundaan penekan bertumpuk dengan peredam gema, codec, dan jaringan; kendali gema memiliki anggaran dan tolok ukurnya sendiri, yang dibahas dalam statistik pembatalan gema akustik kami. Aturannya dijabarkan dalam makalah DNS Challenge Interspeech 2021, dan angka desainnya berasal dari makalah PercepNet dan makalah DeepFilterNet3.
| Metrik | Nilai | Sumber |
|---|---|---|
| Aturan waktu nyata DNS Challenge: total latensi algoritmik (bingkai + langkah + look-ahead), dan waktu pemrosesan per bingkai | 40 ms atau kurang; di bawah waktu langkah pada Intel Core i5 quad-core 2,4 GHz (bingkai 32 ms dengan langkah 16 ms, yaitu 48 ms, gagal) | Microsoft Research, makalah DNS Challenge ICASSP 2021 dan Interspeech 2021 |
| Jendela analisis, hop, dan look-ahead RNNoise | jendela 20 ms, offset 10 ms; look-ahead 10 ms | Mozilla, makalah RNNoise, MMSP 2018; halaman demo RNNoise Xiph.Org 2017 |
| Ukuran bingkai dan look-ahead PercepNet | bingkai 10 ms, look-ahead 40 ms | Valin dkk., makalah PercepNet, Interspeech 2020 |
| Latensi algoritmik DeepFilterNet3 | 40 ms (jendela 20 ms, hop 10 ms, 2 bingkai look-ahead) | Schröter dkk., makalah DeepFilterNet3, Interspeech 2023 |
| Desain STFT latensi sangat rendah: ukuran jendela dan latensi algoritmik yang dihasilkan | jendela input 16 ms, jendela output 4 ms, hop 2 ms; latensi 4 ms, atau 2 ms dengan prediksi satu bingkai ke depan | Wang dkk. (CMU, MERL), IEEE/ACM TASLP 2022 |
| Latensi algoritmik peningkatan ucapan berbasis pembelajaran mesin (ML) yang umum dibandingkan target hearables | 16 hingga 32 ms berbanding di bawah 2 ms ujung ke ujung (sekitar 1 ms atau kurang secara algoritmik) | Dementyev dkk., makalah hearables sub-milidetik, arXiv 2025 |
| Efek GPU Denoiser v2: ukuran bingkai dan ambang rilis per bingkai (pengujian vendor sendiri) | bingkai 10 ms (160 sampel pada 16 kHz); waktu bingkai p95 harus tetap di bawah anggaran 10 ms | NVIDIA, panduan kinerja Maxine AFX SDK untuk Windows (klaim vendor) |
Data terbaru yang tersedia untuk aturan tantangan: 2021; edisi DNS berikutnya menyerahkan definisi milidetiknya ke situs web tantangan. Data terbaru yang tersedia untuk RNNoise dan PercepNet: makalah 2018 dan 2020.
2. Komputasi dan Ukuran Model: Dari 23,7K Parameter hingga 8 Juta
GTCRN melaporkan 23,7K parameter, sedangkan PercepNet menggunakan 8M bobot dan sekitar 800 MMACS, kira-kira 340 kali lebih banyak bobot (8.000.000 / 23.700) untuk model yang juga berjalan dalam waktu nyata. Faktor waktu nyata (RTF) adalah waktu pemrosesan dibagi durasi audio, sehingga RTF di bawah 1 berarti model mampu mengikuti audio langsung.
Pembacaan praktisnya: komputasi bukan lagi yang menghalangi penekanan neural di laptop. RNNoise membutuhkan sekitar 1,3% dari satu inti pada CPU laptop era Haswell dan PercepNet kurang dari 5% dari satu inti. Pertanyaan yang masih terbuka adalah ponsel, earbud, dan DSP, tempat RTF 0,42 pada Raspberry Pi 4 masih menyisakan sedikit ruang gerak. Angka-angkanya berasal dari makalah RNNoise, makalah DeepFilterNet2, dan halaman makalah GTCRN.
| Metrik | Nilai | Sumber |
|---|---|---|
| Ukuran dan beban CPU RNNoise | 87.503 bobot; sekitar 40 MFLOPS; sekitar 1,3% dari satu inti Intel i7-4800MQ, sekitar 14% dari satu inti Raspberry Pi 3 | Mozilla, makalah RNNoise, MMSP 2018 |
| Berkas model RNNoise dengan bobot 8-bit dibandingkan float 32-bit, dan kecepatan | 85 kB berbanding 340 kB; sekitar 60x lebih cepat dari waktu nyata pada x86, sekitar 7x pada Raspberry Pi 3 | Xiph.Org, halaman demo RNNoise 2017 |
| Ukuran dan beban CPU PercepNet | 8M bobot; sekitar 800 MMACS; 5,2% dari satu inti Intel i7-8565U (bingkai 10 ms), 4,1% (bingkai 40 ms) | Valin dkk., makalah PercepNet, Interspeech 2020 |
| DeepFilterNet dibandingkan DeepFilterNet2: parameter, komputasi, RTF pada Core i5-8250U | 1,778 M berbanding 2,306 M; 0,348 berbanding 0,356 GMAC; RTF 0,11 berbanding 0,04 (0,42 pada Raspberry Pi 4) | Schröter dkk., makalah DeepFilterNet2 2022 |
| Ukuran dan komputasi GTCRN | 23,7K parameter; 39,6 MMAC per detik | Rong dkk., GTCRN, ICASSP 2024 |
| Ukuran dan komputasi UL-UNAS | 169k parameter; 34M MAC per detik; look-ahead 0 ms | Rong dkk., UL-UNAS, Neural Networks 2025 |
| Denoiser v2 pada GPU laptop RTX 3500 Ada (pengukuran vendor sendiri) | p95 0,410 ms per bingkai 10 ms; throughput p50 26,74x waktu nyata; memori GPU 215 MiB | NVIDIA, panduan kinerja Maxine AFX SDK untuk Windows (klaim vendor) |
Dokumentasi denoiser NVIDIA menambahkan catatan peringatannya sendiri: input dengan SNR di bawah 5 dB dapat menghasilkan output yang terdistorsi.
3. Skor Kualitas Tolok Ukur: PESQ dan DNSMOS untuk Model Bernama
PESQ membandingkan audio hasil olahan dengan referensi bersih; DNSMOS adalah model neural yang memprediksi penilaian pendengar tanpa memerlukan referensi. Pada set uji VoiceBank+DEMAND yang umum, PESQ naik dari 1,97 untuk ucapan berderau tanpa pemrosesan menjadi 3,17 untuk DeepFilterNet3, dengan RNNoise berada di ujung bawah kelompok neural.
Baris DNSMOS menyimpan peringatan yang lebih berguna. Pada set uji buta DNS4, RNNoise menurunkan skor ucapan prediksi (SIG) di bawah input berderau sambil menaikkan skor keseluruhan, yang merupakan pertukaran klasik: lebih sedikit derau, suara sedikit rusak. Makalah PercepNet sendiri menunjukkan masalah sebaliknya untuk PESQ, ketika versi yang paling disukai pendengar justru memiliki PESQ lebih rendah. Data dari makalah DeepFilterNet3 dan makalah UL-UNAS.
| Metrik | Nilai | Sumber |
|---|---|---|
| PESQ VoiceBank+DEMAND: input berderau dibandingkan RNNoise dibandingkan DeepFilterNet2 (dengan post-filter) | 1,97 berbanding 2,33 berbanding 3,03 | Schröter dkk., makalah DeepFilterNet2 2022 |
| PESQ dan STOI DeepFilterNet3 pada VoiceBank+DEMAND | 3,17 dan 0,944 | Schröter dkk., makalah DeepFilterNet3, Interspeech 2023 |
| DNSMOS pada set buta DNS4, ucapan (SIG) dan keseluruhan (OVRL): berderau dibandingkan RNNoise dibandingkan DeepFilterNet2 | SIG 4,144 berbanding 3,884 berbanding 4,196; OVRL 3,291 berbanding 3,378 berbanding 3,882 | Schröter dkk., makalah DeepFilterNet2 2022 |
| PESQ VCTK-DEMAND: GTCRN dibandingkan UL-UNAS yang dilatih dengan loss PESQ | 2,87 berbanding 3,09 | Rong dkk., UL-UNAS, Neural Networks 2025 |
| PESQ set buta DNS3 dan look-ahead: GTCRN dibandingkan LiSenNet dibandingkan UL-UNAS | 2,10 (0 ms) berbanding 2,23 (32 ms) berbanding 2,28 (0 ms) | Rong dkk., UL-UNAS, Neural Networks 2025 |
| PESQ-WB PercepNet dengan dan tanpa post-filter | 2,54 berbanding 2,73 | Valin dkk., makalah PercepNet, Interspeech 2020 |
| MOS pendengar P.808 pada VCTK 48 kHz: berderau dibandingkan RNNoise dibandingkan PercepNet | 3,40 berbanding 3,70 berbanding 4,05 | Valin dkk., makalah PercepNet, Interspeech 2020 |
Konteks: VoiceBank+DEMAND adalah set uji kecil yang sebagian besar sintetis, sehingga peringkat ini lebih menggambarkan kemajuan relatif daripada panggilan sebenarnya. Baris DNS3 adalah yang perlu dicatat pembaca yang peduli latensi: model dengan look-ahead nol (2,28) meraih PESQ di atas model dengan look-ahead 32 ms (2,23).
4. Hasil Tantangan: DNS 2021 hingga 2023 dan URGENT 2025 hingga 2026
Hasil tantangan dari 2020 hingga 2026 menunjukkan bahwa peningkatan terukur dibandingkan input berderau tetap kecil, bahkan untuk para pemenang. Pada ICASSP 2021, model terbaik hanya lebih baik 0,53 DMOS (selisih skor opini rata-rata) dibandingkan input berderau, yang oleh penyelenggara ditetapkan pada MOS absolut 3,38, dan hanya separuh dari pengiriman yang mengalahkan baseline. Penekanan terpersonalisasi, yang disediakan Teams sebagai isolasi suara, mendaftarkan sampel suara pengguna dan juga menghilangkan pembicara lain; pada jalur terpersonalisasi ICASSP 2022, tidak ada tim yang meningkatkan skor ucapan. Di Teams, isolasi suara diaktifkan secara default dalam kebijakan admin dan profil suara disimpan di perangkat pengguna (Microsoft Learn, halaman admin isolasi suara Teams, diperbarui 2026).
URGENT (peningkatan ucapan “universal”) lebih luas daripada penekanan derau: ia menambahkan reverberasi, clipping, kehilangan codec, kehilangan paket, dan derau angin, serta menerima input 8 hingga 48 kHz. Hasil 2025-nya menunjukkan ukuran model bergerak ke arah berlawanan dari bagian 2. Sumber: makalah DNS ICASSP 2021, makalah DNS ICASSP 2022, makalah DNS ICASSP 2023, makalah URGENT 2025, dan makalah URGENT 2026.
| Metrik | Nilai | Sumber |
|---|---|---|
| Jalur waktu nyata DNS Interspeech 2020: peringkat PercepNet dan MOS P.808 dibandingkan input berderau dan baseline | Tempat ke-2; 3,52 berbanding 3,01 berbanding 3,03 | Valin dkk., makalah PercepNet, Interspeech 2020 |
| DNS ICASSP 2021 Track 1: tim dan hasil terbaik dibandingkan input berderau | 16 tim; model terbaik 0,53 DMOS lebih baik daripada input berderau (MOS absolut 3,38); separuh pengiriman mengalahkan baseline | Microsoft Research, makalah DNS Challenge ICASSP 2021 |
| DNS Interspeech 2021: MOS keseluruhan terbaik dibandingkan batas atas dengan penghilangan derau sempurna; skor ucapan | Sekitar 3,78 berbanding 3,92; sebagian besar tim selain dua teratas mendapat MOS ucapan di bawah input berderau | Microsoft Research, makalah DNS Challenge Interspeech 2021 |
| Jalur terpersonalisasi (isolasi suara) ICASSP 2022: durasi pendaftaran suara dan hasil dibandingkan input berderau | 2,5 menit per pembicara; tidak ada tim yang meningkatkan SIG; akurasi kata 2% lebih buruk | Microsoft Research, makalah DNS Challenge ICASSP 2022 |
| DNS ICASSP 2023: pengiriman dan peningkatan Skor pemenang atas set buta berderau, headset dibandingkan speakerphone | 11 dan 11 pengiriman; 0,145 berbanding 0,141 | Microsoft Research, makalah DNS Challenge ICASSP 2023 |
| URGENT Interspeech 2025: pengiriman dan ukuran sistem pemenang dibandingkan baseline | 32 pengiriman; sekitar 102M berbanding sekitar 8,5M parameter | Saijo dkk., makalah URGENT Challenge Interspeech 2025 |
| URGENT Interspeech 2025: MOS sistem murni generatif, peringkat keseluruhan, dan akurasi karakter pada bahasa Mandarin dan Jepang | MOS tertinggi (3,69) tetapi peringkat ke-13; 20,1% dan 36,8% | Saijo dkk., makalah URGENT Challenge Interspeech 2025 |
| URGENT ICASSP 2026: pendaftaran Track 1, tim valid, ukuran uji buta | 80 pendaftaran; 29 tim dengan pengiriman valid di kedua jalur; 840 sampel termasuk 5 bahasa yang belum pernah dilihat | Li dkk., makalah URGENT Challenge ICASSP 2026 |
Batas atas 3,92 pada baris Interspeech 2021 adalah perhitungan penyelenggara sendiri: jika derau dinilai sempurna 5 dan ucapan tetap sebaik pada klip berderau, MOS keseluruhan akan mentok di angka itu. Pada 2021 para pemenang telah menghilangkan sebagian besar derau dan kesenjangan yang tersisa ada pada kualitas ucapan. Skor ICASSP 2023 adalah 0,5 x [WAcc + 0,25 x (OVRL - 1)], sehingga membobot akurasi kata dan kualitas menurut pendengar secara setara.
5. Mengukur Kualitas: ITU-T P.835, P.808, dan DNSMOS
ITU-T P.835 meminta pendengar memberikan tiga penilaian terpisah: sinyal ucapan (SIG), derau latar (BAK), dan kualitas keseluruhan (OVRL). Pemisahan itu penting untuk penekanan derau karena sebuah model dapat menang pada derau dan kalah pada suara dalam klip yang sama. DNSMOS mengikuti penilaian manusia dengan PCC 0,93 per model, dibandingkan 0,78 untuk PESQ dan hanya 0,23 untuk SDR, itulah sebabnya penyelenggara DNS melatih sebuah metrik pada penilaian pendengar alih-alih mengandalkan PESQ.
Kendalanya ada pada granularitas. Versi P.835 dari DNSMOS jauh lebih lemah pada satu klip dibandingkan ketika dirata-ratakan pada seluruh model, jadi perlakukan angka DNSMOS satu klip sebagai petunjuk, bukan putusan. Logika yang sama berlaku untuk suara sintetis, yang dibahas dalam statistik MOS kealamian ucapan sintetis kami. Sumber: halaman ITU-T P.835, halaman ITU-T P.808, makalah DNSMOS, dan makalah DNSMOS P.835.
| Metrik | Nilai | Sumber |
|---|---|---|
| Edisi ITU-T P.835 | P.835 (07/26) berlaku, prapublikasi; P.835 (11/03) digantikan | Halaman Rekomendasi ITU-T P.835, diakses Oktober 2026 |
| Edisi ITU-T P.808 | P.808 (06/21) berlaku; P.808 (06/18) digantikan | Halaman Rekomendasi ITU-T P.808, diakses Oktober 2026 |
| Korelasi DNSMOS dengan pendengar per model (PCC) dibandingkan PESQ, POLQA, SDR; DNSMOS P.835 keseluruhan, tingkat model dibandingkan satu klip | 0,93 berbanding 0,78, 0,79, 0,23; 0,98 berbanding 0,82 | Reddy dkk., Microsoft, makalah DNSMOS (2020) dan DNSMOS P.835 (2021) |
| Uji dengar PercepNet: sampel VCTK dan pendengar per sampel; pendengar per klip pada uji DNS | 824 sampel, masing-masing 8 pendengar (CI 95% 0,04); masing-masing 10 pendengar (CI 95% 0,02) | Valin dkk., makalah PercepNet, Interspeech 2020 |
| Metode dan cakupan uji subjektif URGENT 2025 | Penilaian kategori absolut ITU-T P.808 di Amazon Mechanical Turk; hanya data berbahasa Inggris | Saijo dkk., makalah URGENT Challenge Interspeech 2025 |
| Uji dengar URGENT ICASSP 2026 dan data prediksi MOS | 6 sistem teratas dinilai dengan P.808 ACR dan CCR; 8.000 sampel beranotasi MOS dari 16 sistem | Li dkk., makalah URGENT Challenge ICASSP 2026 |
Revisi P.835 adalah hal terbaru di sini: edisi 2003 digantikan oleh P.835 (07/26), dan judulnya kini mencakup terminal yang “menyediakan fungsi penekanan derau”. Teks lengkapnya belum dipublikasikan saat kami memeriksa, sehingga perubahan pada metodenya tidak tercermin dalam angka-angka di atas.
6. Pertukaran antara Latensi dan Kualitas
Memangkas latensi mengorbankan kualitas dan komputasi sekaligus. Dalam studi hearables 2025, model 1 ms membutuhkan 840 MIPS sedangkan model overlap-add 16 ms membutuhkan 105 MIPS, dan model 16 ms tetap meraih skor lebih tinggi (DNSMOS OVRL 2,35 berbanding 2,13 pada CHiME-2). Studi CMU dan MERL sebelumnya menemukan pola yang sama untuk PESQ, dan menunjukkan bahwa upaya memprediksi lebih dulu dari audio untuk mencapai 0 ms membuat SI-SDR anjlok.
Jawaban studi hearables adalah mengubah filter keluaran alih-alih memperkecil jendela: desain FIR fase minimum menjaga SI-SDR kurang lebih datar dari 0,32 hingga 1,25 ms dan memangkas latensi ujung ke ujung dari 7,1 ms menjadi 3,35 ms. Obrolan langsung jauh lebih toleran terhadap penundaan dibandingkan hearables, tetapi latensi penekan tetap bertambah pada setiap tahap lain, misalnya ketika efek ditumpuk dalam rangkaian pengubah suara Discord. Data dari makalah hearables dan makalah STFT latensi sangat rendah.
| Metrik | Nilai | Sumber |
|---|---|---|
| DNSMOS OVRL pada CHiME-2: tanpa pemrosesan dibandingkan model 1 ms, 2 ms, 4 ms, dan 16 ms | 1,3 berbanding 2,13 berbanding 2,25 berbanding 2,28 berbanding 2,35 | Dementyev dkk., makalah hearables sub-milidetik, arXiv 2025 |
| SI-SDR pada CHiME-2: model 1 ms, 2 ms, dan 16 ms | 8,0 dB berbanding 11,10 dB berbanding 12,98 dB | Dementyev dkk., makalah hearables sub-milidetik, arXiv 2025 |
| Komputasi model 1 ms dibandingkan model overlap-add 16 ms | 840 MIPS berbanding 105 MIPS | Dementyev dkk., makalah hearables sub-milidetik, arXiv 2025 |
| Model Deep FIR 1,25 ms yang diusulkan: parameter, komputasi, latensi ujung ke ujung pada NXP i.MX RT600 | 626k parameter; 376 MIPS; 3,35 ms | Dementyev dkk., makalah hearables sub-milidetik, arXiv 2025 |
| PESQ mikrofon tunggal, sistem jendela persegi panjang: tanpa pemrosesan dibandingkan 4 ms, 2 ms, dan 0 ms (memprediksi ke depan) | 1,44 berbanding 1,8997 berbanding 1,84575 berbanding 1,7138 | Wang dkk. (CMU, MERL), IEEE/ACM TASLP 2022 |
| SI-SDR mikrofon tunggal, sistem jendela persegi panjang, pada 4 ms dibandingkan 0 ms (memprediksi ke depan) | 2,8341 dB berbanding -3,6493 dB | Wang dkk. (CMU, MERL), IEEE/ACM TASLP 2022 |
| PESQ enam mikrofon pada 4 ms dibandingkan 2 ms (sistem dua tahap yang sama) | 2,698490 berbanding 2,47482 | Wang dkk. (CMU, MERL), IEEE/ACM TASLP 2022 |
| Uji ukuran jendela DeepFilterNet: titik ketika masker rasio kompleks mulai kehilangan kualitas | Jendela FFT 20 ms atau kurang (deep filtering tetap stabil dari 5 hingga 30 ms) | Schröter dkk., makalah DeepFilterNet, ICASSP 2022 |
Catatan pencilan: model 1 ms dan yang lebih pendek dalam studi hearables tidak dapat berjalan dalam waktu nyata pada DSP target, sehingga angka ujung ke ujungnya merupakan estimasi para penulis.
Ringkasan: Latensi Penekanan Derau Neural dan Isolasi Suara AI dalam Angka
| Metrik | Nilai | Sumber |
|---|---|---|
| Model hearables Deep FIR yang berjalan waktu nyata pada DSP berdaya rendah | 1,25 ms algoritmik, 3,35 ms ujung ke ujung | Dementyev dkk., arXiv 2025 |
| Ukuran uji buta ICASSP 2026 URGENT | 840 sampel, termasuk 5 bahasa yang belum pernah dilihat | Li dkk., makalah URGENT Challenge ICASSP 2026 |
| Bobot RNNoise | 87.503 | Mozilla, makalah RNNoise, MMSP 2018 |
| Parameter dan komputasi GTCRN | 23,7K; 39,6 MMAC per detik | Rong dkk., GTCRN, ICASSP 2024 |
| Parameter dan look-ahead UL-UNAS | 169k; 0 ms | Rong dkk., UL-UNAS, Neural Networks 2025 |
| PESQ VoiceBank+DEMAND, input berderau dibandingkan DeepFilterNet3 | 1,97 berbanding 3,17 | Schröter dkk., makalah DeepFilterNet2 dan DeepFilterNet3 |
| Waktu p95 Denoiser v2 per bingkai 10 ms pada GPU laptop (klaim vendor) | 0,410 ms | NVIDIA, panduan kinerja Maxine AFX SDK |
| MOS pendengar PercepNet dibandingkan input berderau pada VCTK | 4,05 berbanding 3,40 | Valin dkk., makalah PercepNet, Interspeech 2020 |
| Ukuran pemenang URGENT 2025 dibandingkan baseline | Sekitar 102M berbanding 8,5M parameter | Saijo dkk., makalah URGENT 2025 Challenge |
| Sistem generatif URGENT 2025: MOS pendengar dibandingkan peringkat keseluruhan | 3,69 (tertinggi) berbanding ke-13 | Saijo dkk., makalah URGENT 2025 Challenge |
| Tim valid ICASSP 2026 URGENT | 29 | Li dkk., makalah URGENT Challenge ICASSP 2026 |
| PESQ mikrofon tunggal pada latensi 4 ms dibandingkan 0 ms | 1,8997 berbanding 1,7138 | Wang dkk., IEEE/ACM TASLP 2022 |
| Edisi ITU-T P.835 terbaru | P.835 (07/26), berlaku (prapublikasi) | Halaman Rekomendasi ITU-T P.835 |
| Edisi ITU-T P.808 yang berlaku | P.808 (06/21) | Halaman Rekomendasi ITU-T P.808 |
| Ukuran model RNNoise dengan bobot 8-bit | 85 kB | Xiph.Org, halaman demo RNNoise 2017 |
| Kecepatan RNNoise pada x86 | Sekitar 60x lebih cepat dari waktu nyata | Xiph.Org, halaman demo RNNoise 2017 |
Metodologi dan Sumber
- Microsoft (makalah Research dan dokumentasi Learn): makalah DNS Challenge ICASSP 2021 (2020), makalah DNS Challenge Interspeech 2021 (2021), makalah DNS Challenge ICASSP 2022 (2022), makalah DNS Challenge ICASSP 2023 (2023), Reddy dkk. DNSMOS (2020) dan DNSMOS P.835 (2021), serta halaman admin isolasi suara Teams (diperbarui 2026).
- ITU-T, Rekomendasi P.835 dan Rekomendasi P.808, diakses Oktober 2026.
- Mozilla, makalah RNNoise (MMSP 2018) dan halaman demo RNNoise Xiph.Org (2017).
- Valin dkk., makalah PercepNet (Interspeech 2020).
- Schröter dkk., DeepFilterNet (ICASSP 2022), DeepFilterNet2 (2022) dan DeepFilterNet3 (Interspeech 2023).
- Rong dkk., GTCRN (ICASSP 2024) dan UL-UNAS (Neural Networks 2025).
- Wang dkk. (CMU, MERL), STFT-Domain Neural Speech Enhancement with Very Low Algorithmic Latency (IEEE/ACM TASLP 2022).
- Dementyev dkk., Towards Sub-millisecond Latency Real-Time Speech Enhancement Models on Hearables (arXiv v2, Maret 2025).
- Saijo dkk., Interspeech 2025 URGENT Challenge (2025) dan Li dkk., ICASSP 2026 URGENT Challenge (2026).
- NVIDIA, panduan kinerja Maxine AFX SDK dan halaman efek denoiser (dokumentasi vendor, diberi label sebagai klaim vendor).
- Catatan data: sebagian besar data DNS Challenge berasal dari 2020 hingga 2023; makalah ICASSP 2023 adalah laporan DNS Challenge terbaru yang kami temukan, sehingga merupakan data terbaru yang tersedia untuk seri tolok ukur tersebut. PESQ RNNoise pada VoiceBank+DEMAND adalah 2,33 dalam tabel DeepFilterNet2 tetapi 2,29 dalam tabel PercepNet dan UL-UNAS. GTCRN muncul sebagai 23,7K parameter dan 39,6 MMAC dalam abstrak ICASSP 2024, tetapi makalah UL-UNAS mengutip angka repositori yang diperbarui, yaitu 48k parameter dan 34 MMAC. DeepFilterNet2 melaporkan RTF 0,04 dan DeepFilterNet3 RTF 0,19 (single-thread) pada Core i5-8250U yang sama, sehingga pengaturan threading atau pengukurannya berbeda. Makalah hearables memberikan 0,32 ms dalam abstraknya dan 0,34 ms dalam pendahuluannya untuk latensi terpendek. Nilai dari makalah latensi rendah CMU dan MERL dikutip dengan ketelitian seperti tercetak dalam tabelnya. Angka GPU vendor berasal dari satu GPU laptop dan bukan jaminan. Nilai SIG, BAK, dan OVRL per tim untuk edisi DNS 2022 dan 2023 hanya ada dalam bentuk grafik, sehingga tidak kami transkripsikan. Teks lengkap ITU-T P.835 (07/26) belum dipublikasikan. Terakhir diperbarui: 25 Oktober 2026. Kami memperbarui rangkuman ini setiap kuartal, dan pembaruan berikutnya diperkirakan terjadi ketika prosiding ICASSP 2026 URGENT Challenge dan teks terbitan ITU-T P.835 (07/26) tersedia.