エコーキャンセラーで最もよく引用される数値であるERLEは、人間の聴取者の評価とのピアソン相関係数がわずか0.31にとどまる一方、Microsoftのニューラル指標AECMOSは遠端エコー評価に対して0.99に達する(Microsoft、ICASSP 2021およびICASSP 2023のAEC Challenge論文)。規格の面では、ITU-T G.168はネットワークエコーキャンセラーに収束のためのおよそ1秒を与え、3GPP TS 26.131はヘッドセットに46 dB以上のエコー損失を求め、Microsoftのコンペは2021年から2023年にかけて遅延の許容値を40 msから20 msへと半減させた。エコーは、会議室の機器をより良いものにしようという動機にもなる問題であり、これはマイクの側から会議室天井ビームフォーミングマイク統計で取り上げた。本稿ではITU-T、3GPP、Microsoft ResearchのAEC Challenge論文4本、Amazon Web Services、ByteDance、AlibabaのTongyi Lab、arXivの独立研究者、HEAD acousticsのデータを集約した。
主なポイント
- ネットワークエコーキャンセラーは、テスト2Aで約1秒以内に要求される合成損失に到達する必要がある(ITU-T G.168、04/2015)。
- ヘッドセットには、どの音量でも46 dB以上の加重端末結合損失が必要で、公称音量では55 dBが推奨される(3GPP TS 26.131、Rel-19)。
- ERLEと聴取者評価の相関は、PCCが0.31、SRCCが0.23(Microsoft、ICASSP 2021 AEC Challenge論文)。
- AECMOSと遠端エコー評価の相関は、PCCが0.99(Microsoft、ICASSP 2023 AEC Challenge論文)。
- コンペの遅延上限は、2021年のアルゴリズム遅延40 msから、2023年にはアルゴリズム遅延とバッファリング遅延の合計20 msへ低下した(Microsoft AEC Challenge論文およびリポジトリ)。
- INTERSPEECH 2021の最高スコアの参加システムは、平均4.43を記録し、ベースラインの3.87を上回った(Microsoft、INTERSPEECH 2021 AEC Challenge結果)。
- ダブルトーク時の劣化で、モバイル機器は卓上機器よりMOSで0.75低かった(Microsoft、ICASSP 2022 AEC Challenge論文)。
- WebRTC AEC3は約30 dBのエコーを除去したのに対し、ニューラル抑圧器は40.8 dBだった(ByteDance、arXiv 2020)。
- 2026年1月のエンドツーエンドモデルは、120万パラメータで78.69 dBのERLEに到達した(Alibaba Tongyi Lab、E2E-AEC、arXiv 2026)。
- 小型のニューラルエコー・雑音モデルは、1フレームあたり0.14 msで動作し、リアルタイム係数は0.014(Microsoft、DeepVQE、Interspeech 2023)。
- ダブルトーク性能が最良のカテゴリ(カテゴリ1)のハンズフリー端末は、ダブルトーク中の送話音声の減衰が最大3 dBにとどまる(HEAD acoustics、ITU-T P.340について記述)。
1. ITU-Tの規格体系:収束、ダブルトーク、リークの各試験
エコーキャンセラーに関する通信分野の中核的な規則は古いものだが、今も有効である。ここでいう「エコー」とは、自分の声が遠端に届き、戻り経路に漏れ込んで、自分に返ってくるものを指す。G.168はキャンセラーに、要求される損失に到達するための時間として約1秒を与え、さらに両者が同時に話す場合(「ダブルトーク」)や回線が数分間無音になる場合にも、その損失を維持できるかを試験し続ける。非線形プロセッサ(NLP)は、適応フィルタが残した残留エコーをすべて抑圧する最終段であり、フィルタ自体を測定するために、いくつかの試験ではこれを無効にする。
これらの試験が模擬する実際のエコー経路は短い。ITU-T G.168(04/2015)に再掲された現地データでは、モントリオールから北米各地への長距離通話101件(1998年6月から1999年4月)が測定され、そのうち88件のヒストグラムで平均分散時間は6.02 msとなり、12 msを超えた通話はなかった。音響版にあたるG.167は廃止され、その内容はP.340とG.161に移された。
| 指標 | 値 | 出典 |
|---|---|---|
| 現行のネットワークエコーキャンセラー勧告の版 | G.168(04/2015)、およびCorrigendum 1(12/2022) | ITU-T G.168 |
| 試験で使用するエコー復帰損失(エコー経路自体が与える損失)の最小値、標準エコー経路モデルの数 | 最小6 dB、8モデル(m1からm8)、m2、m7、m8の最小値はそれぞれ6.55 dB、11.06 dB、9.27 dB | ITU-T G.168(04/2015)、Annex D |
| テスト2Aの収束、非線形プロセッサ有効時 | エコー経路遅延と開始オフセットに1 sを加えた時間内に要求される合成損失、ピークは制限値を5 dBまでしか上回らない | ITU-T G.168(04/2015) |
| テスト3A、近端信号が遠端レベルより15 dB低いダブルトーク(遠端は-25から0 dBm0) | 5 s以内に収束しなければならない | ITU-T G.168(04/2015) |
| テスト3B(a)およびテスト4:ダブルトーク中、および遠端信号停止の2分後(リークテスト)に許容される残留エコーの上昇 | いずれの場合も定常状態の要件を10 dBまでしか上回らない | ITU-T G.168(04/2015) |
| 音響エコーコントローラの元の勧告G.167(03/1993)の状態 | 廃止、第1~5節はP.340(2000)、第6節はG.161(2002)に置き換え | ITU-T G.167の記録 |
| エコーとダブルトーク性能を扱うハンズフリー端末勧告の最新版 | P.340(07/2026) | ITU-T P.340 2026年概要 |
| 車載広帯域ハンズフリー勧告の周波数範囲 | 50から7,000 Hz、現行版はP.1110(10/2025) | ITU-T P.1110 |
補足:dBm0はネットワーク内の基準点に対する信号レベルであり、「-25から0 dBm0」は、小さい声から大きい声までの遠端の話者を意味する。P.340の2026年改訂は新しいもので、執筆時点では全文が公開されていなかったため、本稿では公表された概要のみを引用している。
2. ヘッドセット、ハンズフリー機器、ネットワークのエコー損失目標
端末結合損失(TCLw)とは、機器のスピーカーやイヤピースから再生された遠端の音声が、その機器自身のマイクに漏れ込んで送り返される前に、どれだけ減衰されるかを示す値である。移動体通信の規格は、どの音量でもヘッドセットの下限を46 dBとしており、推奨目標の55 dBには、機器自身のアイドル時雑音のため、すべての機器で測定できるとは限らないという注記が付いている。
興味深い差はハンズフリーにある。卓上のスピーカーフォンは最大音量で40 dBまで下がっても適合するため、ハンズフリーのダブルトーク動作には独自のカテゴリがある。カテゴリ1の機器は相手が話している間も自分の声をほとんど抑えない(最大3 dB)が、カテゴリ3の機器は12 dBを超えて抑える。これは、一度に片側しか聞こえないトランシーバーに近い動作である。
| 指標 | 値 | 出典 |
|---|---|---|
| ヘッドセットの加重端末結合損失:どの音量設定でも、対、公称音量での推奨値 | 46 dB以上、対、55 dB以上 | 3GPP TS 26.131(Rel-19) |
| 卓上ハンズフリーの加重端末結合損失:どの音量でも、対、自由音場条件の公称音量 | 40 dB以上、対、46 dB以上 | 3GPP TS 26.131(Rel-19) |
| 卓上ハンズフリーの公称音量での推奨性能目標 | 55 dB以上(アイドルチャネル雑音のため測定できない場合がある) | 3GPP TS 26.131(Rel-19) |
| GSM、3G、LTE、NRネットワークが相互接続点で示すエコー損失、シングルトーク時 | 46 dB以上 | 3GPP TS 26.132(Rel-19) |
| エコーキャンセラーが収束できるよう、エコー損失試験の冒頭で破棄される音声、試験信号レベル | 最初の17.0 s、10 dBm0 | 3GPP TS 26.132(Rel-19) |
| 端末結合損失の指針:デジタル入力から出力(P.341による)、対、現場条件(P.342による)、対、G.131の話者エコー目標で望ましい値 | 35 dB以上、対、40 dB超、対、45 dB超 | ITU-T G.168(04/2015)、Appendix I |
| ハンズフリー端末のダブルトークカテゴリと送話音声の減衰 | 5カテゴリ(1、2a、2b、2c、3):カテゴリ1は最大3 dB、カテゴリ2bは最大9 dB、カテゴリ3は12 dB超 | HEAD acoustics ACOPT 32データシート、ITU-T P.340について記述 |
補足:3GPPの値はTS 26.131とTS 26.132のRel-19版の本文から読み取ったもので、TS 26.132には2026年7月付のより新しいRel-20のファイルが3GPPのアーカイブにある。HEAD acousticsの文書は、P.340のカテゴリを再掲した試験機器のデータシートであり、カテゴリ2aと2cの上限値は記載していない。
3. 遅延予算:エコーキャンセラーが使える数ミリ秒
エコーキャンセラーが音声のバッファリングに費やす1ミリ秒は、そのまま会話に加わる1ミリ秒である。研究用ベンチマークはこの点で大きく動いた。Microsoftのコンペは2021年にはアルゴリズム遅延40 msを許容していたが、2023年には上限を半分に引き下げ、アルゴリズム遅延とバッファリング遅延の合計で20 msとし、主催者自身のモデルはより厳しい上限でもエコースコアをほとんど落とさなかった。ICASSP 2023の論文は、エンドツーエンドで50 ms未満(弁別限)という目標と、アルゴリズムとバッファリングを合わせて5 ms未満という将来目標を挙げている(Microsoft、ICASSP 2023 AEC Challenge論文)。
計算量はもう一つの予算である。1フレームあたり1ミリ秒に満たない時間で済むニューラルモデルなら、会議に参加するすべてのノートPCで動かせるが、CPUコアの大半を必要とするものは動かせない。遅延予算の残りがジッタバッファとコーデックでどう使われるかについては、VoIPジッタバッファと音声品質の統計を参照されたい。
| 指標 | 値 | 出典 |
|---|---|---|
| 実質的に透過的な対話性のための片方向の口から耳までの遅延、対、一般的なネットワーク計画の上限 | 150 ms未満、対、400 ms | ITU-T G.114(05/2003) |
| AEC Challengeのアルゴリズム遅延上限、ICASSP 2021 | 最大40 ms(20 msフレームと10 msストライドの組み合わせ、すなわち30 msは許容) | Microsoft、ICASSP 2021 AEC Challenge論文 |
| AEC Challengeの遅延上限、ICASSP 2023 | アルゴリズム遅延とバッファリング遅延の合計20 ms | Microsoft AEC-Challengeリポジトリ |
| AEC Challengeの計算量上限、ICASSP 2023 | 2.4 GHzのIntel Core i5クアッドコアでシングルスレッド、リアルタイム係数は最大0.5 | Microsoft、ICASSP 2023 AEC Challenge論文 |
| 20 msのMicrosoftモデル、対、40 msの2022年コンペ優勝モデル:遠端エコーMOS、ダブルトーク時エコーMOS | 4.65対4.66、4.68対4.68 | Microsoft、ICASSP 2023 AEC Challenge論文 |
| DeepVQEフルモデル、対、DeepVQE-S小型モデル:パラメータ数と1フレームあたりのCPU時間 | 7.5Mと3.66 ms、対、0.59Mと0.14 ms(リアルタイム係数0.014) | Microsoft、DeepVQE、Interspeech 2023 |
| リニアエコーキャンセラーとニューラル残留エコー抑圧器の組み合わせ、16 kHzのコンペ参加システム | Intel i7-8565Uの1コアの5.5%、10 msフレームあたり0.55 ms | Amazon Web Services、PercepNetエコー制御、arXiv 2021 |
コンペの上限に関する入手可能な最新データ:Microsoft、2023年。AEC-ChallengeリポジトリはICASSP 2023を依然として最新の回として掲載しているため、これらがこのシリーズで最新の公開ベンチマーク規則である。
4. AEC Challengeのスコアボード、2021年から2023年
MicrosoftのAEC Challengeは、この分野で公開リーグ表に最も近いものである。参加システムは、クラウドソーシングの聴取者によって1から5の尺度で評価される(近端音声品質はMOS、エコーやその他のアーティファクトは劣化スコアであるDMOS)。INTERSPEECH 2021では、最高スコアの参加システムが平均4.43を記録し、ベースラインの3.87を上回った(上位4つは統計的に同順位だったため、Microsoftは計算量の少なさで順位を付けた)。向上の大半はエコー除去とダブルトーク(旧来のキャンセラーがエコーを通してしまうか、近端の話者の声を削ってしまう状況)によるもので、近端音声品質は4.18から4.25にしか動かなかった。
データセットは回を重ねるごとに拡大した。ICASSP 2021では2,500を超える実環境と機器(Microsoft、ICASSP 2021 AEC Challenge論文)、INTERSPEECH 2021では5,000、2023年の回では10,000超となった(2022年の数字はMicrosoftの論文間で異なる。方法論を参照)。実際の運用通話でエコーがどれくらいの頻度でユーザーに届いているかという公開データは、依然として存在しない。Microsoftの論文は、エコーを「音声品質の低評価の主な原因の一つ」とするだけで、割合は示していない。
| 指標 | 値 | 出典 |
|---|---|---|
| ICASSP 2021:ベースライン、対、1位のシステム、4つの主観テストの平均 | 3.68対4.11(17件の応募) | Amazon Web Services、PercepNetエコー制御、arXiv 2021 |
| ICASSP 2021:ベースライン、対、1位のシステム、ダブルトーク時の近端音声の劣化(DMOS) | 3.28対4.07 | Amazon Web Services、PercepNetエコー制御、arXiv 2021 |
| INTERSPEECH 2021:最高スコアの参加システム(ERCESI)、対、ベースライン、平均スコア | 4.43対3.87 | Microsoft、INTERSPEECH 2021 AEC Challenge結果 |
| INTERSPEECH 2021:最高スコアの参加システム、対、ベースライン、遠端シングルトークのエコーDMOS、ダブルトーク時のその他の劣化DMOS | 4.59対3.82、4.18対3.45 | Microsoft、INTERSPEECH 2021 AEC Challenge結果 |
| INTERSPEECH 2021:平均がベースラインを上回った順位付きチーム参加システム | 14件中10件(結果表から集計) | Microsoft、INTERSPEECH 2021 AEC Challenge結果 |
| ICASSP 2022:応募数、ダブルトーク時の劣化におけるモバイルと卓上の差 | 18件の応募、モバイルはMOSで0.75低い | Microsoft、ICASSP 2022 AEC Challenge論文 |
| ICASSP 2023:参加システム数、優勝スコアとモデルサイズ | 20件(非パーソナライズ17件、パーソナライズ3件)、1.5Mパラメータで0.854 | Microsoft、ICASSP 2023 AEC Challenge論文 |
| ICASSP 2023:ベースライン、対、優勝システム、最終スコアと音声認識の単語正解率 | 0.736対0.852、64.9%対82.3% | Microsoft、DeepVQE、Interspeech 2023 |
補足:2023年の最終スコアは、5つの再スケール済み主観スコアと単語正解率を平均した0から1の複合値であり、2021年のMOS平均とは比較できない。Microsoftの2本の論文は、2023年の優勝スコアをわずかに異なる値で掲載している(方法論を参照)。入手可能な最新データ:Microsoft、2023年。
5. エコーの測定:ERLEが知覚的指標に後れを取った理由
ERLE(エコー復帰損失改善量)とは、エコーキャンセラーがマイク信号から除去するデシベル数である。計算が容易なため、今もデータシートの見出しを飾っているが、**ERLEと聴取者評価の相関はわずか0.31(ピアソン)**にとどまる。回線を無音にして近端の話者の声を破壊すれば、キャンセラーは非常に大きなERLEを出せるからである。PESQは、出力をクリーンな参照音声と比較する旧来の侵襲型音声品質指標であり、0.67とより良い値を示す。
Microsoftのニューラル推定器であるAECMOSは、クリーンな参照音声を必要とせず、聴取者が付けるであろうエコーと劣化のスコアを予測する。実用上の変化として、チームは毎回聴取テストの費用を払うことなくモデルを順位付けできるようになった。これは、実際の部屋ではなくラボで機器を比較したことのある人にとって重要であり、この差については無響室音響試験の統計で取り上げた。
| 指標 | 値 | 出典 |
|---|---|---|
| ERLEと主観評価:ピアソン(PCC)とスピアマン(SRCC)の相関 | 0.31と0.23 | Microsoft、ICASSP 2021 AEC Challenge論文 |
| PESQと主観評価:PCCとSRCC | 0.67と0.57 | Microsoft、ICASSP 2021 AEC Challenge論文 |
| AECMOS(2023年版)、聴取者評価とのピアソン相関:遠端シングルトークのエコー、ダブルトーク時のエコー、ダブルトーク時のその他の劣化 | 0.99(SRCC 0.92)、0.99、0.96 | Microsoft、ICASSP 2023 AEC Challenge論文 |
| 初期AECMOSの学習セット、クリップあたりのクラウドソーシング投票数 | 64,013クリップ(145.8時間)、クリップあたり5票 | Microsoft、AECMOS論文、ICASSP 2022 |
| 初期AECMOSのスタックランキング:順位付けしたモデル数、遠端シングルトークのエコーにおける参加者ごとのPCC | 22モデル(参加者14、著者によるディープモデル4とDSPモデル4)、0.996 | Microsoft、AECMOS論文、ICASSP 2022 |
| 音声認識の単語正解率と、ICASSP 2022の参加システム全体の主観スコア平均(PCC) | 0.85 | Microsoft、ICASSP 2022 AEC Challenge論文 |
| ICASSP 2021の主観テストにおける発話あたりの聴取者数、95%信頼区間 | 聴取者10人、0.01 MOS | Amazon Web Services、PercepNetエコー制御、arXiv 2021 |
外れ値に関する注記:クリップ単位の相関は、モデル単位のものよりはるかに弱い。初期のAECMOS論文は、ダブルトーク時のエコーについてクリップ単位のPCCが0.582と報告しており、この指標はシステムの順位付けには信頼できるが、個々の録音の判断には向かない。
6. ニューラル対リニアのエコー制御:直接比較で分かること
リニア適応フィルタはエコー経路を直線的な系としてモデル化するため、安価で過駆動のノートPCスピーカーによって歪んだエコーには苦戦する。ICASSP 2022の上位5システムでは、ニューラルシステムの大半がリニアフィルタを置き換えるのではなく、その上に構築されていた。ByteDanceの試験の一つでは、WebRTC AEC3が約30 dBのエコーを除去したのに対し、ニューラル残留抑圧器は40.8 dBに達し、AEC3は信号対エコー比0 dB(エコーが近端の声と同じ大きさ)のダブルトーク音声品質を、何も処理しない場合より実際に悪化させた。
ERLEの数値は、第5節で説明した慎重さをもって扱うべきである。78.69 dBのERLEは、遠端の音声中に回線が非常に静かだったことを示すだけで、近端の声が無事だったことを示すものではない。ベンダー側については、Microsoftは、Teamsのエコーモデルは30,000時間の音声サンプルで学習したと述べており(Microsoft 365ブログ 2022、ベンダー自身の主張)、DeepVQEの研究者は、小型モデルを数億人のユーザー向けにTeamsで試験したと述べている。
| 指標 | 値 | 出典 |
|---|---|---|
| ERLE、遠端シングルトーク(音声あり):リニア適応フィルタ、対、WebRTC AEC3、対、適応フィルタとニューラル残留抑圧器の組み合わせ | 16.612 dB対29.976 dB対40.786 dB | ByteDance、残留エコー抑圧、arXiv 2020 |
| ERLE、遠端シングルトーク(音声と音楽あり):WebRTC AEC3、対、ニューラル残留抑圧器 | 25.376 dB対43.144 dB | ByteDance、残留エコー抑圧、arXiv 2020 |
| 信号対エコー比0 dBのダブルトーク時のPESQ:未処理、対、WebRTC AEC3、対、ニューラル残留抑圧器 | 1.908対1.610対2.816 | ByteDance、残留エコー抑圧、arXiv 2020 |
| ERLE:Speex、対、WebRTC、対、適応フィルタと再帰型ニューラルネットワークの組み合わせ | 25 dB対40 dB対68 dB | Ma他、arXiv 2020 |
| デュアルシグナルLSTMエコーキャンセラー(DTLN-aec):AEC ChallengeベースラインからのMOS向上、学習データ | 0.30 MOS、実際と合成のエコーシナリオ60時間 | WesthausenとMeyer、DTLN-aec、arXiv 2020 |
| ICASSP 2022の上位5システム:リニアとニューラルのハイブリッド設計、パラメータ範囲 | 5件中3件、1.5Mから55.5Mパラメータ | Microsoft、ICASSP 2022 AEC Challenge論文 |
| ICASSP 2023の参加システム:最終スコアとモデルサイズの相関、ハイブリッド設計の採用との相関(PCC) | -0.54、0.10 | Microsoft、ICASSP 2023 AEC Challenge論文 |
| エンドツーエンドのニューラルエコーキャンセラー(2026年1月):音声区間マスキング付きのERLE、パラメータ数、ある学習戦略によるMOS平均向上 | 78.69 dB、1.2Mパラメータ、4.31から4.38 | Alibaba Tongyi Lab、E2E-AEC、arXiv 2026 |
補足:これらの結果は異なるテストセットに由来するため、各論文内での手法の順位付けにはなるが、論文間での順位付けにはならない。AEC3とSpeexの比較に関する入手可能な最新データ:ByteDanceおよびMa他、2020年。
まとめ:数字で見る音響エコーキャンセレーション
| 指標 | 値 | 出典 |
|---|---|---|
| G.168 テスト2Aの収束時間 | 約1 sにエコー経路遅延を加えた時間 | ITU-T G.168(04/2015) |
| ヘッドセットの加重端末結合損失、どの音量でも、対、公称音量 | 46 dB以上、対、55 dB以上 | 3GPP TS 26.131(Rel-19) |
| 相互接続点でのネットワークエコー損失 | 46 dB以上 | 3GPP TS 26.132(Rel-19) |
| ハンズフリーのダブルトークカテゴリ | 5カテゴリ、カテゴリ1は送話音声の減衰が最大3 dB | HEAD acoustics、ITU-T P.340について記述 |
| ハンズフリー端末勧告、最新版 | P.340(07/2026) | ITU-T P.340 2026年概要 |
| 透過的な対話性のための片方向遅延 | 150 ms未満 | ITU-T G.114(05/2003) |
| AEC Challengeの遅延上限、2023年 | アルゴリズム遅延とバッファリング遅延の合計20 ms | Microsoft AEC-Challengeリポジトリ |
| ERLEと聴取者評価 | PCC 0.31 | Microsoft、ICASSP 2021 AEC Challenge論文 |
| AECMOSと遠端エコー評価 | PCC 0.99 | Microsoft、ICASSP 2023 AEC Challenge論文 |
| 初期AECMOSの学習セット | 64,013クリップ、145.8時間 | Microsoft、AECMOS論文、ICASSP 2022 |
| ICASSP 2021のベースライン、対、優勝システム | 3.68対4.11 | Amazon Web Services、PercepNetエコー制御、arXiv 2021 |
| INTERSPEECH 2021の最高スコアの参加システム、対、ベースライン | 4.43対3.87 | Microsoft、INTERSPEECH 2021 AEC Challenge結果 |
| モバイル対卓上、ダブルトーク時の劣化 | モバイルはMOSで0.75低い | Microsoft、ICASSP 2022 AEC Challenge論文 |
| DeepVQE-Sの1フレームあたりCPU時間 | 0.14 ms(リアルタイム係数0.014) | Microsoft、DeepVQE、Interspeech 2023 |
| WebRTC AEC3対ニューラル残留抑圧器、ERLE | 29.976 dB対40.786 dB | ByteDance、残留エコー抑圧、arXiv 2020 |
| Speex対WebRTC対ハイブリッドRNN、ERLE | 25 dB対40 dB対68 dB | Ma他、arXiv 2020 |
| DTLN-aecのコンペベースラインからの向上 | 0.30 MOS | WesthausenとMeyer、DTLN-aec、arXiv 2020 |
| エンドツーエンドのニューラルAEC、ERLE(2026年) | 1.2Mパラメータで78.69 dB | Alibaba Tongyi Lab、E2E-AEC、arXiv 2026 |
方法論と出典
- ITU-T:G.168、デジタルネットワークエコーキャンセラー(04/2015、Corrigendum 12/2022)、G.167、音響エコーコントローラ(03/1993、廃止)、P.340概要(07/2026)、P.1110、自動車における広帯域ハンズフリー通信(10/2025)、G.114、片方向伝送時間(05/2003)
- 3GPP:TS 26.131、電話用端末の音響特性、要件(Rel-19)およびTS 26.132、音声・ビデオ電話端末の音響試験仕様(Rel-19)
- HEAD acoustics:ACOPT 32 Speech-based Double Talkデータシート(ITU-T P.340のカテゴリを再掲)
- Microsoft Research:ICASSP 2021 AEC Challenge論文、INTERSPEECH 2021 AEC Challenge結果、ICASSP 2022 AEC Challenge論文、ICASSP 2023 AEC Challenge論文、AECMOS論文、DeepVQE、Interspeech 2023、AEC-Challengeリポジトリ
- Amazon Web Services:Low-complexity joint neural echo control and speech enhancement based on PercepNet(2021年)
- ByteDance:Residual acoustic echo suppression based on efficient multi-task convolutional neural network(2020年)
- Ma、Huang、Zhao、Su:Acoustic echo cancellation by combining adaptive digital filter and recurrent neural network(2020年)
- WesthausenとMeyer:Acoustic echo cancellation with the dual-signal transformation LSTM network(2020年)
- Alibaba Tongyi Lab:E2E-AEC, an end-to-end neural network approach for acoustic echo cancellation(2026年1月)
- Microsoft 365ブログ:How Microsoft Teams uses AI and machine learning to improve calls and meetings(2022年、ベンダーの主張)
- データウォッチ:実際の通話におけるテレメトリに基づくエコー発生率を公表したプラットフォームはないため、本稿はそれを掲載していない。Microsoftの論文は、エコーを最大の不満の一つとして定性的に述べるにとどまる。Microsoftの2つの情報源は、2023年の優勝スコアについてわずかに食い違っている。ICASSP 2023コンペ論文は1位のスコアを0.854としているが、DeepVQE論文の表はAECの優勝を0.852としている。MicrosoftのICASSP 2022のデータセットについても情報源が食い違っており、ICASSP 2022論文は10,000を超える環境と機器としているが、ICASSP 2023論文はその回について7,500としている。ERLEの0.31とPESQの0.67という相関は、2021年、2022年、2023年のコンペ論文で同一であり、3つの独立した測定ではなく、一つの元になる研究に基づくことを示唆している。AECMOSの相関はモデルのバージョンによって異なる(ICASSP 2022論文は遠端エコーのPCCを0.828、2023年論文は0.99と報告している)。INTERSPEECH 2021論文は、ほぼすべての参加者がベースラインを上回ったとしているが、公開結果表では順位付きの14件のうち10件がベースライン平均を上回っている。2020年のSpeexとWebRTCの比較におけるERLE値は、各論文独自のテストセットと設定に基づくものである。AEC Challengeのデータの大半が2021年から2023年のものなのは、AEC-ChallengeリポジトリがICASSP 2023を最新の回として掲載しているためであり、P.340(07/2026)の全文と3GPP TS 26.132 Rel-20のファイルが、次に確認すべき更新である。
最終更新日:2026年10月24日。当社はこのまとめを四半期ごとに更新しており、次回の更新は、ITU-T P.340(07/2026)の全文が公開された時期を予定している。