WSJ0-2mixベンチマークにおける2話者の音声分離は、2015年のディープクラスタリングによる約6 dBの信号利得から、2024年には25.1 dB SI-SNRiへと向上した(Hersheyら、arXiv 2015年;SepReformer、NeurIPS 2024)。この飛躍により、‘カクテルパーティー問題’は研究室の関心事から、実際に出荷される補聴器やヘッドセットの機能へと変わった。ただし、クリーンなベンチマークはモデルを実力以上に良く見せる。Conv-TasNetはクリーンな混合音の15.3 dBから、雑音と残響が加わると8.3 dBまで低下する(MossFormer2論文、arXiv 2312.11825、比較表)。需要側の規模も非常に大きく、聴覚障害を伴う難聴のためにリハビリテーションを必要とする人は430百万人に上る(WHOファクトシート、2026年3月)。本稿では、arXiv、IEEE ICASSP、Interspeech、NeurIPSの査読付き論文、MicrosoftのDNSおよびNOTSOFAR-1チャレンジ、Google Research、MERL、WHO、FDA、MarkeTrak 2025、ワシントン大学とコロンビア大学の研究グループのデータを集約した。同じ技術の消費者向けの側面については、当社のAI音声分離ツール統計をご覧ください。
主なポイント
- WSJ0-2mixにおける2話者の最高結果:25.1 dB SI-SNRi(ダイナミックミキシングを用いたSepReformer-L、NeurIPS 2024;TF-Locoformer L、MERL 2024)。
- ディープクラスタリングは2015年に話者混合音で約6 dBの改善をもたらした(Hersheyら、arXiv 1508.04306)。
- Conv-TasNetは5.1百万パラメータ、最小遅延2 msで15.3 dB SI-SNRiを達成した(LuoとMesgarani、IEEE/ACM TASLP 2019)。
- SepReformer-Bは39.8 GMACs/sで23.8 dB、TF-GridNetは460.8 GMACs/sで23.5 dBに達する(SepReformer、NeurIPS 2024)。
- SepFormerは学習時のピークメモリが35.3 GB必要で、SepMamba (S)は2.0 GBで済む(SepMamba論文、2024年)。
- Conv-TasNetのスコアは、クリーンで15.3 dB、雑音入り(WHAM!)で12.7 dB、雑音と残響入り(WHAMR!)で8.3 dB(MossFormer2論文、2024年)。
- 分離により、LibriCSSの重複率40%での単語誤り率が43.3%から21.7%に低下した(Chenら、Microsoft、2020年)。
- NOTSOFAR-1の最良のマルチチャンネルシステム:tcpWER 10.8%、ベースラインは28.3%(NOTSOFAR-1概要、2025年)。
- 2.2 MBのオンデバイスVoiceFilter-Liteモデルは、重なり合う発話でのWERを25.1%改善した(Google Research、2020年)。
- 聴覚障害を伴う難聴のためにリハビリテーションを必要とする人は430百万人で、2050年までに700百万人を超える(WHO、2026年3月)。
- 聞こえに困難のある米国人の補聴器の普及率は、2022年の46.9%から51.3%に上昇した(MarkeTrak 2025)。
- UW Target Speech Hearing:21人の被験者が、登録した声をフィルターなしの音声のほぼ2倍明瞭だと評価した(ワシントン大学、CHI 2024)。
1. WSJ0-2mixにおける10年間のベンチマークの進歩
WSJ0-2mixベンチマークは、画像認識におけるImageNetと同じ役割を音声分離で果たした。固定された目標があったからこそ、10年にわたる進歩を測定できたのだ。2話者の最高スコアは、2015年の約6 dBの信号改善から2024年の25.1 dB SI-SNRiへと上昇した。デシベルは対数尺度なので、3 dB増えるごとに残留する干渉エネルギーはおよそ半分になる。最も重要な飛躍は2018年で、Conv-TasNetがスペクトログラムのマスクをやめ、生の波形で処理するようになった。これは、長らく実用上の上限と見なされてきた理想的な時間周波数マスクを上回った最初のシステムである(Conv-TasNet、LuoとMesgarani)。
それ以降、曲線は平坦になった。2021年から2024年の向上は約1 dBずつの刻みで、2024年の上位2モデルは25.1 dBで並んでいる。この分野は事実上、自らのベンチマークを飽和させており、そのため最近の論文は効率と頑健性で競っている(第2節と第3節)。
| 指標 | 値 | 出典 |
|---|---|---|
| ディープクラスタリング、話者混合音(2015年) | 約6 dBの改善 | Hersheyら、ディープクラスタリング、arXiv 2015年 |
| 改良型ディープクラスタリング、2話者(2016年) | SDR 10.3 dBの改善(ベースライン6.0 dB) | Isikら、arXiv 1607.02173、2016年 |
| Conv-TasNet(2018年) | 15.3 dB SI-SNRi、15.6 dB SDRi | LuoとMesgarani、IEEE/ACM TASLP 2019 |
| DPRNN(2019年) | 18.8 dB SI-SDRi | Luo、Chen、Yoshioka、ICASSP 2020 |
| ダイナミックミキシングを用いたSepFormer(2020年) | 22.3 dB SI-SNRi | Subakanら、ICASSP 2021 |
| TF-GridNet、データ拡張なし(2022年) | 23.5 dB SI-SDRi | TF-GridNet論文、arXiv 2211.12433 |
| MossFormer2(2023年) | 24.1 dB SI-SDRi | MossFormer2論文、arXiv 2312.11825 |
| SepReformer-LとTF-Locoformer (L)、いずれもダイナミックミキシング使用(2024年) | 25.1 dB SI-SNRi | SepReformer、NeurIPS 2024;Saijoら、MERL 2024 |
理想マスクとの比較こそが、Conv-TasNetを画期的な存在にした。同じテストセットで、理想バイナリマスクは13.0 dB SI-SNRi、理想比マスクは12.2 dB、ウィーナーフィルター型マスクは13.4 dBで、いずれもConv-TasNetの15.3 dBを下回った。人間の聴取者も同じ評価だった。Conv-TasNetの出力の平均オピニオン評点(MOS)は4.03で、理想比マスクの3.51を上回った。
| 指標 | 値 | 出典 |
|---|---|---|
| 理想バイナリマスク(IBM) | 13.0 dB SI-SNRi | Conv-TasNet論文、2019年 |
| 理想比マスク(IRM) | 12.2 dB SI-SNRi | Conv-TasNet論文、2019年 |
| ウィーナーフィルター型マスク(WFM) | 13.4 dB SI-SNRi | Conv-TasNet論文、2019年 |
| 聴取者のMOS:Conv-TasNet対IRM | 4.03対3.51 | Conv-TasNet論文、2019年 |
| WSJ0-2mixの規模 | 学習30時間、検証10時間、テスト5時間 | Conv-TasNet論文、2019年 |
| 混合範囲 | -5〜5 dBのランダムなSNR | Conv-TasNet論文、2019年 |
補足:‘ダイナミックミキシング’(DM)は学習中にその場で新しい混合音を生成し、約1〜2 dBを上乗せする。SepFormerはDMありで22.3 dB、DMなしで20.4 dBなので、論文間の比較ではまずこの設定を確認する必要がある(SepFormer、arXiv 2010.13154)。2015年から2019年のベースラインに関する入手可能な最新のデータは、元の論文のものである。
2. 効率:パラメータ数、計算量、メモリ、遅延
精度が頭打ちになったため、競争の舞台はコストに移った。SepReformer-Bは音声1秒あたり39.8 GMACsで23.8 dB SI-SNRiに達するのに対し、TF-GridNetは23.5 dBのために460.8 GMACs/sを必要とする。わずかに良いスコアのために計算量が11倍以上も違う(SepReformer、NeurIPS 2024)。パラメータ数も同様の傾向で、DPRNNは2019年に、従来の最良システムより20分の1の大きさのモデルで当時の最先端に並んだ。
メモリは、誰がこれらのモデルを学習できるかを決める隠れたコストだ。SepFormerのピークメモリは35.3 GBだが、SepMamba (S)は2.0 GBで、それでも21.2 dBを記録する(SepMamba、デンマーク工科大学とWS Audiology、2024年)。スマートフォンやヘッドセット、補聴器で動かす用途では、この差が出荷可能かどうかを左右する。
| 指標 | 値 | 出典 |
|---|---|---|
| SepReformer-T | 3.7百万パラメータで22.4 dB、10.4 GMACs/s | SepReformer、NeurIPS 2024 |
| SepReformer-B | 14.2百万パラメータで23.8 dB、39.8 GMACs/s | SepReformer、NeurIPS 2024 |
| DMを用いたSepReformer-L | 55.3百万パラメータで25.1 dB、155.5 GMACs/s | SepReformer、NeurIPS 2024 |
| TF-GridNet | 14.5百万パラメータで23.5 dB、460.8 GMACs/s | SepReformer、NeurIPS 2024(比較表) |
| QDPN | 200.0百万パラメータ | TF-GridNet論文、2022年 |
| MossFormer2 | 55.7百万パラメータ、実時間係数0.053 | MossFormer2論文、2023年 |
| DPRNN | 2.6百万パラメータ、従来の最良より20分の1 | Luoら、ICASSP 2020 |
| Conv-TasNetの最小遅延 | 2 ms(STFTの32 msウィンドウに対して) | Conv-TasNet論文、2019年 |
| 指標 | 値 | 出典 |
|---|---|---|
| SepFormerのピークメモリ | 35.30 GB | SepMamba論文、2024年 |
| DMを用いたMossFormer2のピークメモリ | 12.30 GB | SepMamba論文、2024年 |
| SepMamba (S) | 21.2 dB、7.2百万パラメータ、ピークメモリ2.00 GB | SepMamba論文、2024年 |
| SepMamba (M) | 22.7 dB、22百万パラメータ、ピークメモリ3.04 GB | SepMamba論文、2024年 |
| EConv-TasNet(2026年9月) | 3.8百万パラメータで18.4 dB | Liu、Novatek、arXiv 2609.11342 |
| EConv-TasNet対Conv-TasNet | 22.4%小型、推論が18.9%高速 | Liu、arXiv 2609.11342 |
例外的な事例:本稿で取り上げた最新の論文である、半導体メーカーNovatekのEConv-TasNet(2026年9月)は、25 dBの記録を追ってはいない。エッジでの展開を狙い、より少ないパラメータでConv-TasNetに3.1 dBを上乗せしている(EConv-TasNet)。商業的な関心がどこにあるかを示す良い兆候だ。
3. 実環境での頑健性:雑音、残響、話者数の増加
制御されたレベルで混合されたスタジオ録音のクリーンな朗読音声は、レストランとは違う。Conv-TasNetは、テスト用の混合音に実際の環境雑音と残響が加わると7 dB低下する。WSJ0-2mixで15.3 dB、WHAM!で12.7 dB、WHAMR!で8.3 dBである(MossFormer2の比較表)。WHAM!には、サンフランシスコ・ベイエリアのカフェ、レストラン、バーで録音された雑音が加えられており、その著者は、ほとんどの音声分離研究が低いサンプリングレートで背景雑音のない限定的な設定を使っていたと指摘している(WHAM!、Interspeech 2019)。
新しいモデルはこの差の多くを埋めたが、すべてではない。残響を含む最良の結果は17〜18.5 dBで、クリーンなベンチマークより依然として6〜7 dB低い。話者が3人になると、同じモデルでさらに1.9〜2.8 dB下がる(MossFormer2:24.1から22.2 dB、SepFormer:22.3から19.5 dB)。またLibriMixの著者は、WSJ0-2mixで学習したモデルは類似のデータセットで大きく性能が落ちると示した。このためLibriMixはLibriSpeechの音声にWHAM!の雑音を加えて作られた(LibriMix、Interspeech 2020)。
| 指標 | 値 | 出典 |
|---|---|---|
| Conv-TasNet:WSJ0-2mix / WHAM! / WHAMR! | 15.3 / 12.7 / 8.3 dB SI-SDRi | MossFormer2論文、2023年 |
| SepFormer:WHAM! / WHAMR! | 16.4 / 14.0 dB | MossFormer2論文、2023年 |
| MossFormer2:WHAM! / WHAMR! | 18.1 / 17.0 dB | MossFormer2論文、2023年 |
| DMを用いたSepReformer-L:WHAM! / WHAMR! | 18.5 / 17.2 dB | SepReformer、NeurIPS 2024 |
| TF-Locoformer (M):WHAMR! | 18.5 dB | Saijoら、MERL 2024 |
| TF-GridNet、6チャンネルSMS-WSJ(完全なパイプライン) | 22.8 dB SI-SDR、PESQ 4.08 | TF-GridNet論文、2022年 |
| 指標 | 値 | 出典 |
|---|---|---|
| 3話者、Conv-TasNet(WSJ0-3mix) | 12.7 dB SI-SNRi | Conv-TasNet論文、2019年 |
| 3話者、SepFormer(WSJ0-3mix) | 19.5 dB SI-SNRi | SepFormer論文、2020年 |
| 3話者、MossFormer2(WSJ0-3mix) | 22.2 dB SI-SDRi | MossFormer2論文、2023年 |
| 3話者、改良型ディープクラスタリング(2016年) | SDR 7.1 dBの改善 | Isikら、2016年 |
| Libri2Mix:Conv-TasNet / SepFormer / MossFormer2 | 14.7 / 19.2 / 21.7 dB | MossFormer2論文、2023年 |
| Libri2Mix:SepReformer-M / TF-Locoformer (M) | 22.1 / 22.1 dB | SepReformer、2024年;Saijoら、2024年 |
注意点:ベンチマーク自体に欠陥がある。IEEE ASRUに採択された2025年の研究は、WSJ0-2mixの参照信号に含まれるノイズが達成可能なSI-SDRを制限し、SI-SDRがテストセットをまたいで知覚されるノイズ感と負の相関を示したと報告している(Jepsenら、arXiv 2508.14623)。最後の1 dBの’進歩’の一部は、モデルがノイズを含む参照信号を再現するよう学習しているだけかもしれない。
4. 会議と音声認識のための分離
文字起こしでは、デシベルよりも単語が重要だ。MicrosoftのLibriCSSデータセットでは、認識の前に分離を行うことで、話者の重複率40%での単語誤り率が43.3%から21.7%に低下した。重複のない音声ではほとんど変化がなかった(11.8%から8.4%)(Chenら、連続音声分離、2020年)。同じ著者らは、信号レベルの指標は音声認識の精度や知覚品質との相関が弱いにすぎないと警告しており、そのため会議のベンチマークはSI-SNRではなく単語を評価する。この精度に依存する市場がどれほど速く成長しているかは、当社のAI会議アシスタント統計をご覧ください。
| 指標 | 値 | 出典 |
|---|---|---|
| LibriCSSの規模 | 10時間、10セッション、重複率0%〜40% | Chenら、Microsoft、2020年 |
| 重複率10%でのWER:分離なし対分離あり | 18.8%対11.6% | Chenら、2020年(発話単位、7チャンネル) |
| 重複率20%でのWER | 27.2%対15.8% | Chenら、2020年 |
| 重複率30%でのWER | 35.6%対18.7% | Chenら、2020年 |
| 重複率40%でのWER | 43.3%対21.7% | Chenら、2020年 |
| 重複率40%でのWER、連続入力 | 40.5%対21.9% | Chenら、2020年 |
| 2話者混合音でのディープクラスタリング音声認識 | WERが89.1%から30.8%に低下 | Isikら、2016年 |
実際の会議はシミュレーションより難しい。CHiME-8の中で実施されたMicrosoftのNOTSOFAR-1チャレンジは、30の部屋で4〜8人が参加する会議を収録した。優勝したシングルチャンネルのシステムでも22.2%の単語を誤った(時間制約付きtcpWER)のに対し、最良のマルチチャンネルシステムでは10.8%だった(NOTSOFAR-1概要、arXiv 2501.17304)。マイクアレイは依然として最大の単独のてこであり、主催者は、ガイド付き音源分離が優勝したパイプラインにおける主要な分離技術であり続けていると指摘した。
| 指標 | 値 | 出典 |
|---|---|---|
| NOTSOFAR-1の収録会議 | 英語の固有会議315件、30の部屋、参加者4〜8人 | NOTSOFAR-1概要、2025年 |
| シミュレーション学習データ | 約1,000時間、実測の音響伝達関数15,000件 | NOTSOFAR-1概要、2025年 |
| シングルチャンネル:最良対ベースラインのtcpWER | 22.2%対41.4% | NOTSOFAR-1概要、2025年 |
| マルチチャンネル:最良対ベースラインのtcpWER | 10.8%対28.3% | NOTSOFAR-1概要、2025年 |
| 提出数:シングルチャンネル / マルチチャンネル部門 | 9 / 5 | NOTSOFAR-1概要、2025年 |
| VoiceFilter-Liteのオンデバイスモデルサイズ | 2.2 MB(量子化済み) | Google Research、2020年11月 |
| VoiceFilter-LiteのWER改善、重なり合う発話 | 25.1%(残響ありで14.7%) | Google Research、2020年11月 |
補足:GoogleのVoiceFilter-Liteの結果(2020年)は、大手プラットフォームによるオンデバイスの公開数値として入手可能な最新のものである。それ以降に出荷されたシステムが単語レベルのベンチマークを公開することはまれだ。
5. 聴覚の健康における重大性
カクテルパーティー問題は、それを抱えて生きる人々にとって学術的な話ではない。WHOは、世界人口の5%超にあたる430百万人が聴覚障害を伴う難聴のためにリハビリテーションを必要としていると推定し、2050年までに700百万人超になると予測している(WHOの難聴に関するファクトシート、2026年3月)。増幅だけでは、混雑した部屋の全員の声が一度に大きくなってしまう。そのため、DNNベースの分離は現在、上位機種の補聴器の目玉機能になっている。デバイス市場そのものについては、当社の補聴器統計で扱っている。
| 指標 | 値 | 出典 |
|---|---|---|
| 聴覚障害を伴う難聴でリハビリテーションを必要とする人 | 430百万人(世界人口の5%超) | WHOファクトシート、2026年3月 |
| 聴覚障害を伴う難聴の子ども | 34百万人 | WHOファクトシート、2026年3月 |
| 2050年までに何らかの難聴を持つ人 | 約2.5十億人 | WHOファクトシート、2026年3月 |
| 2050年までにリハビリテーションを必要とする人 | 700百万人超(10人に1人) | WHOファクトシート、2026年3月 |
| 60歳超における聴覚障害を伴う難聴 | 25%超 | WHOファクトシート、2026年3月 |
| 対処されない難聴の年間の世界的コスト | 約US$1兆 | WHOファクトシート、2026年3月 |
| 低・中所得国に住む人の割合 | 約80% | WHOファクトシート、2026年3月 |
普及は進んでいる。2024年10月と11月に米国の16,148世帯、42,982人を対象に実施されたMarkeTrak 2025では、聞こえに困難があると自己申告した人の補聴器の普及率が、2022年の46.9%から51.3%に上昇し、デバイス全体の満足度は83%だった(MarkeTrak 2025、Seminars in Hearing)。消費者向けイヤホンもこの分野に参入している。2024年9月、FDAは初の市販(OTC)補聴器ソフトウェアとして、AirPods Pro向けのAppleの補聴器機能を認可した(FDAのプレスリリース)。
| 指標 | 値 | 出典 |
|---|---|---|
| 米国の補聴器普及率、聞こえに困難のある人 | 51.3%(2022年は46.9%) | MarkeTrak 2025 |
| 自己申告による聞こえの困難、米国 | 9.1% | MarkeTrak 2025 |
| 補聴器所有者の満足度 | 83% | MarkeTrak 2025 |
| OTC補聴器ソフトウェアのFDA臨床研究 | 被験者118人、軽度から中等度の難聴 | FDA、2024年9月12日 |
| Phonak Spheric Speech Clarity 2.0(DNN) | 実環境でSNRが10.2 dB改善 | AudiologyOnlineの専門家記事、2026年 |
| Phonak Spheric Speech Clarity 2.0 | 聴取努力が最大37%減少、効率が30%向上 | AudiologyOnlineの専門家記事、2026年 |
| Mayo ClinicとSonovaの研究、SNR 10 dBでのDNN雑音低減 | 音声認識が+23および+32パーセントポイント | Audiology Research、2024年 |
| 同研究、騒音の大きいプログラムでのSNR利得 | 4.8〜5.0 dB | Audiology Research、2024年 |
注意点:メーカーによるSNRの主張はメーカー自身が行った試験に基づくものであり、独立したMayo ClinicとSonovaの研究の参加者は10人にとどまった。Phonakの数値はAudiologyOnlineの専門家Q&Aを通じて報告されたもので、査読付き論文ではない。
6. 最前線:どの声を聞くかを選ぶ
すべての声を分離するのは問題の半分にすぎない。デバイスは、聞き手がどの声を求めているかも知る必要がある。ワシントン大学のTarget Speech Hearingのプロトタイプは、装着者が話者を3〜5秒見つめるとその話者を登録し、21人の被験者がその声の明瞭さをフィルターなしの音声のほぼ2倍高いと評価した(UW News、2024年5月)。2025年12月の後続研究では視線が不要になった。その’プロアクティブ聴覚アシスタント’は、2〜4秒の音声から、発話の交代リズムによって会話相手を検出する(UW News、2025年12月)。
他の手がかりも試されている。Googleが2018年に発表したLooking to Listenモデルは唇の動きを利用し、YouTubeの100,000本の動画から抽出したクリップで学習した(Google Researchブログ)。コロンビア大学の脳制御アプローチは、分離された声を神経信号と照合する。2019年版は3人の脳神経外科患者で試験され(Science Advances、2019年)、2026年5月のNature Neuroscienceの研究は、リアルタイムシステムの初の人間でのテストを報告した(コロンビア大学ズッカーマン研究所、EurekAlert経由)。個人に合わせた登録は通信分野でも標準になっている。Microsoftの第5回Deep Noise Suppressionチャレンジは、10〜30秒の登録クリップを使って隣の話者を抑制するようモデルに求めた(ICASSP 2023 DNSチャレンジ)。同じ話者を認識するクリーンアップが、ルームメイトが背後で話していてもDiscordのボイスチャットを聞き取りやすく保っている。
| 指標 | 値 | 出典 |
|---|---|---|
| UW Target Speech Hearing:登録時間 | 話者を3〜5秒見つめる | ワシントン大学、CHI 2024 |
| UW Target Speech Hearing:被験者と明瞭さの評価 | 被験者21人、フィルターなしよりほぼ2倍明瞭 | ワシントン大学、CHI 2024 |
| UW Target Speech Hearing:方向の許容範囲 | 誤差の許容幅16度 | ワシントン大学、2024年 |
| UWプロアクティブ聴覚アシスタント:必要な音声 | 2〜4秒 | ワシントン大学、EMNLP 2025 |
| UWプロアクティブ聴覚アシスタント:会話相手とテスト参加者 | 会話相手1〜4人;参加者11人が2倍超の好評価 | ワシントン大学、2025年12月 |
| UWプロアクティブ聴覚アシスタント:学習言語 | 英語、中国語(普通話)、日本語 | ワシントン大学、2025年12月 |
| Google Looking to Listen:学習データの出典 | 動画100,000本、クリーンなクリップ約2,000時間 | Google Researchブログ、2018年4月 |
| コロンビア大学の脳制御聴覚(2019年) | 脳神経外科患者3人 | Hanら、Science Advances、2019年 |
| 指標 | 値 | 出典 |
|---|---|---|
| ICASSP 2023でのDNSチャレンジ回 | 第5回 | Dubeyら、Microsoft、2023年 |
| DNS 2023の音声形式 | フルバンド48 kHz | Dubeyら、2023年 |
| DNS 2023の登録クリップ | 主話者の10〜30秒 | Dubeyら、2023年 |
| DNS 2023優勝スコアの雑音入力に対する利得 | 0.145(ヘッドセット)と0.141(スピーカーフォン) | Dubeyら、2023年 |
| DNS 2020音声強調でのTF-Locoformer (M) | 23.3 dB SI-SNR、STOI 98.8、PESQ-WB 3.72 | Saijoら、MERL 2024 |
例外的な事例:UWのチームは、プロアクティブなシステムは会話がダイナミックになり、参加者が互いに話をかぶせるときに最も苦戦すると述べている。これはまさにカクテルパーティーの状況だ。ノイズキャンセリングヘッドホンへの関心の高まりは、こうした機能に既存のハードウェア基盤を与えている。
まとめ:数字で見る音声分離とカクテルパーティー問題
| 指標 | 値 | 出典 |
|---|---|---|
| WSJ0-2mixの最高スコア | 25.1 dB SI-SNRi | SepReformer-L、NeurIPS 2024;TF-Locoformer (L)、MERL 2024 |
| ディープクラスタリング、2015年 | 約6 dBの改善 | Hersheyら、2015年 |
| Conv-TasNet、2018年 | 15.3 dB SI-SNRi、5.1百万パラメータ | LuoとMesgarani、2019年 |
| ダイナミックミキシングありとなしのSepFormer | 22.3 / 20.4 dB | SepFormer、2021年;TF-GridNet、2022年 |
| MossFormer2 | 24.1 dB、55.7百万パラメータ | MossFormer2、2023年 |
| Conv-TasNetの最小遅延 | 2 ms | Conv-TasNet論文、2019年 |
| TF-GridNet対SepReformer-Bの計算量 | 460.8対39.8 GMACs/s | SepReformer、NeurIPS 2024 |
| SepFormer対SepMamba (S)のピークメモリ | 35.3 GB対2.0 GB | SepMamba、2024年 |
| Conv-TasNetのクリーン / 雑音入り / 残響入り | 15.3 / 12.7 / 8.3 dB | MossFormer2、2023年 |
| WHAMR!(雑音と残響)の最高スコア | 18.5 dB | TF-Locoformer (M)、MERL 2024 |
| WSJ0-3mix、MossFormer2 | 22.2 dB | MossFormer2、2023年 |
| LibriCSSの重複率40%でのWER、分離なし対分離あり | 43.3%対21.7% | Microsoft、Chenら、2020年 |
| NOTSOFAR-1の最良のマルチチャンネルtcpWER | 10.8%(ベースライン28.3%) | NOTSOFAR-1概要、2025年 |
| NOTSOFAR-1の最良のシングルチャンネルtcpWER | 22.2%(ベースライン41.4%) | NOTSOFAR-1概要、2025年 |
| 重なり合う発話でのVoiceFilter-LiteのWER改善 | 2.2 MBで25.1% | Google Research、2020年 |
| 聴覚のリハビリテーションを必要とする人 | 430百万人、2050年までに700百万人超 | WHO、2026年3月 |
| 聞こえに困難のある人の米国での補聴器普及率 | 51.3% | MarkeTrak 2025 |
| PhonakのDNNによるSNR改善 | 10.2 dB | AudiologyOnline、2026年 |
| UW Target Speech Hearingの登録 | 3〜5秒、被験者21人 | ワシントン大学、2024年 |
| EConv-TasNetのエッジモデル | 3.8百万パラメータで18.4 dB | Novatek、2026年9月 |
方法論と出典
上記のベンチマーク数値はすべて、それを報告した論文から、または注記のある場合は後続論文の比較表から取得した。検索結果のスニペット、二次的な要約、確認できなかったベンダーのマーケティング資料にしか現れなかった数値は除外した。リーダーボードの集計サイトは、WSJ0-2mixでより高い結果が公表されていないことを確認するためだけに使用した。
- Hershey、Chen、Le Roux、Watanabe:ディープクラスタリング、arXiv 1508.04306(2015年)
- Isik、Le Roux、Chen、Watanabe、Hershey:ディープクラスタリングを用いた単一チャンネル多話者分離(2016年)
- LuoとMesgarani:Conv-TasNet、IEEE/ACM TASLP(2019年);全文の表はar5iv経由で確認
- Luo、Chen、Yoshioka:デュアルパスRNN、ICASSP 2020
- Subakanら:音声分離に必要なのはアテンションだけ(SepFormer)、ICASSP 2021
- TF-GridNet:音声分離のための全帯域・サブ帯域モデリングの統合(2022年)
- MossFormer2(2023年12月)
- 分離と再構成:音声分離のための非対称エンコーダ・デコーダ(SepReformer)、NeurIPS 2024
- Saijo、Wichern、Germain、Pan、Le Roux(MERL):TF-Locoformer(2024年)
- Avenstrupら(DTU、WS Audiology):SepMamba(2024年)
- Liu(Novatek):EConv-TasNet(2026年9月)
- Wichernら:WHAM!、Interspeech 2019
- Cosentinoら:LibriMix、Interspeech 2020
- Jepsen、Christensen、Jensen:ノイズを含む参照信号でのSI-SDR、IEEE ASRU 2025
- Chenら(Microsoft):連続音声分離:データセットと分析(LibriCSS)(2020年)
- Abramovskiら(Microsoft):NOTSOFAR-1チャレンジの概要(2025年);Cornellら:CHiME-8 DASRチャレンジ(2024年)
- Google Research:VoiceFilter-Lite(2020年)とLooking to Listen(2018年)
- Dubeyら(Microsoft):ICASSP 2023 Deep Noise Suppressionチャレンジ
- WHO:難聴に関するファクトシート(2026年3月)
- DobyanとKihm:MarkeTrak 2025、Seminars in Hearing
- FDA:初の市販補聴器ソフトウェアの認可(2024年9月)
- Saojiら(Mayo Clinic、Sonova):DNNによる雑音低減と人工内耳の適応、Audiology Research 2024
- AudiologyOnline:Phonak Infinioデバイスでは、AIはどう進化したか?
- ワシントン大学:Target Speech Hearing(2024年)とプロアクティブ聴覚アシスタント(2025年)
- コロンビア大学:Hanら、Science Advances(2019年)とEurekAlert経由のNature Neuroscience研究のリリース(2026年5月)
- データウォッチ:論文間でベースラインの数値が食い違っている。QDPNはTF-GridNet論文では22.1 dB、MossFormer2論文では23.6 dBと記載されている。Libri2MixでのConv-TasNetは14.7 dB(MossFormer2)と12.1 dB(EConv-TasNet)の両方が見られる。SepFormerの計算量は86.9 GMACs/s(SepReformer)と257.94 GMACs/s(SepMamba)、パラメータ数は25.7百万または26.0百万と報告されている。論文ごとに入力長、サンプリングレート、カウントに用いるツールが異なるため、数値は表をまたがず、1つの表の中で比較してほしい。この分野ではSI-SNRiとSI-SDRiが同じ意味で使われている。2015年と2016年のディープクラスタリングの数値は単純なSDR改善であり、後のSI-SNRiスコアとは直接比較できない。NOTSOFAR-1のアブストラクトは収録会議を280件としているが、論文本文は学習、開発、評価の各セットに分かれた固有の会議315件を記述している。音声分離に特化した信頼できる公開の市場規模推定は見つからなかったため、掲載していない。Conv-TasNet、ディープクラスタリング、Looking to Listen、VoiceFilter-Liteの数値は3年以上前のものであり、入手可能な最新データとして示している。コロンビア大学の2026年のリリースには定量的な結果がなく、その存在と掲載媒体のみを理由に引用している。
最終更新日:2026年10月3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、ICASSP 2027の採択論文と次回のCHiMEチャレンジの結果が公表された時点を予定している。