Najczęściej cytowana liczba dla kasowników echa, ERLE, zgadza się z oceną ludzkich słuchaczy na poziomie współczynnika Pearsona wynoszącego zaledwie 0,31, podczas gdy neuronowa metryka AECMOS Microsoftu osiąga 0,99 dla ocen echa strony zdalnej (Microsoft, prace z konkursu AEC Challenge na ICASSP 2021 i ICASSP 2023). Po stronie norm ITU-T G.168 daje sieciowemu kasownikowi echa mniej więcej 1 sekundę na zbieżność, 3GPP TS 26.131 wymaga od zestawów słuchawkowych tłumienia echa co najmniej 46 dB, a konkurs Microsoftu zmniejszył limit opóźnienia o połowę, z 40 ms do 20 ms, między 2021 a 2023 rokiem. Echo to także problem, który skłania do lepszego sprzętu w salach, co omówiliśmy od strony mikrofonów w naszych statystykach sufitowych mikrofonów z beamformingiem w salach konferencyjnych. Zebraliśmy dane z ITU-T, 3GPP, czterech prac z konkursu AEC Challenge Microsoft Research, Amazon Web Services, ByteDance, laboratorium Tongyi firmy Alibaba, niezależnych badaczy z arXiv oraz HEAD acoustics.
TL;DR
- Sieciowe kasowniki echa muszą osiągnąć wymagane łączne tłumienie w czasie około 1 sekundy w teście 2A (ITU-T G.168, 04/2015).
- Zestawy słuchawkowe wymagają ważonego tłumienia sprzężenia terminala co najmniej 46 dB przy dowolnej głośności, z zalecanymi 55 dB przy głośności nominalnej (3GPP TS 26.131, Rel-19).
- ERLE koreluje z ocenami słuchaczy na poziomie PCC 0,31 i SRCC 0,23 (Microsoft, praca z konkursu AEC Challenge na ICASSP 2021).
- AECMOS koreluje z ocenami echa strony zdalnej na poziomie PCC 0,99 (Microsoft, praca z konkursu AEC Challenge na ICASSP 2023).
- Limit opóźnienia w konkursie spadł z 40 ms opóźnienia algorytmicznego w 2021 roku do 20 ms opóźnienia algorytmicznego plus buforowania w 2023 roku (prace i repozytorium AEC Challenge Microsoftu).
- Najwyżej oceniane zgłoszenie INTERSPEECH 2021 uzyskało średnio 4,43 wobec 3,87 dla wartości bazowej (Microsoft, wyniki AEC Challenge na INTERSPEECH 2021).
- Urządzenia mobilne uzyskały o 0,75 MOS niższe wyniki niż komputery stacjonarne w degradacji podczas double-talk (Microsoft, praca z konkursu AEC Challenge na ICASSP 2022).
- WebRTC AEC3 usunął około 30 dB echa wobec 40,8 dB dla supresora neuronowego (ByteDance, arXiv 2020).
- Model typu end-to-end ze stycznia 2026 roku osiągnął 78,69 dB ERLE przy 1,2 miliona parametrów (Alibaba Tongyi Lab, E2E-AEC, arXiv 2026).
- Mały neuronowy model echa i szumu działa w 0,14 ms na ramkę, ze współczynnikiem czasu rzeczywistego 0,014 (Microsoft, DeepVQE, Interspeech 2023).
- Terminale głośnomówiące w najlepszej kategorii double-talk (kategoria 1) tłumią nadawaną mowę o najwyżej 3 dB podczas double-talk (HEAD acoustics, opisując ITU-T P.340).
1. Zasady ITU-T: zbieżność, double-talk i testy wycieku
Podstawowe reguły telekomunikacyjne dla kasowników echa są stare, ale wciąż obowiązują. “Echo” oznacza tu twój własny głos wracający do ciebie po tym, jak dotarł do strony zdalnej i przedostał się do ścieżki powrotnej. G.168 daje kasownikowi mniej więcej jedną sekundę na osiągnięcie wymaganego tłumienia, a potem dalej sprawdza, czy utrzymuje je, gdy obie osoby mówią jednocześnie (“double-talk”, czyli jednoczesna mowa obu rozmówców) oraz gdy linia milknie na kilka minut. Procesor nieliniowy (NLP) to końcowy stopień, który tłumi całe echo resztkowe pozostawione przez filtr adaptacyjny; kilka testów go wyłącza, aby zmierzyć sam filtr.
Rzeczywiste ścieżki echa modelowane przez te testy są krótkie. W danych terenowych przytoczonych w ITU-T G.168 (04/2015) zmierzono 101 rozmów międzymiastowych z Montrealu przez Amerykę Północną (czerwiec 1998 do kwiecień 1999); histogram 88 z nich wykazał średni czas dyspersji 6,02 ms, a żadna rozmowa nie przekroczyła 12 ms. Jej akustyczny odpowiednik, G.167, został wycofany, a jego treść przeniesiono do P.340 i G.161.
| Metryka | Wartość | Źródło |
|---|---|---|
| Obowiązująca edycja zalecenia dla sieciowego kasownika echa | G.168 (04/2015) wraz z Corrigendum 1 (12/2022) | ITU-T G.168 |
| Minimalne tłumienie powrotne echa (tłumienie zapewniane przez samą ścieżkę echa) używane w testach; liczba standardowych modeli ścieżki echa | minimum 6 dB; 8 modeli (m1 do m8), z minimami 6,55 dB, 11,06 dB i 9,27 dB dla m2, m7 i m8 | ITU-T G.168 (04/2015), Załącznik D |
| Zbieżność w teście 2A, procesor nieliniowy włączony | Wymagane łączne tłumienie w ciągu 1 s plus opóźnienie ścieżki echa i przesunięcie początkowe; szczyty nie więcej niż 5 dB powyżej limitu | ITU-T G.168 (04/2015) |
| Test 3A, double-talk z sygnałem strony lokalnej o 15 dB poniżej poziomu strony zdalnej (strona zdalna od -25 do 0 dBm0) | Musi się zbiec w ciągu 5 s | ITU-T G.168 (04/2015) |
| Test 3B(a) i test 4: dopuszczalny wzrost echa resztkowego podczas double-talk oraz 2 minuty po ustaniu sygnału strony zdalnej (test wycieku) | Nie więcej niż 10 dB powyżej wymagania stanu ustalonego w obu przypadkach | ITU-T G.168 (04/2015) |
| Status G.167, pierwotnego zalecenia dla akustycznych kontrolerów echa (03/1993) | Wycofane; zastąpione przez P.340 (2000) dla klauzul 1-5 i G.161 (2002) dla klauzuli 6 | Rekord ITU-T G.167 |
| Najnowsza edycja zalecenia dla terminali głośnomówiących obejmującego parametry echa i double-talk | P.340 (07/2026) | Streszczenie ITU-T P.340 z 2026 |
| Zakres częstotliwości zalecenia dla szerokopasmowej łączności głośnomówiącej w pojazdach | od 50 do 7000 Hz; obowiązująca edycja P.1110 (10/2025) | ITU-T P.1110 |
Uwaga kontekstowa: dBm0 to poziom sygnału względem punktu odniesienia w sieci, więc “od -25 do 0 dBm0” oznacza rozmówcę po stronie zdalnej od cichego do głośnego. Rewizja P.340 z 2026 roku jest nowa; jej pełny tekst nie był publicznie dostępny w chwili pisania, więc to zestawienie przytacza tylko opublikowane streszczenie.
2. Cele tłumienia echa dla zestawów słuchawkowych, urządzeń głośnomówiących i sieci
Tłumienie sprzężenia terminala (TCLw) to wielkość, o jaką głos strony zdalnej, odtwarzany przez głośnik lub słuchawkę urządzenia, jest tłumiony, zanim przedostanie się z powrotem do mikrofonu tego samego urządzenia i zostanie odesłany. Normy telefonii komórkowej ustalają 46 dB jako dolną granicę dla zestawów słuchawkowych przy dowolnej głośności, a zalecany cel 55 dB wiąże się z zastrzeżeniem, że może nie dać się go zmierzyć na każdym urządzeniu z powodu jego własnego szumu jałowego.
Interesująca luka dotyczy urządzeń głośnomówiących. Stacjonarny telefon konferencyjny może spaść do 40 dB przy maksymalnej głośności i nadal spełniać normę, dlatego zachowanie urządzeń głośnomówiących podczas double-talk ma własne kategorie: urządzenie kategorii 1 ledwie przycisza twój głos, gdy mówi druga strona (najwyżej o 3 dB), a urządzenie kategorii 3 tłumi go o ponad 12 dB, zbliżając się do działania krótkofalówki, w której słychać naraz tylko jedną stronę.
| Metryka | Wartość | Źródło |
|---|---|---|
| Ważone tłumienie sprzężenia terminala zestawu słuchawkowego: przy dowolnej głośności a zalecane przy głośności nominalnej | Co najmniej 46 dB a co najmniej 55 dB | 3GPP TS 26.131 (Rel-19) |
| Ważone tłumienie sprzężenia terminala stacjonarnego urządzenia głośnomówiącego: dowolna głośność a głośność nominalna w warunkach pola swobodnego | Co najmniej 40 dB a co najmniej 46 dB | 3GPP TS 26.131 (Rel-19) |
| Zalecany cel wydajności stacjonarnego urządzenia głośnomówiącego przy głośności nominalnej | Co najmniej 55 dB (może nie dać się zmierzyć z powodu szumu kanału jałowego) | 3GPP TS 26.131 (Rel-19) |
| Tłumienie echa zapewniane przez sieci GSM, 3G, LTE lub NR w punkcie połączenia międzysieciowego, przy mowie jednostronnej | Co najmniej 46 dB | 3GPP TS 26.132 (Rel-19) |
| Mowa odrzucana na początku testu tłumienia echa, aby kasownik echa mógł się zbiec; poziom sygnału testowego | Pierwsze 17,0 s; 10 dBm0 | 3GPP TS 26.132 (Rel-19) |
| Wytyczne dotyczące tłumienia sprzężenia terminala: wejście cyfrowe do wyjścia (wg P.341) a warunki terenowe (wg P.342) a pożądane dla celów echa rozmówcy G.131 | Co najmniej 35 dB a więcej niż 40 dB a więcej niż 45 dB | ITU-T G.168 (04/2015), Dodatek I |
| Kategorie double-talk dla terminali głośnomówiących i tłumienie nadawanej mowy | 5 kategorii (1, 2a, 2b, 2c, 3): najwyżej 3 dB dla kategorii 1, najwyżej 9 dB dla kategorii 2b, więcej niż 12 dB dla kategorii 3 | Karta katalogowa HEAD acoustics ACOPT 32, opisująca ITU-T P.340 |
Uwaga kontekstowa: wartości 3GPP odczytano z tekstu Rel-19 specyfikacji TS 26.131 i TS 26.132; dla TS 26.132 w archiwum 3GPP jest nowszy plik Rel-20 z lipca 2026 roku. Dokument HEAD acoustics to karta katalogowa sprzętu testowego, która powtarza kategorie P.340; nie podaje limitów dla kategorii 2a i 2c.
3. Budżety opóźnienia: ile milisekund może zużyć kasownik echa
Każda milisekunda, którą kasownik echa poświęca na buforowanie dźwięku, jest milisekundą dodaną do rozmowy. Wzorzec badawczy mocno się tu przesunął: konkurs Microsoftu dopuszczał w 2021 roku 40 ms opóźnienia algorytmicznego, a w 2023 roku zmniejszył limit o połowę do 20 ms łącznego opóźnienia algorytmicznego i buforowania, przy czym model samych organizatorów praktycznie nic nie stracił w wynikach dla echa przy ostrzejszym limicie. Praca z ICASSP 2023 wskazuje cel end-to-end poniżej 50 ms (próg zauważalnej różnicy) i przyszły cel poniżej 5 ms dla algorytmu plus buforowania (Microsoft, praca z konkursu AEC Challenge na ICASSP 2023).
Drugim budżetem jest moc obliczeniowa. Model neuronowy, który potrzebuje ułamka milisekundy na ramkę, może działać na każdym laptopie podczas spotkania; taki, który potrzebuje większości rdzenia procesora, nie może. O tym, jak resztę budżetu opóźnienia pochłaniają bufory jittera i kodeki, piszemy w naszych statystykach bufora jittera VoIP i jakości mowy.
| Metryka | Wartość | Źródło |
|---|---|---|
| Opóźnienie jednokierunkowe od ust do ucha dla w zasadzie przezroczystej interaktywności a pułap w ogólnym planowaniu sieci | Poniżej 150 ms a 400 ms | ITU-T G.114 (05/2003) |
| Limit opóźnienia algorytmicznego w AEC Challenge, ICASSP 2021 | Najwyżej 40 ms (dopuszczono ramkę 20 ms z krokiem 10 ms, czyli 30 ms) | Microsoft, praca z konkursu AEC Challenge na ICASSP 2021 |
| Limit opóźnienia w AEC Challenge, ICASSP 2023 | 20 ms łącznego opóźnienia algorytmicznego i buforowania | Repozytorium AEC-Challenge Microsoftu |
| Limit obliczeniowy w AEC Challenge, ICASSP 2023 | Współczynnik czasu rzeczywistego najwyżej 0,5 na czterordzeniowym Intel Core i5 2,4 GHz, jeden wątek | Microsoft, praca z konkursu AEC Challenge na ICASSP 2023 |
| Model Microsoftu przy 20 ms a zwycięzca konkursu 2022 przy 40 ms: MOS echa strony zdalnej; MOS echa podczas double-talk | 4,65 wobec 4,66; 4,68 wobec 4,68 | Microsoft, praca z konkursu AEC Challenge na ICASSP 2023 |
| Pełny model DeepVQE a mały model DeepVQE-S: parametry i czas procesora na ramkę | 7,5M i 3,66 ms wobec 0,59M i 0,14 ms (współczynnik czasu rzeczywistego 0,014) | Microsoft, DeepVQE, Interspeech 2023 |
| Połączenie liniowego kasownika echa z neuronowym supresorem echa resztkowego, zgłoszenie do konkursu 16 kHz | 5,5% jednego rdzenia Intel i7-8565U, 0,55 ms na ramkę 10 ms | Amazon Web Services, kontrola echa PercepNet, arXiv 2021 |
Najnowsze dostępne dane o limitach konkursu: Microsoft, 2023. Repozytorium AEC-Challenge wciąż wymienia ICASSP 2023 jako ostatnią edycję, więc pozostają to najnowsze publiczne reguły wzorcowe z tej serii.
4. Tabele wyników AEC Challenge, 2021-2023
AEC Challenge Microsoftu to najbliższy odpowiednik publicznej tabeli ligowej w tej dziedzinie. Zgłoszenia oceniają słuchacze zebrani metodą crowdsourcingu w skali od 1 do 5 (MOS dla jakości mowy strony lokalnej, DMOS, czyli ocena degradacji, dla echa i innych artefaktów). Na INTERSPEECH 2021 najwyżej oceniane zgłoszenie uzyskało średnio 4,43 wobec 3,87 dla wartości bazowej (cztery pierwsze były statystycznie remisowe, więc Microsoft uszeregował je według złożoności obliczeniowej), a niemal cały zysk pochodził z usuwania echa i z double-talk (scenariusz, w którym starsze kasowniki albo przepuszczały echo, albo ucinały mówcę po stronie lokalnej), a nie z jakości mowy strony lokalnej, która zmieniła się tylko z 4,18 do 4,25.
Zbiory danych rosły z każdą rundą: ponad 2500 rzeczywistych środowisk i urządzeń dla ICASSP 2021 (Microsoft, praca z konkursu AEC Challenge na ICASSP 2021), 5000 dla INTERSPEECH 2021 i ponad 10 000 dla rundy 2023 (liczba dla 2022 roku różni się między pracami Microsoftu, zob. Metodologia). Wciąż brakuje publicznych danych o tym, jak często echo faktycznie dociera do użytkowników w rozmowach produkcyjnych: prace Microsoftu opisują echo tylko jako “jedno z głównych źródeł niskich ocen jakości mowy”, bez wartości procentowej.
| Metryka | Wartość | Źródło |
|---|---|---|
| ICASSP 2021: wartość bazowa a system na pierwszym miejscu, średnia z czterech testów subiektywnych | 3,68 wobec 4,11 (17 zgłoszeń) | Amazon Web Services, kontrola echa PercepNet, arXiv 2021 |
| ICASSP 2021: wartość bazowa a system na pierwszym miejscu, degradacja mowy strony lokalnej podczas double-talk (DMOS) | 3,28 wobec 4,07 | Amazon Web Services, kontrola echa PercepNet, arXiv 2021 |
| INTERSPEECH 2021: najwyżej oceniane zgłoszenie (ERCESI) a wartość bazowa, średni wynik | 4,43 wobec 3,87 | Microsoft, wyniki AEC Challenge na INTERSPEECH 2021 |
| INTERSPEECH 2021: najwyżej oceniane zgłoszenie a wartość bazowa, DMOS echa przy mowie jednostronnej strony zdalnej; DMOS innych degradacji podczas double-talk | 4,59 wobec 3,82; 4,18 wobec 3,45 | Microsoft, wyniki AEC Challenge na INTERSPEECH 2021 |
| INTERSPEECH 2021: sklasyfikowane zgłoszenia zespołów ze średnią powyżej wartości bazowej | 10 z 14 (policzone z tabeli wyników) | Microsoft, wyniki AEC Challenge na INTERSPEECH 2021 |
| ICASSP 2022: zgłoszenia; różnica między urządzeniami mobilnymi a stacjonarnymi w degradacji podczas double-talk | 18 zgłoszeń; mobilne niższe o 0,75 MOS | Microsoft, praca z konkursu AEC Challenge na ICASSP 2022 |
| ICASSP 2023: zgłoszenia; wynik zwycięski i rozmiar modelu | 20 zgłoszeń (17 niespersonalizowanych, 3 spersonalizowane); 0,854 przy 1,5M parametrów | Microsoft, praca z konkursu AEC Challenge na ICASSP 2023 |
| ICASSP 2023: wartość bazowa a zwycięzca, wynik końcowy i dokładność słów w rozpoznawaniu mowy | 0,736 wobec 0,852; 64,9% wobec 82,3% | Microsoft, DeepVQE, Interspeech 2023 |
Uwaga kontekstowa: wynik końcowy z 2023 roku to złożona miara od 0 do 1, uśredniająca pięć przeskalowanych ocen subiektywnych wraz z dokładnością słów, więc nie jest porównywalny ze średnimi MOS z 2021 roku. Dwie prace Microsoftu podają nieco różne wyniki zwycięzcy z 2023 roku (zob. Metodologia). Najnowsze dostępne dane: Microsoft, 2023.
5. Pomiar echa: dlaczego ERLE ustąpiło miejsca metrykom percepcyjnym
ERLE (echo return loss enhancement) to liczba decybeli, o którą kasownik echa zmniejsza sygnał z mikrofonu. Łatwo go obliczyć, dlatego wciąż otwiera karty katalogowe, ale ERLE koreluje z ocenami słuchaczy zaledwie na poziomie 0,31 (Pearson), ponieważ kasownik może uzyskać ogromne ERLE, wyciszając linię i niszcząc głos mówcy po stronie lokalnej. PESQ, starsza inwazyjna metryka jakości mowy, która porównuje wyjście z czystym wzorcem, wypada lepiej z wynikiem 0,67.
AECMOS, neuronowy estymator Microsoftu, nie potrzebuje czystego wzorca i przewiduje oceny echa oraz degradacji, które wystawiliby słuchacze. Praktyczna zmiana: zespoły mogą teraz szeregować modele bez płacenia za test odsłuchowy za każdym razem. Ma to znaczenie dla każdego, kto kiedykolwiek porównywał urządzenia w laboratorium, a nie w prawdziwych pomieszczeniach, a tę lukę omówiliśmy w naszych statystykach testów akustycznych w komorze bezechowej.
| Metryka | Wartość | Źródło |
|---|---|---|
| ERLE a oceny subiektywne: korelacja Pearsona (PCC) i Spearmana (SRCC) | 0,31 i 0,23 | Microsoft, praca z konkursu AEC Challenge na ICASSP 2021 |
| PESQ a oceny subiektywne: PCC i SRCC | 0,67 i 0,57 | Microsoft, praca z konkursu AEC Challenge na ICASSP 2021 |
| AECMOS (wersja 2023), korelacja Pearsona z ocenami słuchaczy: echo przy mowie jednostronnej strony zdalnej; echo podczas double-talk; inne degradacje podczas double-talk | 0,99 (SRCC 0,92); 0,99; 0,96 | Microsoft, praca z konkursu AEC Challenge na ICASSP 2023 |
| Pierwotny zbiór treningowy AECMOS; głosy crowdsourcingowe na nagranie | 64 013 nagrań (145,8 godziny); 5 głosów na nagranie | Microsoft, praca o AECMOS, ICASSP 2022 |
| Pierwotny ranking modeli AECMOS: sklasyfikowane modele; PCC na uczestnika dla echa przy mowie jednostronnej strony zdalnej | 22 modele (14 uczestników, 4 modele głębokie i 4 modele DSP od autorów); 0,996 | Microsoft, praca o AECMOS, ICASSP 2022 |
| Dokładność słów w rozpoznawaniu mowy a średnia ocena subiektywna dla zgłoszeń ICASSP 2022 (PCC) | 0,85 | Microsoft, praca z konkursu AEC Challenge na ICASSP 2022 |
| Słuchacze na wypowiedź w testach subiektywnych ICASSP 2021; 95% przedział ufności | 10 słuchaczy; 0,01 MOS | Amazon Web Services, kontrola echa PercepNet, arXiv 2021 |
Uwaga o wartościach odstających: korelacje na poziomie pojedynczych nagrań są znacznie słabsze niż na poziomie modeli. Pierwotna praca o AECMOS podaje PCC na nagranie równe 0,582 dla echa podczas double-talk, więc metryka jest wiarygodna do szeregowania systemów, ale nie do oceny pojedynczego nagrania.
6. Neuronowa a liniowa kontrola echa: co pokazują bezpośrednie porównania
Liniowe filtry adaptacyjne modelują ścieżkę echa jako układ liniowy, więc mają trudności z echem zniekształconym przez tani, przesterowany głośnik laptopa. W pierwszej piątce ICASSP 2022 większość systemów neuronowych zbudowano na filtrze liniowym zamiast zastępować go nim. W jednym teście ByteDance WebRTC AEC3 usunął około 30 dB echa, a neuronowy supresor resztkowy osiągnął 40,8 dB, przy czym AEC3 w rzeczywistości pogorszył jakość mowy podczas double-talk w porównaniu z brakiem przetwarzania przy stosunku sygnału do echa 0 dB (echo tak głośne jak głos strony lokalnej).
Wartości ERLE traktuj z ostrożnością wyjaśnioną w sekcji 5: ERLE 78,69 dB mówi, że linia była bardzo cicha podczas mowy strony zdalnej, a nie że głos strony lokalnej przetrwał. Po stronie dostawców Microsoft twierdzi, że model echa w Teams był trenowany na 30 000 godzin próbek mowy (Blog Microsoft 365 2022, to własna deklaracja dostawcy), a badacze DeepVQE mówią, że mały model testowano w Teams dla setek milionów użytkowników.
| Metryka | Wartość | Źródło |
|---|---|---|
| ERLE, mowa jednostronna strony zdalnej z mową: liniowy filtr adaptacyjny a WebRTC AEC3 a filtr adaptacyjny plus neuronowy supresor echa resztkowego | 16,612 dB wobec 29,976 dB wobec 40,786 dB | ByteDance, tłumienie echa resztkowego, arXiv 2020 |
| ERLE, mowa jednostronna strony zdalnej z mową plus muzyką: WebRTC AEC3 a neuronowy supresor echa resztkowego | 25,376 dB wobec 43,144 dB | ByteDance, tłumienie echa resztkowego, arXiv 2020 |
| PESQ podczas double-talk przy stosunku sygnału do echa 0 dB: bez przetwarzania a WebRTC AEC3 a neuronowy supresor echa resztkowego | 1,908 wobec 1,610 wobec 2,816 | ByteDance, tłumienie echa resztkowego, arXiv 2020 |
| ERLE: Speex a WebRTC a filtr adaptacyjny połączony z rekurencyjną siecią neuronową | 25 dB wobec 40 dB wobec 68 dB | Ma i in., arXiv 2020 |
| Kasownik echa LSTM z dwoma sygnałami (DTLN-aec): zysk MOS względem wartości bazowej AEC Challenge; dane treningowe | 0,30 MOS; 60 godzin rzeczywistych i syntetycznych scenariuszy echa | Westhausen i Meyer, DTLN-aec, arXiv 2020 |
| 5 najlepszych systemów ICASSP 2022: hybrydowe konstrukcje liniowo-neuronowe; zakres parametrów | 3 z 5; od 1,5M do 55,5M parametrów | Microsoft, praca z konkursu AEC Challenge na ICASSP 2022 |
| Zgłoszenia ICASSP 2023: korelacja wyniku końcowego z rozmiarem modelu; z użyciem konstrukcji hybrydowej (PCC) | -0,54; 0,10 | Microsoft, praca z konkursu AEC Challenge na ICASSP 2023 |
| Neuronowy kasownik echa typu end-to-end (styczeń 2026): ERLE z maskowaniem aktywności głosowej; parametry; średni zysk MOS z jednej strategii treningowej | 78,69 dB; 1,2M parametrów; od 4,31 do 4,38 | Alibaba Tongyi Lab, E2E-AEC, arXiv 2026 |
Uwaga kontekstowa: wyniki te pochodzą z różnych zbiorów testowych, więc szeregują metody w obrębie każdej pracy, a nie między pracami. Najnowsze dostępne dane dla porównań AEC3 i Speex: ByteDance oraz Ma i in., 2020.
Podsumowanie: kasowanie echa akustycznego w liczbach
| Metryka | Wartość | Źródło |
|---|---|---|
| Czas zbieżności w teście 2A z G.168 | Około 1 s plus opóźnienie ścieżki echa | ITU-T G.168 (04/2015) |
| Ważone tłumienie sprzężenia terminala zestawu słuchawkowego, dowolna głośność a nominalna | Co najmniej 46 dB a co najmniej 55 dB | 3GPP TS 26.131 (Rel-19) |
| Tłumienie echa w sieci w punkcie połączenia międzysieciowego | Co najmniej 46 dB | 3GPP TS 26.132 (Rel-19) |
| Kategorie double-talk urządzeń głośnomówiących | 5; kategoria 1 tłumi nadawaną mowę o najwyżej 3 dB | HEAD acoustics, opisując ITU-T P.340 |
| Zalecenie dla terminali głośnomówiących, najnowsza edycja | P.340 (07/2026) | Streszczenie ITU-T P.340 z 2026 |
| Opóźnienie jednokierunkowe dla przezroczystej interaktywności | Poniżej 150 ms | ITU-T G.114 (05/2003) |
| Limit opóźnienia w AEC Challenge, 2023 | 20 ms opóźnienia algorytmicznego plus buforowania | Repozytorium AEC-Challenge Microsoftu |
| ERLE a oceny słuchaczy | PCC 0,31 | Microsoft, praca z konkursu AEC Challenge na ICASSP 2021 |
| AECMOS a oceny echa strony zdalnej | PCC 0,99 | Microsoft, praca z konkursu AEC Challenge na ICASSP 2023 |
| Pierwotny zbiór treningowy AECMOS | 64 013 nagrań, 145,8 godziny | Microsoft, praca o AECMOS, ICASSP 2022 |
| ICASSP 2021, wartość bazowa a zwycięzca | 3,68 wobec 4,11 | Amazon Web Services, kontrola echa PercepNet, arXiv 2021 |
| INTERSPEECH 2021, najwyżej oceniane zgłoszenie a wartość bazowa | 4,43 wobec 3,87 | Microsoft, wyniki AEC Challenge na INTERSPEECH 2021 |
| Mobilne a stacjonarne, degradacja podczas double-talk | Mobilne niższe o 0,75 MOS | Microsoft, praca z konkursu AEC Challenge na ICASSP 2022 |
| Czas procesora DeepVQE-S na ramkę | 0,14 ms (współczynnik czasu rzeczywistego 0,014) | Microsoft, DeepVQE, Interspeech 2023 |
| WebRTC AEC3 a neuronowy supresor echa resztkowego, ERLE | 29,976 dB wobec 40,786 dB | ByteDance, tłumienie echa resztkowego, arXiv 2020 |
| Speex a WebRTC a hybryda z siecią rekurencyjną, ERLE | 25 dB wobec 40 dB wobec 68 dB | Ma i in., arXiv 2020 |
| Zysk DTLN-aec względem wartości bazowej konkursu | 0,30 MOS | Westhausen i Meyer, DTLN-aec, arXiv 2020 |
| Neuronowe AEC typu end-to-end, ERLE (2026) | 78,69 dB przy 1,2M parametrów | Alibaba Tongyi Lab, E2E-AEC, arXiv 2026 |
Metodologia i źródła
- ITU-T: G.168, cyfrowe sieciowe kasowniki echa (04/2015, Corrigendum 12/2022), G.167, akustyczne kontrolery echa (03/1993, wycofane), streszczenie P.340 (07/2026), P.1110, szerokopasmowa łączność głośnomówiąca w pojazdach (10/2025), G.114, czas transmisji jednokierunkowej (05/2003)
- 3GPP: TS 26.131, akustyczne charakterystyki terminali dla telefonii; wymagania (Rel-19) oraz TS 26.132, specyfikacja testów akustycznych terminali telefonii głosowej i wideo (Rel-19)
- HEAD acoustics: karta katalogowa ACOPT 32 Speech-based Double Talk (powtarza kategorie ITU-T P.340)
- Microsoft Research: praca z konkursu AEC Challenge na ICASSP 2021, wyniki AEC Challenge na INTERSPEECH 2021, praca z konkursu AEC Challenge na ICASSP 2022, praca z konkursu AEC Challenge na ICASSP 2023, praca o AECMOS, DeepVQE, Interspeech 2023, repozytorium 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 i Su: Acoustic echo cancellation by combining adaptive digital filter and recurrent neural network (2020)
- Westhausen i 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 (styczeń 2026)
- Blog Microsoft 365: How Microsoft Teams uses AI and machine learning to improve calls and meetings (2022, deklaracja dostawcy)
- Uwaga o danych: żadna platforma nie opublikowała opartego na telemetrii wskaźnika występowania echa w prawdziwych rozmowach, więc to zestawienie żadnego nie podaje; prace Microsoftu opisują echo tylko jakościowo jako jedną z głównych skarg. Dwa źródła Microsoftu nieco się różnią co do zwycięzcy z 2023 roku: praca z konkursu ICASSP 2023 podaje wynik pierwszego miejsca 0,854, podczas gdy tabela w pracy o DeepVQE podaje zwycięzcę AEC z wynikiem 0,852. Źródła Microsoftu różnią się też co do zbioru danych ICASSP 2022: praca z ICASSP 2022 mówi o ponad 10 000 środowisk i urządzeń, a praca z ICASSP 2023 podaje dla tej rundy 7500. Korelacje ERLE 0,31 i PESQ 0,67 są takie same w pracach z konkursów 2021, 2022 i 2023, co sugeruje jedno wspólne badanie, a nie trzy niezależne pomiary. Korelacje AECMOS zależą od wersji modelu (praca z ICASSP 2022 podaje PCC 0,828 dla echa strony zdalnej, praca z 2023 roku 0,99). Praca z INTERSPEECH 2021 mówi, że niemal wszyscy uczestnicy pokonali wartość bazową, podczas gdy publiczna tabela wyników pokazuje 10 z 14 sklasyfikowanych zgłoszeń powyżej średniej wartości bazowej. Wartości ERLE w porównaniach Speex i WebRTC z 2020 roku pochodzą z własnego zbioru testowego i ustawień każdej pracy. Większość danych AEC Challenge pochodzi z lat 2021-2023, ponieważ repozytorium AEC-Challenge wymienia ICASSP 2023 jako ostatnią edycję; pełny tekst P.340 (07/2026) i plik 3GPP TS 26.132 Rel-20 to kolejne aktualizacje do sprawdzenia.
Ostatnia aktualizacja: 24 października 2026 roku. Aktualizujemy to zestawienie kwartalnie, a kolejnego odświeżenia spodziewamy się po opublikowaniu pełnego tekstu ITU-T P.340 (07/2026).