Przy 6 kbps neuronowy kodek EnCodec firmy Meta uzyskał na skali odsłuchowej MUSHRA 83,1 dla czystej mowy, podczas gdy Opus przy tych samych 6 kbps uzyskał 30,1, a ukryty oryginał 95,5 (Meta AI, publikacja o EnCodec, TMLR 2023). Ta różnica to cała historia neuronowego kodowania audio w jednym wierszu: te same bity, wynik wyższy o 53 punkty (83,1 minus 30,1). SoundStream firmy Google przy 3 kbps dorównał jakością temu, co wymagało od EVS co najmniej 9,6 kbps, a od Opusa co najmniej 12 kbps (Google, publikacja o SoundStream 2021), a kodeki badawcze spychają dziś użyteczną mowę poniżej 1 kbps, aż do 0,16 kbps (Della Libera i in., FocalCodec, NeurIPS 2025). Klasyczne kodeki odpowiadają własnymi neuronowymi dodatkami: Opus 1.5 sprawił, że mowa jest «w pełni użyteczna już od 6 kb/s», dzięki modułowi poprawy jakości o złożoności 400 MFLOPS (Xiph.Org, wydanie Opus 1.5 2024), co ma znaczenie dla każdego, kto równolegle dostraja jakość połączeń, zwracając uwagę na bufory jittera i wyniki POLQA. Zebraliśmy dane od Google, Meta AI, Descript, Kyutai, Xiph.Org, IETF, 3GPP, ITU oraz z recenzowanych benchmarków, takich jak Codec-SUPERB, DASB, WavTokenizer, TAAE i FocalCodec.
TL;DR
- EnCodec przy 6 kbps uzyskał 83,1 MUSHRA na czystej mowie, a Opus przy 6 kbps 30,1 (Meta AI, publikacja o EnCodec 2023).
- SoundStream przy 3 kbps dorównał jakością temu, co wymagało co najmniej 9,6 kbps w EVS i 12 kbps w Opusie (Google, publikacja o SoundStream 2021).
- Lyra V2 przy 3,2 kbps oceniono w testach MUSHRA na równi z Opusem przy 10 kbps (Google Open Source Blog, Lyra V2 2022).
- Descript Audio Codec kompresuje dźwięk 44,1 kHz około 90 razy do tokenów przy 8 kbps (Descript, publikacja o DAC, NeurIPS 2023).
- FocalCodec przy 0,16 kbps osiągnął UTMOS 4,22, wobec 4,09 dla nieskompresowanego wzorca (Della Libera i in., NeurIPS 2025).
- Kodek TAAE uzyskał PESQ 2,96 przy 400 bps, blisko 3,01 dla Mimi przy 1.100 bps (Parker i in., ICLR 2025).
- VALL-E nauczył się syntezy mowy zero-shot z 60K godzin mowy angielskiej zakodowanej jako tokeny neuronowego kodeka, potrzebując tylko 3-sekundowej próbki głosu (Microsoft, publikacja o VALL-E 2023).
- Moduł poprawy jakości NoLACE w Opusie 1.5 przy 9 kb/s pokonał Opusa bez poprawy przy 12 kb/s, kosztem około 0,75% CPU (Xiph.Org, wydanie Opus 1.5 2024).
- Mimi firmy Kyutai koduje mowę przy 12,5 Hz i 1,1 kbps, co umożliwiło model dialogowy z praktycznym opóźnieniem 200 ms (Kyutai, publikacja o Moshi 2024).
- EnCodec przy 1,5 kbps ponad trzykrotnie zwiększył odsetek błędnie rozpoznanych słów w ASR, z 2,96% do 9,21% (Wu i in., Codec-SUPERB 2024).
1. Bity potrzebne, by dorównać klasycznym kodekom w testach odsłuchowych
Głównym wynikiem pierwszej generacji neuronowych kodeków nie było «lepsze brzmienie», lecz «to samo brzmienie za ułamek bitów». SoundStream przy 3 kbps osiągnął poziom jakości, do którego dorównania EVS potrzebował co najmniej 9,6 kbps, a Opus co najmniej 12 kbps, co daje odpowiednio 3,2 i 4 razy więcej bitów (9,6 / 3 = 3,2; 12 / 3 = 4) (Google, publikacja o SoundStream). Przewaga maleje wraz ze wzrostem budżetu: przy średnich i wysokich przepływnościach klasyczne kodeki potrzebowały 2,2 do 2,6 raza, a potem już tylko 1,3 do 1,6 raza więcej bitów.
MUSHRA, test odsłuchowy używany w większości tych publikacji, jest zdefiniowany w ITU-R BS.1534-3: słuchacze oceniają obok siebie kilka zakodowanych wersji nagrania wraz z ukrytą kopią oryginału, więc wynik kodeka najlepiej czytać na tle wyniku ukrytego oryginału w tym samym teście. Wzorzec jest spójny u różnych producentów: im niższa przepływność, tym większa przewaga kodeków neuronowych, częściowo dlatego, że Opus przy 6 kbps przełącza się na dźwięk wąskopasmowy.
| Metryka | Wartość | Źródło |
|---|---|---|
| Przepływność Opusa i EVS potrzebna, by dorównać SoundStream przy 3 kbps | Opus co najmniej 12 kbps, EVS co najmniej 9,6 kbps | Google, publikacja o SoundStream (arXiv 2021) |
| Dodatkowe bity, których EVS i Opus potrzebują, by dorównać SoundStream przy średniej przepływności (6 kbps) | 2,2 do 2,6 raza więcej | Google, publikacja o SoundStream (arXiv 2021) |
| Przepływność Opusa oceniona na równi z Lyra V2 przy 3,2, 6 i 9,2 kbps (MUSHRA) | 10, 13 i 14 kbps | Google Open Source Blog, Lyra V2 (2022) |
| MUSHRA, czysta mowa: EnCodec przy 6 kbps wobec Opusa przy 6 kbps wobec ukrytego oryginału | 83,1 wobec 30,1 wobec 95,5 | Meta AI, publikacja o EnCodec (TMLR 2023) |
| MUSHRA, zestaw muzyczny 1: EnCodec przy 3 kbps wobec Opusa przy 12 kbps | 89,6 wobec 77,8 | Meta AI, publikacja o EnCodec (TMLR 2023) |
| POLQA MOS przy 6 kbps w paśmie szerokim, MLow wobec Opusa (własne twierdzenie producenta) | 3,9 wobec 1,89 | Meta Engineering, blog o MLow (2024) |
Najnowsze dostępne dane: SoundStream (2021), Lyra V2 (2022) i EnCodec (preprint z 2022, publikacja w czasopiśmie z 2023). Nadal są to wzorcowe porównania cytowane w nowszych publikacjach, ale powstały przed neuronowymi ulepszeniami Opusa 1.5 (zob. sekcja 7), więc bazowe wyniki klasycznych kodeków są starsze niż dzisiejszy libopus. Wyniki MLow pochodzą z bloga inżynieryjnego Meta, który zaznacza, że Opus przy 6 kbps pracuje w trybie wąskopasmowym (0 do 4 kHz); to własne twierdzenie producenta, dotyczące produkcyjnego kodeka do połączeń, włączone jako punkt odniesienia, a nie niezależny pomiar.
2. Współczynniki kompresji i punkt, w którym jakość przestaje rosnąć
Współczynnik kompresji to miejsce, w którym neuronowe kodeki wypadają najbardziej spektakularnie. Descript Audio Codec (DAC) kompresuje dźwięk 44,1 kHz około 90 razy do tokenów przy 8 kbps przy użyciu jednego uniwersalnego modelu dla mowy, muzyki i dźwięków otoczenia (Descript, publikacja o DAC, NeurIPS 2023). W muzyce stereo 48 kHz EnCodec przy 6 kbps (kompresja 256 razy) uzyskał 82,9 MUSHRA, czyli w tym samym przedziale postrzeganej jakości co MP3 przy 64 kbps (kompresja 24 razy, 82,7).
Dla inżynierów ważniejszy jest efekt nasycenia. Model stereo EnCodec uzyskał 88,0 przy 12 kbps i 87,5 przy 24 kbps, więc podwojenie przepływności nie dało mierzalnej poprawy. Drugim narzędziem jest kodowanie entropijne: mały model językowy nad tokenami zmniejsza pasmo o 25% do 40% bez zmiany jakości, kosztem szybkości.
| Metryka | Wartość | Źródło |
|---|---|---|
| Kompresja dźwięku 44,1 kHz przez DAC przy 8 kbps | Około 90 razy | Descript, publikacja o DAC (NeurIPS 2023) |
| ViSQOL przy 44 kHz: DAC przy 8 kbps wobec EnCodec przy 24 kbps wobec Opusa przy 24 kbps | 4,18 wobec 3,16 wobec 4,15 | Descript, publikacja o DAC (NeurIPS 2023) |
| ViSQOL przy 44 kHz: DAC przy 1,78 kbps wobec Opusa przy 8 kbps | 3,76 wobec 2,06 | Descript, publikacja o DAC (NeurIPS 2023) |
| MUSHRA, muzyka stereo 48 kHz: EnCodec przy 6 kbps (256 razy) wobec 12 kbps wobec 24 kbps wobec MP3 przy 64 kbps (24 razy) | 82,9 wobec 88,0 wobec 87,5 wobec 82,7 | Meta AI, publikacja o EnCodec (TMLR 2023) |
| Pasmo zaoszczędzone dzięki modelowi językowemu użytemu jako koder entropijny tokenów EnCodec | Około 25% do 40% | Meta AI, publikacja o EnCodec (TMLR 2023) |
| Potencjalna oszczędność przepływności dzięki kodowaniu entropijnemu tokenów SoundStream | 7% do 20% | Google, publikacja o SoundStream (arXiv 2021) |
ViSQOL to obiektywny model, który przewiduje postrzeganą jakość na podstawie sygnału; wyniki MUSHRA samego DAC opublikowano wyłącznie na wykresach, więc tabela korzysta z wydrukowanych wartości ViSQOL. Jedno zastrzeżenie dotyczące porównania z Opusem: w publikacji o DAC Opus przy 8 kbps był kodowany tylko z pasmem 4 kHz, podczas gdy DAC zachował pełne 22,05 kHz, więc część różnicy wynika z pasma, a nie z wydajności.
3. Granica poniżej 1 kbps dla mowy
Generacja kodeków badawczych z 2025 roku przesunęła walkę z «pokonać Opusa» na «jak mało bitów może przenieść zrozumiałą, naturalną mowę». FocalCodec przy 0,16 kbps uzyskał UTMOS 4,22 na czystym LibriSpeech, powyżej 4,09 dla nieskompresowanego wzorca (Della Libera i in., FocalCodec, NeurIPS 2025). UTMOS to model neuronowy przewidujący średnią ocenę słuchacza, więc kodek może «pokonać» oryginał, po prostu produkując bardzo czysto brzmiące wyjście.
Zrozumiałość pokazuje drugą połowę obrazu. Ta sama tabela podaje dWER, czyli dodatkowy odsetek błędnie rozpoznanych słów, który system ASR popełnia na zresyntetyzowanej mowie: ustawienie 0,16 kbps w FocalCodec osiągnęło 7,94, a ustawienie 0,65 kbps utrzymało 2,18. Naturalne brzmienie jest dziś tanie; zachowanie każdego słowa i tożsamości mówcy wciąż kosztuje bity.
| Metryka | Wartość | Źródło |
|---|---|---|
| UTMOS: FocalCodec przy 0,16 kbps wobec nieskompresowanego wzorca (czyste LibriSpeech) | 4,22 wobec 4,09 | Della Libera i in., publikacja o FocalCodec (NeurIPS 2025) |
| dWER: FocalCodec przy 0,65 kbps wobec 0,16 kbps | 2,18 wobec 7,94 | Della Libera i in., publikacja o FocalCodec (NeurIPS 2025) |
| UTMOS i dWER: BigCodec przy 1,04 kbps | 4,11 i 2,55 | Della Libera i in., publikacja o FocalCodec (NeurIPS 2025) |
| UTMOS i dWER: EnCodec przy 1,5 kbps | 1,58 i 8,08 | Della Libera i in., publikacja o FocalCodec (NeurIPS 2025) |
| PESQ: TAAE przy 400 bps wobec Mimi przy 1.100 bps | 2,96 wobec 3,01 | Parker i in., publikacja o TAAE (ICLR 2025) |
| PESQ i SI-SDR: TAAE przy 700 bps | 3,09 i 4,73 dB | Parker i in., publikacja o TAAE (ICLR 2025) |
| UTMOS: WavTokenizer przy 0,9 kbps (75 tokenów na sekundę) wobec DAC przy 9 kbps wobec nagrania wzorcowego | 4,0486 wobec 3,9097 wobec 4,0562 | Ji i in., publikacja o WavTokenizer (ICLR 2025) |
Porównanie TAAE warto przeczytać dwa razy: przy 400 bps osiągnął w przybliżeniu PESQ Mimi przy 1.100 bps, a Mimi to kodek, który sam ma zaledwie kilka lat (Parker i in., publikacja o TAAE). Pamiętaj, że każda wartość w tej sekcji została zmierzona na czystej mowie czytanej z LibriSpeech lub LibriTTS, więc traktuj ją jako najlepszy przypadek.
4. Opóźnienie i koszt obliczeniowy
Przepływność to tylko jeden z budżetów; kodek do połączeń na żywo lub strumieniowania ma też budżet opóźnienia i budżet CPU. Lyra V2 koduje i dekoduje ramkę 20 ms w 0,57 ms na Pixelu 6 Pro, czyli 35 razy szybciej niż w czasie rzeczywistym, z opóźnieniem 20 ms wobec 100 ms w Lyra V1 (Google Open Source Blog, Lyra V2). Strumieniowe neuronowe kodeki pracujące na ramkach 20 ms mieszczą się w zakresie opóźnienia, który standard Opus dopuszcza już dla klasycznego kodowania (zob. tabela).
Pod względem rozmiaru modelu generacje się rozchodzą. Kodeki przeznaczone na telefony pozostają małe i szybkie, a badawcze kodeki poniżej 1 kbps wymieniają moc obliczeniową na bity: TAAE ma około 950M parametrów, a SemantiCodec działa wolniej niż w czasie rzeczywistym.
| Metryka | Wartość | Źródło |
|---|---|---|
| Opóźnienie: Lyra V2 wobec Lyra V1 | 20 ms wobec 100 ms | Google Open Source Blog, Lyra V2 (2022) |
| Współczynnik czasu rzeczywistego na jednym wątku CPU MacBooka Pro 2019 przy 6 kbps, koder i dekoder (powyżej 1 = szybciej niż w czasie rzeczywistym): EnCodec 24 kHz wobec Lyra v2 | 9,8 i 10,4 wobec 27,4 i 67,2 | Meta AI, publikacja o EnCodec (TMLR 2023) |
| Zakres opóźnienia algorytmicznego Opusa i rozmiary ramek | 5 do 65,2 ms; ramki od 2,5 do 60 ms | IETF, RFC 6716 (2012) |
| Parametry modelu: DAC (koder plus dekoder) | 76M (22M koder, 54M dekoder) | Descript, publikacja o DAC (NeurIPS 2023) |
| Parametry modelu: TAAE wobec Mimi wobec EnCodec | 950M wobec 80M wobec 14M | Parker i in., publikacja o TAAE (ICLR 2025) |
| Współczynnik czasu rzeczywistego (powyżej 1 = szybciej niż w czasie rzeczywistym): FocalCodec przy 0,16 kbps wobec BigCodec wobec SemantiCodec | 208 wobec 22 wobec 0,62 | Della Libera i in., publikacja o FocalCodec (NeurIPS 2025) |
Współczynnik czasu rzeczywistego jest w publikacjach podawany różnie: EnCodec i FocalCodec używają zapisu «ile razy szybciej niż w czasie rzeczywistym» (więcej znaczy lepiej), więc wartości z różnych publikacji nie należy porównywać wiersz do wiersza. Zakres dla Opusa pochodzi z RFC 6716 organizacji IETF, standardu z 2012 roku, który nadal definiuje strumień bitów Opusa; najnowsze dostępne dane dla tego punktu odniesienia to RFC z 2012 roku, rozszerzone o wydania libopus z 2024 i 2025 roku, omówione w sekcji 7.
5. Tokeny kodeków w modelach językowych mowy i dźwięku
Neuronowe kodeki mają dziś drugą karierę: są tokenizatorami, dzięki którym modele językowe mogą mówić. Mimi firmy Kyutai koduje mowę 24 kHz do tokenów przy 12,5 Hz i 1,1 kbps, używając 8 słowników kodów po 2.048 wpisów, a zbudowany na nim model dialogowy Moshi podaje teoretyczne opóźnienie 160 ms i 200 ms w praktyce (Kyutai, publikacja o Moshi). Model autoregresyjny zazwyczaj wykonuje jeden krok na ramkę tokenów, więc częstość ramek przekłada się bezpośrednio na szybkość, co omawiamy od strony agentów w naszych statystykach czasu do pierwszego bajtu dźwięku.
Dlatego nie tylko przepływność, ale i częstość ramek stała się celem projektowym. Low Frame-rate Speech Codec firmy NVIDIA działa przy 21,5 klatki na sekundę i 1,89 kbps i, jak podają jego autorzy, przyspiesza wnioskowanie w syntezie mowy opartej na LLM mniej więcej trzykrotnie. Produkty głosowe oparte na oprogramowaniu do klonowania głosu i TTS dziedziczą te kompromisy bezpośrednio.
| Metryka | Wartość | Źródło |
|---|---|---|
| Częstość tokenów, przepływność i częstotliwość próbkowania dźwięku w Mimi | 12,5 Hz, 1,1 kbps, 24 kHz | Kyutai, publikacja o Moshi (arXiv 2024) |
| MUSHRA: Mimi przy 1,1 kbps wobec SpeechTokenizer przy 4,0 kbps wobec SemantiCodec przy 1,3 kbps | 81,0 wobec 74,3 wobec 64,8 | Kyutai, publikacja o Moshi (arXiv 2024) |
| Opóźnienie dialogu w Moshi, teoretyczne wobec praktycznego | 160 ms wobec 200 ms | Kyutai, publikacja o Moshi (arXiv 2024) |
| Częstość ramek i przepływność Low Frame-rate Speech Codec firmy NVIDIA | 21,5 klatki na sekundę, 1,89 kbps | NVIDIA, publikacja o Low Frame-rate Speech Codec (arXiv 2024) |
| Przyspieszenie wnioskowania w syntezie mowy opartej na LLM dzięki temu kodekowi o niskiej częstości ramek | Około 3 razy szybciej | NVIDIA, publikacja o Low Frame-rate Speech Codec (arXiv 2024) |
| Tokeny na sekundę dźwięku 24 kHz przy pojedynczym kwantyzatorze WavTokenizer | 40 lub 75 | Ji i in., publikacja o WavTokenizer (ICLR 2025) |
| Dane treningowe i próbka głosu dla VALL-E, modelu TTS trenowanego na kodach neuronowego kodeka | 60K godzin mowy angielskiej; próbka 3-sekundowa | Microsoft, publikacja o VALL-E (arXiv 2023) |
| Tokenizator MusicGen: EnCodec przy 32 kHz, słowniki kodów, częstość tokenów, muzyka treningowa | 4 słowniki po 2.048, 50 Hz, 20K godzin | Copet i in., publikacja o MusicGen (arXiv 2023) |
Najnowsze dostępne dane dla VALL-E i MusicGen: 2023. Zastrzeżenie do wiersza MUSHRA: wynik 81,0 dla Mimi dotyczy wariantu trenowanego wyłącznie ze stratami adwersarialnymi; wariant trenowany bez nich uzyskał 58,8, więc sposób trenowania tokenizatora wpływa na postrzeganą jakość tak samo mocno jak jego przepływność.
6. Co kodeki zachowują dla zadań docelowych
Wyniki odsłuchowe nie mówią, czy silnik transkrypcji, weryfikacja mówcy lub klasyfikator emocji nadal działają na zdekodowanym dźwięku. W Codec-SUPERB EnCodec przy 1,5 kbps podniósł odsetek błędnie rozpoznanych słów w ASR z 2,96% do 9,21%, a współczynnik równych błędów weryfikacji mówcy z 0,86% do 13,88%, podczas gdy DAC przy 24 kbps utrzymał odsetek błędnie rozpoznanych słów dokładnie na pierwotnym poziomie 2,96% (Wu i in., Codec-SUPERB). Te zmiany stóp błędów mają znaczenie dla każdego, kto śledzi halucynacje i błędy rozpoznawania mowy w skompresowanych potokach.
Tożsamość mówcy i emocje są pierwszymi ofiarami niskich przepływności: treść mowy przetrwa dłużej niż warstwa paralingwistyczna. Benchmark DASB dochodzi do ostrzejszego wniosku dla tokenów kodeków używanych jako wejście modeli: «we wszystkich dziedzinach i zadaniach reprezentacje ciągłe przewyższają tokeny dyskretne», a najlepiej sprawdzały się średnie przepływności (Mousavi i in., DASB).
| Metryka | Wartość | Źródło |
|---|---|---|
| Modele kodeków i rodziny modeli ocenione w Codec-SUPERB | 19 wariantów z 6 rodzin | Wu i in., publikacja o Codec-SUPERB (arXiv 2024) |
| Odsetek błędnie rozpoznanych słów w ASR: oryginalny dźwięk wobec EnCodec przy 1,5 kbps | 2,96% wobec 9,21% | Wu i in., publikacja o Codec-SUPERB (arXiv 2024) |
| Współczynnik równych błędów weryfikacji mówcy: oryginalny dźwięk wobec EnCodec przy 1,5 kbps | 0,86% wobec 13,88% | Wu i in., publikacja o Codec-SUPERB (arXiv 2024) |
| Trafność rozpoznawania emocji: oryginalny dźwięk wobec EnCodec przy 1,5 kbps | 69,84% wobec 58,84% | Wu i in., publikacja o Codec-SUPERB (arXiv 2024) |
| Odsetek błędnie rozpoznanych słów w ASR: DAC przy 6 kbps wobec DAC przy 24 kbps | 3,26% wobec 2,96% | Wu i in., publikacja o Codec-SUPERB (arXiv 2024) |
| Korelacja PESQ z ogólnym wynikiem mowy | 0,97 | Wu i in., publikacja o Codec-SUPERB (arXiv 2024) |
| Wzór DASB na przepływność tokenizatorów | log2(rozmiar słownika) x słowniki kodów x częstość tokenów | Mousavi i in., benchmark DASB (arXiv 2024) |
Uwaga kontekstowa: współczynnik równych błędów to punkt, w którym system weryfikacji mówcy myli się przez błędną akceptację i błędne odrzucenie z jednakową częstością, więc skok z 0,86% do 13,88% oznacza, że zdekodowany głos jest znacznie trudniej dopasować do jego właściciela. Korelacja PESQ w Codec-SUPERB sugeruje też praktyczny skrót: w przypadku mowy dawno ustalona miara PESQ nadal ściśle odzwierciedla ogólny werdykt benchmarku.
7. Klasyczne kodeki stają się neuronowe: Opus, EVS i ścieżka standaryzacji
Klasyczne kodeki nie stoją w miejscu. Opus 1.5 (4 marca 2024) pokazał, że jego moduł poprawy jakości NoLACE sprawia, iż mowa przy 9 kb/s jest lepsza niż bez poprawy przy 12 kb/s, przy koszcie wykonania około 0,75% CPU (Xiph.Org, wydanie Opus 1.5). Jego funkcja Deep Redundancy (DRED), będąca obecnie na ścieżce standaryzacji IETF, upakowuje w każdym pakiecie do sekundy zapasowego dźwięku, tak że «każdy pakiet 20 ms jest faktycznie przesyłany 50 razy», a według informacji o wydaniu «nadal działa dobrze nawet przy 90% strat» (przez «utratę pakietów» rozumiemy tu pakiety danych odrzucone w sieci, a nie utracone pliki audio).
Wniosek: różnica zmierzona w sekcji 1 względem starszych wersji Opusa zmniejsza się od strony klasycznej. Opus 1.6 (15 grudnia 2025) poszedł dalej, zmniejszając model DRED i dodając neuronowe rozszerzanie pasma, dzięki czemu mowa przy 9 kb/s osiąga jakość Opusa 1.4 w paśmie pełnym przy 18 kb/s.
| Metryka | Wartość | Źródło |
|---|---|---|
| Zakres przepływności Opusa określony przez standard | od 6 kbit/s do 510 kbit/s | IETF, RFC 6716 (2012) |
| Zakres przepływności EVS i maksymalne pasmo dźwięku | 5,9 do 128 kbps, do 20 kHz | 3GPP, komunikat o kodeku EVS (2014) |
| Najniższa przepływność Opusa 1.5, przy której mowa jest «w pełni użyteczna» z NoLACE | 6 kb/s | Xiph.Org, wydanie Opus 1.5 (2024) |
| Złożoność modułów poprawy jakości NoLACE i LACE oraz neuronowego wokodera FARGAN w Opusie 1.5 | NoLACE 400 MFLOPS (około 0,75% CPU); LACE 100 MFLOPS (około 0,15% CPU); FARGAN 600 MFLOPS (1/5 LPCNet) | Xiph.Org, wydanie Opus 1.5 (2024) |
| Rozmiar modelu DRED: Opus 1.6 wobec Opusa 1.5 | 600 kB wobec 1.800 kB | Xiph.Org, wydanie Opus 1.6 (2025) |
| Rozszerzanie pasma w Opusie 1.6 z NoLACE przy 9 kb/s odpowiada | Opusowi 1.4 w paśmie pełnym przy 18 kb/s | Xiph.Org, wydanie Opus 1.6 (2025) |
| Przepływność nadmiarowości DRED wobec zwykłej przepływności Opusa oraz dla porównania wewnątrzpasmowe LBRR | Około 1/50 (DRED) wobec około 2/3 (LBRR) | IETF, draft-ietf-mlcodec-opus-dred-07 (4 sierpnia 2026) |
Specyfikacja DRED jest wciąż Internet-Draftem (grupa robocza IETF mlcodec), zmienionym 4 sierpnia 2026; informacje o Opusie 1.5 ostrzegały, że «wersja zawarta w Opusie 1.5 nie będzie zgodna z wersją końcową». Dane o EVS pochodzą z ogłoszenia 3GPP Release 12; najnowsze dostępne dane: 3GPP, 2014.
Podsumowanie: przepływność a jakość neuronowych kodeków audio w liczbach
| Metryka | Wartość | Źródło |
|---|---|---|
| MUSHRA, czysta mowa: EnCodec przy 6 kbps wobec Opusa przy 6 kbps | 83,1 wobec 30,1 | Meta AI, publikacja o EnCodec (TMLR 2023) |
| Przepływność Opusa i EVS potrzebna, by dorównać SoundStream przy 3 kbps | Opus co najmniej 12 kbps, EVS co najmniej 9,6 kbps | Google, publikacja o SoundStream (arXiv 2021) |
| Zakres przepływności Opusa określony przez standard | od 6 do 510 kbit/s | IETF, RFC 6716 (2012) |
| Kompresja dźwięku 44,1 kHz przez DAC przy 8 kbps | Około 90 razy | Descript, publikacja o DAC (NeurIPS 2023) |
| ViSQOL: DAC przy 8 kbps wobec EnCodec przy 24 kbps | 4,18 wobec 3,16 | Descript, publikacja o DAC (NeurIPS 2023) |
| dWER: FocalCodec przy 0,65 kbps wobec 0,16 kbps | 2,18 wobec 7,94 | Della Libera i in., publikacja o FocalCodec (NeurIPS 2025) |
| UTMOS: FocalCodec przy 0,16 kbps wobec wzorca | 4,22 wobec 4,09 | Della Libera i in., publikacja o FocalCodec (NeurIPS 2025) |
| PESQ: TAAE przy 400 bps wobec Mimi przy 1.100 bps | 2,96 wobec 3,01 | Parker i in., publikacja o TAAE (ICLR 2025) |
| UTMOS: WavTokenizer przy 0,9 kbps wobec DAC przy 9 kbps | 4,0486 wobec 3,9097 | Ji i in., publikacja o WavTokenizer (ICLR 2025) |
| Trafność rozpoznawania emocji: oryginał wobec EnCodec przy 1,5 kbps | 69,84% wobec 58,84% | Wu i in., publikacja o Codec-SUPERB (arXiv 2024) |
| Parametry modelu: TAAE wobec EnCodec | 950M wobec 14M | Parker i in., publikacja o TAAE (ICLR 2025) |
| Częstość tokenów i przepływność Mimi | 12,5 Hz, 1,1 kbps | Kyutai, publikacja o Moshi (arXiv 2024) |
| Praktyczne opóźnienie dialogu w Moshi | 200 ms | Kyutai, publikacja o Moshi (arXiv 2024) |
| Przyspieszenie syntezy mowy opartej na LLM dzięki kodekowi o 21,5 klatki na sekundę | Około 3 razy | NVIDIA, publikacja o Low Frame-rate Speech Codec (arXiv 2024) |
| Odsetek błędnie rozpoznanych słów w ASR: oryginał wobec EnCodec przy 1,5 kbps | 2,96% wobec 9,21% | Wu i in., publikacja o Codec-SUPERB (arXiv 2024) |
| MUSHRA: Mimi przy 1,1 kbps wobec SpeechTokenizer przy 4,0 kbps | 81,0 wobec 74,3 | Kyutai, publikacja o Moshi (arXiv 2024) |
| Opus z NoLACE przy 9 kb/s w porównaniu z Opusem bez poprawy | Lepszy niż 12 kb/s | Xiph.Org, wydanie Opus 1.5 (2024) |
| Rozmiar modelu DRED, Opus 1.6 wobec Opusa 1.5 | 600 kB wobec 1.800 kB | Xiph.Org, wydanie Opus 1.6 (2025) |
Metodologia i źródła
- Google, SoundStream: An End-to-End Neural Audio Codec (arXiv 2107.03312, 2021; IEEE/ACM TASLP): stosunki przepływności MUSHRA względem Opusa i EVS, rozmiar ramki, oszczędności z kodowania entropijnego.
- Google Open Source Blog, Lyra V2 (wrzesień 2022): równoważność z Opusem, opóźnienie, czas na Pixelu 6 Pro.
- Meta AI, High Fidelity Neural Audio Compression (EnCodec), TMLR 2023 (arXiv 2210.13438): tabele MUSHRA, współczynniki kompresji, współczynniki czasu rzeczywistego, kodowanie entropijne.
- Meta Engineering, MLow: Meta’s low bitrate audio codec (13 czerwca 2024): własne porównanie POLQA producenta z Opusem.
- Copet i in., Simple and Controllable Music Generation (MusicGen), arXiv 2023: konfiguracja tokenizatora EnCodec i godziny treningu.
- Descript, High-Fidelity Audio Compression with Improved RVQGAN (DAC), NeurIPS 2023: współczynnik kompresji, tabela ViSQOL, liczba parametrów.
- Kyutai, Moshi: a speech-text foundation model for real-time dialogue (arXiv 2410.00037, 2024): specyfikacja kodeka Mimi, MUSHRA względem tokenizatorów semantycznych, opóźnienie dialogu.
- NVIDIA, Low Frame-rate Speech Codec (arXiv 2409.12117, 2024): częstość ramek, przepływność, przyspieszenie wnioskowania w syntezie mowy.
- Microsoft, VALL-E: Neural Codec Language Models are Zero-Shot Text to Speech Synthesizers (arXiv 2301.02111, 2023): godziny treningu i długość próbki.
- Ji i in., WavTokenizer (ICLR 2025, arXiv 2408.16532): częstość tokenów przy pojedynczym kwantyzatorze i UTMOS.
- Parker i in., Scaling Transformers for Low-Bitrate High-Quality Speech Coding (TAAE), ICLR 2025: wyniki przy 400 i 700 bps, liczby parametrów.
- Della Libera i in., FocalCodec (NeurIPS 2025, arXiv 2502.04465): tabela benchmarku poniżej 1 kbps z UTMOS, dWER i współczynnikami czasu rzeczywistego.
- Wu i in., Codec-SUPERB: An In-Depth Analysis of Sound Codec Models (arXiv 2402.13071, 2024): wyniki zadań docelowych: ASR, mówca, emocje.
- Mousavi i in., DASB: Discrete Audio and Speech Benchmark (arXiv 2406.14294, zmieniony 21 kwietnia 2026): wnioski o reprezentacjach dyskretnych i ciągłych.
- Xiph.Org, informacje o wydaniu Opus 1.5 (4 marca 2024) oraz informacje o wydaniu Opus 1.6 (15 grudnia 2025): LACE, NoLACE, DRED, FARGAN, rozszerzanie pasma.
- IETF, RFC 6716: Definition of the Opus Audio Codec (wrzesień 2012) oraz IETF, draft-ietf-mlcodec-opus-dred: zakresy przepływności i opóźnienia Opusa, narzut DRED.
- 3GPP, Enhanced Voice Services codec for LTE (Release 12, 7 listopada 2014): zakres przepływności i pasmo EVS.
- ITU-R BS.1534-3 (MUSHRA), październik 2015 oraz ITU-T P.808, jakość mowy oceniana metodą crowdsourcingu, czerwiec 2021: metody testów odsłuchowych stojące za wynikami MUSHRA i MOS z crowdsourcingu.
- Uwaga o danych: (1) MUSHRA, MOS, ViSQOL, UTMOS i PESQ nie są wymienne, a wynik ma sens tylko na tle wzorca i punktów odniesienia z tego samego testu; zwłaszcza UTMOS potrafi ocenić kodek wyżej niż oryginał (FocalCodec 4,22 wobec 4,09). (2) Blog Meta o MLow drukuje «POLQA MOS 1.89 vs 3.9», nie wskazując, który wynik należy do którego kodeka; kontekst artykułu sugeruje Opus 1,89 i MLow 3,9, a użyta wersja Opusa nie jest podana. (3) Tekst Codec-SUPERB mówi, że trafność emocji DAC przy 24 kbps spada «o 0.38%», lecz wartości z jego tabeli (od 69,84% do 69,56%) dają 0,28 punktu, a liczba zbiorów danych w publikacji waha się między 20 a 21; podajemy wyłącznie wartości z tabeli. (4) Ustawienie 40 tokenów w WavTokenizer jest w tabeli podane jako 0,5 kbps, a w tekście jako 0,48 kbps. (5) Strona EnCodec w arXiv wciąż mówi «Preprint», choć wykaz TMLR 2023 potwierdza publikację w czasopiśmie; Google podaje SoundStream w IEEE/ACM TASLP z datą 2021, podczas gdy inne indeksy podają 2022. (6) Liczba parametrów tego samego kodeka różni się zależnie od źródła: Mimi jest wskazany jako 80M w publikacji o TAAE, 82M w publikacji o FocalCodec i 96,2M na karcie modelu Kyutai w Hugging Face, prawdopodobnie zależnie od tego, które komponenty policzono. Definicje współczynnika czasu rzeczywistego również różnią się między publikacjami, więc wiersze o szybkości z różnych publikacji nie są bezpośrednio porównywalne. (7) Większość bezpośrednich porównań z Opusem powstała przed neuronowymi funkcjami Opusa 1.5 i 1.6, a nie uwzględniono wielkości rynku, ponieważ nie znaleziono danych rynkowych pierwszej klasy dla neuronowych kodeków.
- Ostatnia aktualizacja: 31 października 2026 roku. Aktualizujemy to zestawienie kwartalnie, a kolejnej aktualizacji spodziewamy się, gdy grupa robocza IETF mlcodec przesunie draft-ietf-mlcodec-opus-dred w stronę publikacji jako RFC.