Konkursy Deep Noise Suppression (DNS) z 2021 roku ograniczyły łączne opóźnienie algorytmiczne do 40 ms, podczas gdy badanie z 2025 roku dotyczące urządzeń typu hearables uruchomiło neuronowe tłumienie szumów z opóźnieniem algorytmicznym 1,25 ms i opóźnieniem całkowitym 3,35 ms na procesorze DSP o niskim poborze mocy (Microsoft Research, artykuł o Interspeech 2021 DNS Challenge; Dementyev i in., arXiv 2025). Rozmiary modeli obejmują ponad trzy rzędy wielkości: RNNoise używa 87 503 wag, GTCRN podaje 23,7K parametrów, a najlepszy system URGENT z Interspeech 2025 użył około 102M. Testy odsłuchowe wciąż ujawniają to, czego nie widać w metrykach laboratoryjnych: pełny PercepNet miał niższy PESQ niż jego wariant bez postfiltra (2,54 wobec 2,73), ale wyższy MOS słuchaczy (4,05 wobec 3,91). Tłumienie szumów to połowa historii izolacji głosu; druga połowa, czyli oddzielanie jednego mówcy od pozostałych, jest opisana w naszych statystykach separacji mowy i efektu przyjęcia koktajlowego, a biznesową stronę tych narzędzi omawiają nasze statystyki oprogramowania do redukcji szumów dla firm. Zebraliśmy dane z artykułów o DNS Challenge z Microsoft Research, ITU-T, prac Mozilli i Xiph.Org nad RNNoise, artykułów o DeepFilterNet, od organizatorów konkursu URGENT, z dokumentacji NVIDIA Maxine oraz od niezależnych badaczy uniwersyteckich i przemysłowych.
TL;DR
- Neuronowy tłumik 1,25 ms działał na procesorze DSP o niskim poborze mocy z opóźnieniem całkowitym 3,35 ms (Dementyev i in., artykuł o hearables poniżej milisekundy, arXiv 2025).
- RNNoise działa na 87 503 wagach, czyli około 1,3% jednego rdzenia x86 (Mozilla, artykuł o RNNoise, MMSP 2018).
- GTCRN podaje 23,7K parametrów i 39,6 MMACs na sekundę (Rong i in., GTCRN, ICASSP 2024).
- DeepFilterNet2 ma 2,306 M parametrów i współczynnik czasu rzeczywistego 0,42 nawet na Raspberry Pi 4 (Schröter i in., artykuł o DeepFilterNet2 2022).
- Denoiser na GPU potrzebuje 0,410 ms (p95) na przetworzenie ramki 10 ms na laptopowym GPU (NVIDIA, przewodnik wydajności Maxine AFX SDK, deklaracja producenta).
- PercepNet uzyskał MOS słuchaczy 4,05 wobec 3,40 dla sygnału zaszumionego na VCTK (Valin i in., artykuł o PercepNet, Interspeech 2020).
- Zwycięzca URGENT z Interspeech 2025 użył około 102M parametrów, czyli około 12 razy więcej niż model bazowy 8,5M (Saijo i in., artykuł o URGENT 2025 Challenge).
- Predykcja z wyprzedzeniem, by osiągnąć opóźnienie 0 ms, obniżyła SI-SDR z 2,8341 dB do -3,6493 dB (Wang i in., IEEE/ACM TASLP 2022).
- ITU-T P.835, test z trzema ocenami dla tłumików szumów, ma nową edycję, P.835 (07/26) (strona rekomendacji ITU-T P.835, 2026).
- ICASSP 2026 URGENT Challenge przyciągnął 80 rejestracji w Track 1 oraz ważne zgłoszenia od 29 zespołów (Li i in., artykuł o ICASSP 2026 URGENT Challenge).
1. Budżety opóźnień: ile opóźnienia ma tłumienie szumów w czasie rzeczywistym
Opóźnienie algorytmiczne to opóźnienie wbudowane w samą metodę (długość ramki analizy plus ewentualne wyprzedzenie w przyszły dźwięk), więc szybszy procesor nie może go usunąć. Czas przetwarzania to osobna kwestia: system czasu rzeczywistego musi tylko skończyć każdą ramkę, zanim nadejdzie następna. Konkursy DNS z 2021 roku ograniczyły łączne opóźnienie algorytmiczne do 40 ms, co jest hojne jak na standardy aparatów słuchowych, a ciasne dla modelu, który chce widzieć przyszły dźwięk.
Te 40 ms zużywa się, zanim dźwięk w ogóle opuści komputer. Podczas rozmowy opóźnienie tłumika sumuje się z usuwaniem echa, kodekami i siecią; kontrola echa ma własny budżet i własne testy, opisane w naszych statystykach akustycznej kasacji echa. Zasada jest wyraźnie sformułowana w artykule o Interspeech 2021 DNS Challenge, a dane projektowe pochodzą z artykułu o PercepNet i artykułu o DeepFilterNet3.
| Metryka | Wartość | Źródło |
|---|---|---|
| Zasada czasu rzeczywistego w DNS Challenge: łączne opóźnienie algorytmiczne (ramka + krok + wyprzedzenie) oraz czas przetwarzania na ramkę | 40 ms lub mniej; krótszy niż czas kroku na czterordzeniowym Intel Core i5 2,4 GHz (ramka 32 ms z krokiem 16 ms, czyli 48 ms, nie spełnia warunku) | Microsoft Research, artykuły o ICASSP 2021 i Interspeech 2021 DNS Challenge |
| Okno analizy, przesunięcie i wyprzedzenie w RNNoise | okna 20 ms, przesunięcie 10 ms; wyprzedzenie 10 ms | Mozilla, artykuł o RNNoise, MMSP 2018; strona demonstracyjna RNNoise Xiph.Org 2017 |
| Rozmiar ramki i wyprzedzenie w PercepNet | ramki 10 ms, wyprzedzenie 40 ms | Valin i in., artykuł o PercepNet, Interspeech 2020 |
| Opóźnienie algorytmiczne DeepFilterNet3 | 40 ms (okno 20 ms, przesunięcie 10 ms, 2 ramki wyprzedzenia) | Schröter i in., artykuł o DeepFilterNet3, Interspeech 2023 |
| Konstrukcja STFT o bardzo niskim opóźnieniu: rozmiary okien i wynikowe opóźnienie algorytmiczne | okno wejściowe 16 ms, okno wyjściowe 4 ms, przesunięcie 2 ms; opóźnienie 4 ms, a 2 ms przy predykcji z wyprzedzeniem o jedną ramkę | Wang i in. (CMU, MERL), IEEE/ACM TASLP 2022 |
| Typowe opóźnienie algorytmiczne poprawy mowy metodami uczenia maszynowego wobec celu dla hearables | od 16 do 32 ms wobec poniżej 2 ms całkowitego (około 1 ms lub mniej algorytmicznego) | Dementyev i in., artykuł o hearables poniżej milisekundy, arXiv 2025 |
| Efekt Denoiser v2 na GPU: rozmiar ramki i próg czasu na ramkę (test własny producenta) | ramki 10 ms (160 próbek przy 16 kHz); czas ramki p95 musi pozostać poniżej budżetu 10 ms | NVIDIA, przewodnik wydajności Maxine AFX SDK dla Windows (deklaracja producenta) |
Najnowsze dostępne dane dla zasady konkursu: 2021; późniejsze edycje DNS odsyłają po definicje w milisekundach do strony konkursu. Najnowsze dostępne dane dla RNNoise i PercepNet: artykuły z 2018 i 2020 roku.
2. Moc obliczeniowa i rozmiar modelu: od 23,7K parametrów do 8 milionów
GTCRN podaje 23,7K parametrów, podczas gdy PercepNet używa 8M wag i około 800 MMACS, czyli mniej więcej 340 razy więcej wag (8 000 000 / 23 700) w modelu, który również działa w czasie rzeczywistym. Współczynnik czasu rzeczywistego (RTF) to czas przetwarzania podzielony przez czas trwania dźwięku, więc RTF poniżej 1 oznacza, że model nadąża za dźwiękiem na żywo.
Praktyczny wniosek: moc obliczeniowa nie jest już tym, co powstrzymuje neuronowe tłumienie szumów na laptopie. RNNoise potrzebował około 1,3% jednego rdzenia procesora laptopa z ery Haswell, a PercepNet mniej niż 5% rdzenia. Otwartym pytaniem są telefony, słuchawki douszne i procesory DSP, gdzie RTF 0,42 na Raspberry Pi 4 wciąż zostawia niewielki zapas. Dane pochodzą z artykułu o RNNoise, artykułu o DeepFilterNet2 i strony artykułu o GTCRN.
| Metryka | Wartość | Źródło |
|---|---|---|
| Rozmiar RNNoise i obciążenie procesora | 87 503 wag; około 40 MFLOPS; około 1,3% jednego rdzenia Intel i7-4800MQ, około 14% jednego rdzenia Raspberry Pi 3 | Mozilla, artykuł o RNNoise, MMSP 2018 |
| Plik modelu RNNoise z wagami 8-bitowymi wobec 32-bitowych liczb zmiennoprzecinkowych oraz szybkość | 85 kB wobec 340 kB; około 60x szybciej niż w czasie rzeczywistym na x86, około 7x na Raspberry Pi 3 | Xiph.Org, strona demonstracyjna RNNoise 2017 |
| Rozmiar PercepNet i obciążenie procesora | 8M wag; około 800 MMACS; 5,2% jednego rdzenia Intel i7-8565U (ramki 10 ms), 4,1% (ramki 40 ms) | Valin i in., artykuł o PercepNet, Interspeech 2020 |
| DeepFilterNet wobec DeepFilterNet2: parametry, moc obliczeniowa, RTF na Core i5-8250U | 1,778 M wobec 2,306 M; 0,348 wobec 0,356 GMACs; RTF 0,11 wobec 0,04 (0,42 na Raspberry Pi 4) | Schröter i in., artykuł o DeepFilterNet2 2022 |
| Rozmiar i moc obliczeniowa GTCRN | 23,7K parametrów; 39,6 MMACs na sekundę | Rong i in., GTCRN, ICASSP 2024 |
| Rozmiar i moc obliczeniowa UL-UNAS | 169k parametrów; 34M MACs na sekundę; wyprzedzenie 0 ms | Rong i in., UL-UNAS, Neural Networks 2025 |
| Denoiser v2 na laptopowym GPU RTX 3500 Ada (pomiar własny producenta) | p95 0,410 ms na ramkę 10 ms; przepustowość p50 26,74x czasu rzeczywistego; 215 MiB pamięci GPU | NVIDIA, przewodnik wydajności Maxine AFX SDK dla Windows (deklaracja producenta) |
Dokumentacja denoisera NVIDIA dodaje własne zastrzeżenie: sygnał wejściowy ze stosunkiem sygnału do szumu (SNR) poniżej 5 dB może dawać zniekształcony wynik.
3. Wyniki jakości w testach porównawczych: PESQ i DNSMOS dla nazwanych modeli
PESQ porównuje przetworzony dźwięk z czystym wzorcem; DNSMOS to model neuronowy, który przewiduje, co powiedzieliby słuchacze, bez potrzeby użycia wzorca. Na popularnym zbiorze testowym VoiceBank+DEMAND PESQ wzrósł z 1,97 dla nieprzetworzonej zaszumionej mowy do 3,17 dla DeepFilterNet3, a RNNoise znalazł się na dole stawki modeli neuronowych.
Wiersz DNSMOS zawiera bardziej użyteczne ostrzeżenie. Na ślepym zbiorze testowym DNS4 RNNoise obniżył przewidywaną ocenę mowy (SIG) poniżej poziomu sygnału zaszumionego, jednocześnie podnosząc ocenę ogólną, co jest klasycznym kompromisem: mniej szumu, nieco uszkodzony głos. Artykuł o PercepNet pokazuje odwrotny problem dla PESQ, gdzie wersja najbardziej lubiana przez słuchaczy miała niższy PESQ. Dane pochodzą z artykułu o DeepFilterNet3 i artykułu o UL-UNAS.
| Metryka | Wartość | Źródło |
|---|---|---|
| PESQ na VoiceBank+DEMAND: sygnał zaszumiony wobec RNNoise wobec DeepFilterNet2 (z postfiltrem) | 1,97 wobec 2,33 wobec 3,03 | Schröter i in., artykuł o DeepFilterNet2 2022 |
| PESQ i STOI DeepFilterNet3 na VoiceBank+DEMAND | 3,17 i 0,944 | Schröter i in., artykuł o DeepFilterNet3, Interspeech 2023 |
| DNSMOS na ślepym zbiorze DNS4, mowa (SIG) i ogólna (OVRL): sygnał zaszumiony wobec RNNoise wobec DeepFilterNet2 | SIG 4,144 wobec 3,884 wobec 4,196; OVRL 3,291 wobec 3,378 wobec 3,882 | Schröter i in., artykuł o DeepFilterNet2 2022 |
| PESQ na VCTK-DEMAND: GTCRN wobec UL-UNAS trenowanego ze stratą PESQ | 2,87 wobec 3,09 | Rong i in., UL-UNAS, Neural Networks 2025 |
| PESQ na ślepym zbiorze DNS3 i wyprzedzenie: GTCRN wobec LiSenNet wobec UL-UNAS | 2,10 (0 ms) wobec 2,23 (32 ms) wobec 2,28 (0 ms) | Rong i in., UL-UNAS, Neural Networks 2025 |
| PESQ-WB PercepNet z postfiltrem i bez niego | 2,54 wobec 2,73 | Valin i in., artykuł o PercepNet, Interspeech 2020 |
| MOS słuchaczy wg P.808 na VCTK 48 kHz: sygnał zaszumiony wobec RNNoise wobec PercepNet | 3,40 wobec 3,70 wobec 4,05 | Valin i in., artykuł o PercepNet, Interspeech 2020 |
Kontekst: VoiceBank+DEMAND to mały, w większości syntetyczny zbiór testowy, więc te rankingi mówią więcej o względnym postępie niż o prawdziwych rozmowach. Wiersz DNS3 jest tym, na który powinni zwrócić uwagę czytelnicy zainteresowani opóźnieniem: model z zerowym wyprzedzeniem (2,28) uzyskał w PESQ więcej niż model z wyprzedzeniem 32 ms (2,23).
4. Wyniki konkursów: DNS od 2021 do 2023 i URGENT od 2025 do 2026
Wyniki konkursów z lat 2020-2026 pokazują, że zmierzone zyski względem sygnału zaszumionego pozostają niewielkie, nawet dla zwycięzców. Na ICASSP 2021 najlepszy model był zaledwie o 0,53 DMOS (różnica średniej oceny opinii) lepszy od sygnału zaszumionego, który organizatorzy ocenili na bezwzględny MOS 3,38, a tylko połowa zgłoszeń pokonała model bazowy. Spersonalizowane tłumienie, które Teams oferuje jako izolację głosu, rejestruje próbkę głosu użytkownika i usuwa również innych mówców; w ścieżce spersonalizowanej ICASSP 2022 żaden zespół nie poprawił oceny mowy. W Teams izolacja głosu jest domyślnie włączona w zasadach administratora, a profil głosu jest przechowywany na urządzeniu użytkownika (Microsoft Learn, strona administratora izolacji głosu w Teams, aktualizacja 2026).
URGENT (poprawa mowy ‘uniwersalna’) jest szerszy niż tłumienie szumów: dodaje pogłos, obcinanie sygnału, straty kodeka, utratę pakietów i szum wiatru oraz przyjmuje sygnał wejściowy od 8 do 48 kHz. Jego wyniki z 2025 roku pokazują, że rozmiar modelu zmienia się w przeciwnym kierunku niż w sekcji 2. Źródła: artykuł o DNS z ICASSP 2021, artykuł o DNS z ICASSP 2022, artykuł o DNS z ICASSP 2023, artykuł o URGENT 2025 i artykuł o URGENT 2026.
| Metryka | Wartość | Źródło |
|---|---|---|
| Ścieżka czasu rzeczywistego DNS na Interspeech 2020: miejsce PercepNet i MOS wg P.808 wobec sygnału zaszumionego i modelu bazowego | 2. miejsce; 3,52 wobec 3,01 wobec 3,03 | Valin i in., artykuł o PercepNet, Interspeech 2020 |
| ICASSP 2021 DNS Track 1: zespoły i najlepszy wynik wobec sygnału zaszumionego | 16 zespołów; najlepszy model o 0,53 DMOS lepszy od zaszumionego (bezwzględny MOS 3,38); połowa zgłoszeń pokonała model bazowy | Microsoft Research, artykuł o ICASSP 2021 DNS Challenge |
| Interspeech 2021 DNS: najlepszy MOS ogólny wobec pułapu przy idealnym usunięciu szumu; oceny mowy | około 3,78 wobec 3,92; większość zespołów poza dwoma najlepszymi uzyskała w MOS mowy wynik poniżej sygnału zaszumionego | Microsoft Research, artykuł o Interspeech 2021 DNS Challenge |
| ICASSP 2022, ścieżka spersonalizowana (izolacja głosu): długość nagrania wzorcowego i wynik wobec sygnału zaszumionego | 2,5 minuty na mówcę; żaden zespół nie poprawił SIG; dokładność słów gorsza o 2% | Microsoft Research, artykuł o ICASSP 2022 DNS Challenge |
| ICASSP 2023 DNS: liczba zgłoszeń i zwycięski wzrost Score względem ślepego zbioru zaszumionego, zestaw słuchawkowy wobec głośnomówiącego | 11 i 11 zgłoszeń; 0,145 wobec 0,141 | Microsoft Research, artykuł o ICASSP 2023 DNS Challenge |
| Interspeech 2025 URGENT: zgłoszenia i rozmiar zwycięskiego systemu wobec modelu bazowego | 32 zgłoszenia; około 102M wobec około 8,5M parametrów | Saijo i in., artykuł o Interspeech 2025 URGENT Challenge |
| Interspeech 2025 URGENT: MOS systemu czysto generatywnego, miejsce ogólne i dokładność znaków w chińskim i japońskim | najwyższy MOS (3,69), ale 13. miejsce; 20,1% i 36,8% | Saijo i in., artykuł o Interspeech 2025 URGENT Challenge |
| ICASSP 2026 URGENT: rejestracje w Track 1, ważne zespoły, rozmiar ślepego testu | 80 rejestracji; 29 zespołów z ważnymi zgłoszeniami w obu ścieżkach; 840 próbek, w tym 5 niewidzianych języków | Li i in., artykuł o ICASSP 2026 URGENT Challenge |
Pułap 3,92 w wierszu Interspeech 2021 to obliczenie samych organizatorów: gdyby szum oceniono na idealne 5, a mowa pozostała tak dobra jak w zaszumionym nagraniu, ogólny MOS osiągnąłby tę wartość maksymalną. Do 2021 roku zwycięzcy usunęli większość szumu, a pozostała luka dotyczyła jakości mowy. Score z ICASSP 2023 wynosi 0,5 x [WAcc + 0,25 x (OVRL - 1)], więc waży dokładność słów i jakość odbieraną przez słuchaczy jednakowo.
5. Pomiar jakości: ITU-T P.835, P.808 i DNSMOS
ITU-T P.835 prosi słuchaczy o trzy osobne oceny: sygnał mowy (SIG), szum tła (BAK) i jakość ogólną (OVRL). Ten podział ma znaczenie dla tłumienia szumów, ponieważ model może wygrać na szumie i przegrać na głosie w tym samym nagraniu. DNSMOS śledził oceny ludzi ze współczynnikiem korelacji Pearsona (PCC) 0,93 na model, wobec 0,78 dla PESQ i zaledwie 0,23 dla SDR, dlatego organizatorzy DNS wytrenowali metrykę na ocenach słuchaczy, zamiast polegać na PESQ.
Haczyk tkwi w szczegółowości. Wersja P.835 DNSMOS jest znacznie słabsza dla pojedynczego nagrania niż po uśrednieniu dla całego modelu, więc liczbę DNSMOS z jednego nagrania traktuj jako wskazówkę, nie wyrok. Ta sama logika dotyczy głosów syntetycznych, opisanych w naszych statystykach naturalności mowy syntetycznej wg MOS. Źródła: strona ITU-T P.835, strona ITU-T P.808, artykuł o DNSMOS i artykuł o DNSMOS P.835.
| Metryka | Wartość | Źródło |
|---|---|---|
| Edycje ITU-T P.835 | P.835 (07/26) obowiązująca, wstępnie opublikowana; P.835 (11/03) zastąpiona | Strona rekomendacji ITU-T P.835, dostęp w październiku 2026 |
| Edycje ITU-T P.808 | P.808 (06/21) obowiązująca; P.808 (06/18) zastąpiona | Strona rekomendacji ITU-T P.808, dostęp w październiku 2026 |
| Korelacja DNSMOS ze słuchaczami na model (PCC) wobec PESQ, POLQA, SDR; DNSMOS P.835 ogólny, poziom modelu wobec pojedynczego nagrania | 0,93 wobec 0,78, 0,79, 0,23; 0,98 wobec 0,82 | Reddy i in., Microsoft, artykuły o DNSMOS (2020) i DNSMOS P.835 (2021) |
| Testy odsłuchowe PercepNet: próbki VCTK i słuchacze na próbkę; słuchacze testu DNS na nagranie | 824 próbki, po 8 słuchaczy (95% CI 0,04); po 10 słuchaczy (95% CI 0,02) | Valin i in., artykuł o PercepNet, Interspeech 2020 |
| Metoda i zakres testu subiektywnego URGENT 2025 | bezwzględna ocena kategorialna ITU-T P.808 na Amazon Mechanical Turk; tylko dane w języku angielskim | Saijo i in., artykuł o Interspeech 2025 URGENT Challenge |
| Testy odsłuchowe ICASSP 2026 URGENT i dane do predykcji MOS | 6 najlepszych systemów ocenionych metodami P.808 ACR i CCR; 8 000 próbek z adnotacjami MOS z 16 systemów | Li i in., artykuł o ICASSP 2026 URGENT Challenge |
Rewizja P.835 jest tu najnowszym elementem: edycja z 2003 roku została zastąpiona przez P.835 (07/26), a jej tytuł obejmuje teraz terminale ‘zapewniające funkcję tłumienia szumów’. Pełny tekst nie był jeszcze publicznie dostępny, gdy sprawdzaliśmy, więc zmiany w metodzie nie są odzwierciedlone w powyższych liczbach.
6. Kompromis między opóźnieniem a jakością
Obniżanie opóźnienia kosztuje jednocześnie jakość i moc obliczeniową. W badaniu hearables z 2025 roku model 1 ms potrzebował 840 MIPS, podczas gdy model overlap-add 16 ms potrzebował 105 MIPS, a model 16 ms i tak uzyskał wyższy wynik (DNSMOS OVRL 2,35 wobec 2,13 na CHiME-2). Wcześniejsze badanie CMU i MERL wykazało ten sam kształt zależności dla PESQ i pokazało, że próba przewidywania dźwięku z wyprzedzeniem, by osiągnąć 0 ms, powoduje załamanie SI-SDR.
Odpowiedzią badania hearables była zmiana filtra wyjściowego zamiast zmniejszania okna: projekt FIR o fazie minimalnej utrzymał SI-SDR na mniej więcej stałym poziomie od 0,32 do 1,25 ms i obniżył opóźnienie całkowite z 7,1 ms do 3,35 ms. Czat na żywo znosi opóźnienia znacznie lepiej niż hearables, ale opóźnienie tłumika i tak dodaje się do każdego innego etapu, na przykład gdy efekty są ułożone w łańcuch w zmieniaczu głosu dla Discorda. Dane pochodzą z artykułu o hearables i artykułu o STFT o bardzo niskim opóźnieniu.
| Metryka | Wartość | Źródło |
|---|---|---|
| DNSMOS OVRL na CHiME-2: nieprzetworzony wobec modelu 1 ms wobec 2 ms wobec 4 ms wobec 16 ms | 1,3 wobec 2,13 wobec 2,25 wobec 2,28 wobec 2,35 | Dementyev i in., artykuł o hearables poniżej milisekundy, arXiv 2025 |
| SI-SDR na CHiME-2: model 1 ms wobec 2 ms wobec 16 ms | 8,0 dB wobec 11,10 dB wobec 12,98 dB | Dementyev i in., artykuł o hearables poniżej milisekundy, arXiv 2025 |
| Moc obliczeniowa modelu 1 ms wobec modelu overlap-add 16 ms | 840 MIPS wobec 105 MIPS | Dementyev i in., artykuł o hearables poniżej milisekundy, arXiv 2025 |
| Proponowany model Deep FIR 1,25 ms: parametry, moc obliczeniowa, opóźnienie całkowite na NXP i.MX RT600 | 626k parametrów; 376 MIPS; 3,35 ms | Dementyev i in., artykuł o hearables poniżej milisekundy, arXiv 2025 |
| PESQ jednego mikrofonu, system z oknem prostokątnym: nieprzetworzony wobec 4 ms wobec 2 ms wobec 0 ms (predykcja z wyprzedzeniem) | 1,44 wobec 1,8997 wobec 1,84575 wobec 1,7138 | Wang i in. (CMU, MERL), IEEE/ACM TASLP 2022 |
| SI-SDR jednego mikrofonu, system z oknem prostokątnym, przy 4 ms wobec 0 ms (predykcja z wyprzedzeniem) | 2,8341 dB wobec -3,6493 dB | Wang i in. (CMU, MERL), IEEE/ACM TASLP 2022 |
| PESQ sześciu mikrofonów przy 4 ms wobec 2 ms (ten sam dwuetapowy system) | 2,698490 wobec 2,47482 | Wang i in. (CMU, MERL), IEEE/ACM TASLP 2022 |
| Test rozmiaru okna DeepFilterNet: od jakiego punktu zespolone maski ilorazowe zaczynają tracić jakość | okna FFT 20 ms lub krótsze (filtrowanie głębokie pozostaje stabilne od 5 do 30 ms) | Schröter i in., artykuł o DeepFilterNet, ICASSP 2022 |
Uwaga o wartościach odstających: modele 1 ms i krótsze z badania hearables nie mogły działać w czasie rzeczywistym na docelowym procesorze DSP, więc ich wartości opóźnienia całkowitego są szacunkami autorów.
Podsumowanie: opóźnienia neuronowego tłumienia szumów i izolacji głosu AI w liczbach
| Metryka | Wartość | Źródło |
|---|---|---|
| Model Deep FIR dla hearables działający w czasie rzeczywistym na procesorze DSP o niskim poborze mocy | 1,25 ms algorytmicznie, 3,35 ms całkowicie | Dementyev i in., arXiv 2025 |
| Rozmiar ślepego testu ICASSP 2026 URGENT | 840 próbek, w tym 5 niewidzianych języków | Li i in., artykuł o ICASSP 2026 URGENT Challenge |
| Wagi RNNoise | 87 503 | Mozilla, artykuł o RNNoise, MMSP 2018 |
| Parametry i moc obliczeniowa GTCRN | 23,7K; 39,6 MMACs na sekundę | Rong i in., GTCRN, ICASSP 2024 |
| Parametry i wyprzedzenie UL-UNAS | 169k; 0 ms | Rong i in., UL-UNAS, Neural Networks 2025 |
| PESQ na VoiceBank+DEMAND, sygnał zaszumiony wobec DeepFilterNet3 | 1,97 wobec 3,17 | Schröter i in., artykuły o DeepFilterNet2 i DeepFilterNet3 |
| Czas Denoiser v2 p95 na ramkę 10 ms na laptopowym GPU (deklaracja producenta) | 0,410 ms | NVIDIA, przewodnik wydajności Maxine AFX SDK |
| MOS słuchaczy PercepNet wobec sygnału zaszumionego na VCTK | 4,05 wobec 3,40 | Valin i in., artykuł o PercepNet, Interspeech 2020 |
| Rozmiar zwycięzcy URGENT 2025 wobec modelu bazowego | około 102M wobec 8,5M parametrów | Saijo i in., artykuł o URGENT 2025 Challenge |
| System generatywny URGENT 2025: MOS słuchaczy wobec miejsca ogólnego | 3,69 (najwyższy) wobec 13. miejsca | Saijo i in., artykuł o URGENT 2025 Challenge |
| Ważne zespoły ICASSP 2026 URGENT | 29 | Li i in., artykuł o ICASSP 2026 URGENT Challenge |
| PESQ jednego mikrofonu przy opóźnieniu 4 ms wobec 0 ms | 1,8997 wobec 1,7138 | Wang i in., IEEE/ACM TASLP 2022 |
| Najnowsza edycja ITU-T P.835 | P.835 (07/26), obowiązująca (wstępnie opublikowana) | Strona rekomendacji ITU-T P.835 |
| Obowiązująca edycja ITU-T P.808 | P.808 (06/21) | Strona rekomendacji ITU-T P.808 |
| Rozmiar modelu RNNoise z wagami 8-bitowymi | 85 kB | Xiph.Org, strona demonstracyjna RNNoise 2017 |
| Szybkość RNNoise na x86 | około 60x szybciej niż w czasie rzeczywistym | Xiph.Org, strona demonstracyjna RNNoise 2017 |
Metodologia i źródła
- Microsoft (artykuły Research i dokumentacja Learn): artykuł o ICASSP 2021 DNS Challenge (2020), artykuł o Interspeech 2021 DNS Challenge (2021), artykuł o ICASSP 2022 DNS Challenge (2022), artykuł o ICASSP 2023 DNS Challenge (2023), Reddy i in. DNSMOS (2020) i DNSMOS P.835 (2021) oraz strona administratora izolacji głosu w Teams (aktualizacja 2026).
- ITU-T, Rekomendacja P.835 i Rekomendacja P.808, dostęp w październiku 2026.
- Mozilla, artykuł o RNNoise (MMSP 2018) i strona demonstracyjna RNNoise Xiph.Org (2017).
- Valin i in., artykuł o PercepNet (Interspeech 2020).
- Schröter i in., DeepFilterNet (ICASSP 2022), DeepFilterNet2 (2022) i DeepFilterNet3 (Interspeech 2023).
- Rong i in., GTCRN (ICASSP 2024) i UL-UNAS (Neural Networks 2025).
- Wang i in. (CMU, MERL), STFT-Domain Neural Speech Enhancement with Very Low Algorithmic Latency (IEEE/ACM TASLP 2022).
- Dementyev i in., Towards Sub-millisecond Latency Real-Time Speech Enhancement Models on Hearables (arXiv v2, marzec 2025).
- Saijo i in., Interspeech 2025 URGENT Challenge (2025) oraz Li i in., ICASSP 2026 URGENT Challenge (2026).
- NVIDIA, przewodnik wydajności Maxine AFX SDK i strona efektu denoisera (dokumentacja producenta, oznaczona jako deklaracje producenta).
- Uwaga o danych: większość danych z DNS Challenge pochodzi z lat 2020-2023; artykuł o ICASSP 2023 jest najnowszym raportem z DNS Challenge, jaki znaleźliśmy, więc to najnowsze dostępne dane dla tej serii testów porównawczych. PESQ RNNoise na VoiceBank+DEMAND wynosi 2,33 w tabeli DeepFilterNet2, ale 2,29 w tabelach PercepNet i UL-UNAS. GTCRN występuje jako 23,7K parametrów i 39,6 MMACs w streszczeniu ICASSP 2024, ale artykuł o UL-UNAS przytacza zaktualizowane dane z repozytorium: 48k parametrów i 34 MMACs. DeepFilterNet2 podaje RTF 0,04, a DeepFilterNet3 RTF 0,19 (jeden wątek) na tym samym Core i5-8250U, więc ustawienia wielowątkowości lub pomiaru się różnią. Artykuł o hearables podaje 0,32 ms w streszczeniu i 0,34 ms we wstępie dla najkrótszego opóźnienia. Wartości z artykułu CMU i MERL o niskim opóźnieniu są przytaczane z dokładnością podaną w jego tabelach. Dane producenta dla GPU pochodzą z jednego laptopowego GPU i nie są gwarancjami. Wartości SIG, BAK i OVRL dla poszczególnych zespołów w edycjach DNS z 2022 i 2023 roku istnieją tylko w postaci wykresów, więc ich nie przepisywaliśmy. Pełny tekst ITU-T P.835 (07/26) nie był jeszcze publiczny.
Ostatnia aktualizacja: 25 października 2026 roku. Aktualizujemy to zestawienie kwartalnie, a kolejnego odświeżenia spodziewamy się, gdy staną się dostępne materiały pokonferencyjne ICASSP 2026 URGENT Challenge i opublikowany tekst ITU-T P.835 (07/26).