Rozdzielanie mowy dwóch mówców w teście WSJ0-2mix poprawiło się z około 6 dB zysku sygnału w klasteryzacji głębokiej w 2015 roku do 25,1 dB SI-SNRi w 2024 roku (Hershey i in., arXiv 2015; SepReformer, NeurIPS 2024), a ten skok zmienił ‘problem przyjęcia koktajlowego’ z laboratoryjnej ciekawostki w funkcje aparatów słuchowych i zestawów słuchawkowych dostępne w sprzedaży. Haczyk polega na tym, że czyste testy schlebiają modelom: Conv-TasNet spada z 15,3 dB na czystych mieszaninach do 8,3 dB po dodaniu hałasu i pogłosu (praca o MossFormer2, arXiv 2312.11825, tabele porównawcze). Popyt jest ogromny: 430 milionów osób potrzebuje rehabilitacji z powodu niepełnosprawiającego ubytku słuchu (nota informacyjna WHO, marzec 2026). Zebraliśmy dane z recenzowanych prac na arXiv, IEEE ICASSP, Interspeech i NeurIPS, z wyzwań Microsoftu DNS i NOTSOFAR-1, Google Research, MERL, WHO, FDA, MarkeTrak 2025 oraz z grup badawczych Uniwersytetu Waszyngtońskiego i Uniwersytetu Columbia. O konsumenckiej stronie tej samej technologii przeczytasz w naszych statystykach separatorów dźwięku AI.
TL;DR
- Najlepszy wynik WSJ0-2mix dla dwóch mówców: 25,1 dB SI-SNRi (SepReformer-L z dynamicznym miksowaniem, NeurIPS 2024; TF-Locoformer L, MERL 2024).
- Klasteryzacja głęboka dała w 2015 roku około 6 dB poprawy na mieszaninach mówców (Hershey i in., arXiv 1508.04306).
- Conv-TasNet osiągnął 15,3 dB SI-SNRi przy 5,1 mln parametrów i minimalnym opóźnieniu 2 ms (Luo i Mesgarani, IEEE/ACM TASLP 2019).
- SepReformer-B osiąga 23,8 dB przy 39,8 GMACs/s, a TF-GridNet 23,5 dB przy 460,8 GMACs/s (SepReformer, NeurIPS 2024).
- SepFormer potrzebuje 35,3 GB szczytowej pamięci treningowej wobec 2,0 GB w SepMamba (S) (praca o SepMamba, 2024).
- Conv-TasNet uzyskuje 15,3 dB na czystych danych, 12,7 dB na zaszumionych (WHAM!) i 8,3 dB na zaszumionych z pogłosem (WHAMR!) (praca o MossFormer2, 2024).
- Rozdzielanie obniżyło współczynnik błędów słów w LibriCSS przy 40% nakładania z 43,3% do 21,7% (Chen i in., Microsoft, 2020).
- Najlepszy wielokanałowy system NOTSOFAR-1: tcpWER 10,8% wobec 28,3% w systemie bazowym (podsumowanie NOTSOFAR-1, 2025).
- Model VoiceFilter-Lite o rozmiarze 2,2 MB, działający na urządzeniu, poprawił WER na nakładającej się mowie o 25,1% (Google Research, 2020).
- 430 milionów osób potrzebuje rehabilitacji z powodu niepełnosprawiającego ubytku słuchu, a do 2050 roku liczba ta przekroczy 700 milionów (WHO, marzec 2026).
- Odsetek użytkowników aparatów słuchowych wśród Amerykanów z trudnościami ze słuchem sięgnął 51,3%, wobec 46,9% w 2022 roku (MarkeTrak 2025).
- UW Target Speech Hearing: 21 osób oceniło zarejestrowany głos jako niemal dwa razy wyraźniejszy niż nieprzefiltrowany dźwięk (Uniwersytet Waszyngtoński, CHI 2024).
1. Dekada postępu w teście WSJ0-2mix
Test WSJ0-2mix zrobił dla rozdzielania mowy to, co ImageNet dla widzenia komputerowego: stały cel, dzięki któremu postęp całej dekady dało się zmierzyć. Najlepszy wynik dla dwóch mówców wzrósł z około 6 dB poprawy sygnału w 2015 roku do 25,1 dB SI-SNRi w 2024 roku, a skala decybelowa jest logarytmiczna, więc każde dodatkowe 3 dB mniej więcej o połowę zmniejsza energię resztkowych zakłóceń. Najważniejszy skok nastąpił w 2018 roku, gdy Conv-TasNet porzucił maski spektrogramowe i zaczął pracować na surowej fali dźwiękowej. Stał się pierwszym systemem, który pokonał idealne maski czasowo-częstotliwościowe, od dawna uważane za praktyczny pułap (Conv-TasNet, Luo i Mesgarani).
Od tamtej pory krzywa się spłaszczyła. Zyski z lat 2021 do 2024 przychodziły w krokach rzędu 1 dB, a dwa najlepsze modele z 2024 roku remisują z wynikiem 25,1 dB. Dziedzina w praktyce nasyciła własny test, dlatego najnowsze prace konkurują wydajnością i odpornością (sekcje 2 i 3).
| Metryka | Wartość | Źródło |
|---|---|---|
| Klasteryzacja głęboka, mieszaniny mówców (2015) | Około 6 dB poprawy | Hershey i in., Deep Clustering, arXiv 2015 |
| Ulepszona klasteryzacja głęboka, dwóch mówców (2016) | 10,3 dB poprawy SDR (wartość bazowa 6,0 dB) | Isik i in., arXiv 1607.02173, 2016 |
| Conv-TasNet (2018) | 15,3 dB SI-SNRi, 15,6 dB SDRi | Luo i Mesgarani, IEEE/ACM TASLP 2019 |
| DPRNN (2019) | 18,8 dB SI-SDRi | Luo, Chen i Yoshioka, ICASSP 2020 |
| SepFormer z dynamicznym miksowaniem (2020) | 22,3 dB SI-SNRi | Subakan i in., ICASSP 2021 |
| TF-GridNet, bez augmentacji danych (2022) | 23,5 dB SI-SDRi | Praca o TF-GridNet, arXiv 2211.12433 |
| MossFormer2 (2023) | 24,1 dB SI-SDRi | Praca o MossFormer2, arXiv 2312.11825 |
| SepReformer-L i TF-Locoformer (L), oba z dynamicznym miksowaniem (2024) | 25,1 dB SI-SNRi | SepReformer, NeurIPS 2024; Saijo i in., MERL 2024 |
Porównanie z idealnymi maskami sprawiło, że Conv-TasNet stał się przełomem. Na tym samym zbiorze testowym idealna maska binarna uzyskała 13,0 dB SI-SNRi, idealna maska współczynnikowa 12,2 dB, a maska zbliżona do filtru Wienera 13,4 dB, wszystkie poniżej 15,3 dB Conv-TasNet. Słuchacze potwierdzili ten wynik: wyjście Conv-TasNet otrzymało średnią ocenę opinii (MOS) 4,03 wobec 3,51 dla idealnej maski współczynnikowej.
| Metryka | Wartość | Źródło |
|---|---|---|
| Idealna maska binarna (IBM) | 13,0 dB SI-SNRi | Praca o Conv-TasNet, 2019 |
| Idealna maska współczynnikowa (IRM) | 12,2 dB SI-SNRi | Praca o Conv-TasNet, 2019 |
| Maska zbliżona do filtru Wienera (WFM) | 13,4 dB SI-SNRi | Praca o Conv-TasNet, 2019 |
| MOS słuchaczy: Conv-TasNet wobec IRM | 4,03 wobec 3,51 | Praca o Conv-TasNet, 2019 |
| Rozmiar WSJ0-2mix | 30 godz. trening, 10 godz. walidacja, 5 godz. test | Praca o Conv-TasNet, 2019 |
| Zakres miksowania | Losowy SNR od -5 do 5 dB | Praca o Conv-TasNet, 2019 |
Uwaga kontekstowa: ‘dynamiczne miksowanie’ (DM) tworzy nowe mieszaniny treningowe w locie i dodaje około 1 do 2 dB. SepFormer uzyskuje 22,3 dB z DM i 20,4 dB bez niego, więc porównując prace, trzeba najpierw sprawdzić tę flagę (SepFormer, arXiv 2010.13154). Najnowsze dostępne dane o wynikach bazowych z lat 2015 do 2019 pochodzą z oryginalnych prac.
2. Wydajność: parametry, moc obliczeniowa, pamięć i opóźnienie
Dokładność się zatrzymała, więc wyścig zbrojeń przeniósł się na koszt. SepReformer-B osiąga 23,8 dB SI-SNRi przy 39,8 GMACs na sekundę dźwięku, podczas gdy TF-GridNet potrzebuje 460,8 GMACs/s dla 23,5 dB, czyli ponad jedenastokrotnie więcej mocy obliczeniowej za nieco lepszy wynik (SepReformer, NeurIPS 2024). Liczba parametrów opowiada podobną historię: DPRNN dorównał w 2019 roku stanowi wiedzy modelem 20 razy mniejszym niż poprzedni najlepszy system.
Pamięć to ukryty koszt, który decyduje o tym, kto może trenować takie modele. SepFormer osiąga szczyt 35,3 GB pamięci, a SepMamba (S), który wciąż uzyskuje 21,2 dB, tylko 2,0 GB (SepMamba, Duński Uniwersytet Techniczny i WS Audiology, 2024). W przypadku czegokolwiek, co działa na telefonie, zestawie słuchawkowym lub aparacie słuchowym, ta różnica rozstrzyga, czy projekt nadaje się do wdrożenia.
| Metryka | Wartość | Źródło |
|---|---|---|
| SepReformer-T | 22,4 dB przy 3,7 mln parametrów, 10,4 GMACs/s | SepReformer, NeurIPS 2024 |
| SepReformer-B | 23,8 dB przy 14,2 mln parametrów, 39,8 GMACs/s | SepReformer, NeurIPS 2024 |
| SepReformer-L z DM | 25,1 dB przy 55,3 mln parametrów, 155,5 GMACs/s | SepReformer, NeurIPS 2024 |
| TF-GridNet | 23,5 dB przy 14,5 mln parametrów, 460,8 GMACs/s | SepReformer, NeurIPS 2024 (tabela porównawcza) |
| QDPN | 200,0 mln parametrów | Praca o TF-GridNet, 2022 |
| MossFormer2 | 55,7 mln parametrów, współczynnik czasu rzeczywistego 0,053 | Praca o MossFormer2, 2023 |
| DPRNN | 2,6 mln parametrów, 20 razy mniejszy niż poprzedni najlepszy | Luo i in., ICASSP 2020 |
| Minimalne opóźnienie Conv-TasNet | 2 ms (wobec okna STFT 32 ms) | Praca o Conv-TasNet, 2019 |
| Metryka | Wartość | Źródło |
|---|---|---|
| Szczytowa pamięć SepFormer | 35,30 GB | Praca o SepMamba, 2024 |
| Szczytowa pamięć MossFormer2 z DM | 12,30 GB | Praca o SepMamba, 2024 |
| SepMamba (S) | 21,2 dB, 7,2 mln parametrów, 2,00 GB szczytowej pamięci | Praca o SepMamba, 2024 |
| SepMamba (M) | 22,7 dB, 22 mln parametrów, 3,04 GB szczytowej pamięci | Praca o SepMamba, 2024 |
| EConv-TasNet (wrzesień 2026) | 18,4 dB przy 3,8 mln parametrów | Liu, Novatek, arXiv 2609.11342 |
| EConv-TasNet wobec Conv-TasNet | o 22,4% mniejszy, wnioskowanie o 18,9% szybsze | Liu, arXiv 2609.11342 |
Uwaga o odstępstwie: najnowsza praca w tym zestawieniu, EConv-TasNet od producenta układów Novatek (wrzesień 2026), wcale nie goni za rekordem 25 dB. Celuje we wdrożenia brzegowe, dodając do Conv-TasNet 3,1 dB przy mniejszej liczbie parametrów (EConv-TasNet). To dobry sygnał, gdzie leży zainteresowanie komercyjne.
3. Odporność w realnych warunkach: hałas, pogłos i więcej mówców
Czysta mowa czytana w studiu, miksowana na kontrolowanych poziomach, to nie restauracja. Conv-TasNet traci 7 dB, gdy jego mieszaniny testowe zyskują prawdziwy hałas otoczenia i pogłos: 15,3 dB na WSJ0-2mix, 12,7 dB na WHAM! i 8,3 dB na WHAMR! (tabele porównawcze MossFormer2). WHAM! dodaje hałas nagrany w kawiarniach, restauracjach i barach w rejonie zatoki San Francisco, a jego autorzy zauważają, że większość badań nad rozdzielaniem korzystała z ograniczonej konfiguracji z niskimi częstotliwościami próbkowania i bez hałasu tła (WHAM!, Interspeech 2019).
Nowsze modele zmniejszają znaczną część tej luki, ale nie całą. Najlepsze wyniki z pogłosem plasują się na poziomie 17 do 18,5 dB, wciąż 6 do 7 dB poniżej czystego testu. Trzeci mówca kosztuje ten sam model kolejne 1,9 do 2,8 dB (MossFormer2: od 24,1 do 22,2 dB; SepFormer: od 22,3 do 19,5 dB), a autorzy LibriMix wykazali, że modele trenowane na WSJ0-2mix wypadają znacząco gorzej na podobnych zbiorach, dlatego LibriMix zbudowano z mowy LibriSpeech plus hałasu WHAM! (LibriMix, Interspeech 2020).
| Metryka | Wartość | Źródło |
|---|---|---|
| Conv-TasNet: WSJ0-2mix / WHAM! / WHAMR! | 15,3 / 12,7 / 8,3 dB SI-SDRi | Praca o MossFormer2, 2023 |
| SepFormer: WHAM! / WHAMR! | 16,4 / 14,0 dB | Praca o MossFormer2, 2023 |
| MossFormer2: WHAM! / WHAMR! | 18,1 / 17,0 dB | Praca o MossFormer2, 2023 |
| SepReformer-L z DM: WHAM! / WHAMR! | 18,5 / 17,2 dB | SepReformer, NeurIPS 2024 |
| TF-Locoformer (M): WHAMR! | 18,5 dB | Saijo i in., MERL 2024 |
| TF-GridNet, 6-kanałowy SMS-WSJ (pełny potok) | 22,8 dB SI-SDR, PESQ 4,08 | Praca o TF-GridNet, 2022 |
| Metryka | Wartość | Źródło |
|---|---|---|
| Trzech mówców, Conv-TasNet (WSJ0-3mix) | 12,7 dB SI-SNRi | Praca o Conv-TasNet, 2019 |
| Trzech mówców, SepFormer (WSJ0-3mix) | 19,5 dB SI-SNRi | Praca o SepFormer, 2020 |
| Trzech mówców, MossFormer2 (WSJ0-3mix) | 22,2 dB SI-SDRi | Praca o MossFormer2, 2023 |
| Trzech mówców, ulepszona klasteryzacja głęboka (2016) | 7,1 dB poprawy SDR | Isik i in., 2016 |
| Libri2Mix: Conv-TasNet / SepFormer / MossFormer2 | 14,7 / 19,2 / 21,7 dB | Praca o MossFormer2, 2023 |
| Libri2Mix: SepReformer-M / TF-Locoformer (M) | 22,1 / 22,1 dB | SepReformer, 2024; Saijo i in., 2024 |
Zastrzeżenie: sam test ma wadę. Badanie z 2025 roku, przyjęte na IEEE ASRU, wykazało, że szum w sygnałach referencyjnych WSJ0-2mix ogranicza osiągalny SI-SDR, a SI-SDR był ujemnie skorelowany z postrzeganym zaszumieniem w różnych zbiorach testowych (Jepsen i in., arXiv 2508.14623). Część ostatniego decybela ‘postępu’ może wynikać z tego, że modele uczą się odtwarzać zaszumione sygnały referencyjne.
4. Rozdzielanie na potrzeby spotkań i rozpoznawania mowy
W transkrypcji decybele liczą się mniej niż słowa. W zbiorze LibriCSS firmy Microsoft uruchomienie rozdzielania przed rozpoznawaniem obniżyło współczynnik błędów słów przy 40% nakładania mówców z 43,3% do 21,7%, prawie nie zmieniając wyników dla dźwięku bez nakładania (z 11,8% do 8,4%) (Chen i in., Ciągłe rozdzielanie mowy, 2020). Ci sami autorzy ostrzegają, że metryki na poziomie sygnału są tylko słabo skorelowane z dokładnością ASR lub postrzeganą jakością, dlatego testy spotkań oceniają słowa, a nie SI-SNR. Nasze statystyki asystentów spotkań AI pokazują, jak szybko rośnie rynek zależny od tej dokładności.
| Metryka | Wartość | Źródło |
|---|---|---|
| Rozmiar LibriCSS | 10 godzin, 10 sesji, nakładanie od 0% do 40% | Chen i in., Microsoft, 2020 |
| WER przy 10% nakładania: bez rozdzielania wobec z rozdzielaniem | 18,8% wobec 11,6% | Chen i in., 2020 (na poziomie wypowiedzi, 7 kanałów) |
| WER przy 20% nakładania | 27,2% wobec 15,8% | Chen i in., 2020 |
| WER przy 30% nakładania | 35,6% wobec 18,7% | Chen i in., 2020 |
| WER przy 40% nakładania | 43,3% wobec 21,7% | Chen i in., 2020 |
| WER przy 40% nakładania, wejście ciągłe | 40,5% wobec 21,9% | Chen i in., 2020 |
| ASR z klasteryzacją głęboką na mieszaninach dwóch mówców | WER spadł z 89,1% do 30,8% | Isik i in., 2016 |
Prawdziwe spotkania są trudniejsze niż symulowane. Wyzwanie NOTSOFAR-1 firmy Microsoft, prowadzone w ramach CHiME-8, rejestrowało spotkania z 4 do 8 uczestnikami w 30 pomieszczeniach. Zwycięski system jednokanałowy nadal błędnie rozpoznawał 22,2% słów (tcpWER z ograniczeniem czasowym), wobec 10,8% dla najlepszego systemu wielokanałowego (podsumowanie NOTSOFAR-1, arXiv 2501.17304). Macierze mikrofonów pozostają największą pojedynczą dźwignią, a organizatorzy ustalili, że kierowane rozdzielanie źródeł wciąż dominuje wśród technik rozdzielania w zwycięskich potokach.
| Metryka | Wartość | Źródło |
|---|---|---|
| Nagrane spotkania NOTSOFAR-1 | 315 unikalnych spotkań w języku angielskim, 30 pomieszczeń, 4-8 uczestników | Podsumowanie NOTSOFAR-1, 2025 |
| Symulowane dane treningowe | Około 1000 godzin, 15 000 rzeczywistych akustycznych funkcji przejścia | Podsumowanie NOTSOFAR-1, 2025 |
| Jednokanałowy: najlepszy wobec bazowego tcpWER | 22,2% wobec 41,4% | Podsumowanie NOTSOFAR-1, 2025 |
| Wielokanałowy: najlepszy wobec bazowego tcpWER | 10,8% wobec 28,3% | Podsumowanie NOTSOFAR-1, 2025 |
| Zgłoszenia: ścieżka jednokanałowa / wielokanałowa | 9 / 5 | Podsumowanie NOTSOFAR-1, 2025 |
| Rozmiar modelu VoiceFilter-Lite na urządzeniu | 2,2 MB (skwantyzowany) | Google Research, listopad 2020 |
| Poprawa WER dzięki VoiceFilter-Lite, nakładająca się mowa | 25,1% (14,7% z pogłosem) | Google Research, listopad 2020 |
Uwaga kontekstowa: wyniki VoiceFilter-Lite od Google (2020) to najnowsze dostępne publiczne dane o działaniu na urządzeniu od dużej platformy. Systemy wdrażane od tamtej pory rzadko publikują wyniki na poziomie słów.
5. Stawka dla zdrowia słuchu
Problem przyjęcia koktajlowego nie jest akademicki dla osób, które z nim żyją. WHO szacuje, że 430 milionów osób, ponad 5% światowej populacji, potrzebuje rehabilitacji z powodu niepełnosprawiającego ubytku słuchu, i prognozuje ponad 700 milionów do 2050 roku (nota informacyjna WHO o głuchocie i utracie słuchu, marzec 2026). Samo wzmocnienie podnosi głośność wszystkich rozmówców w zatłoczonym pomieszczeniu naraz, dlatego rozdzielanie oparte na DNN jest dziś główną funkcją aparatów słuchowych z wyższej półki. Nasze statystyki aparatów słuchowych opisują sam rynek urządzeń.
| Metryka | Wartość | Źródło |
|---|---|---|
| Osoby potrzebujące rehabilitacji z powodu niepełnosprawiającego ubytku słuchu | 430 milionów (ponad 5% światowej populacji) | Nota informacyjna WHO, marzec 2026 |
| Dzieci z niepełnosprawiającym ubytkiem słuchu | 34 miliony | Nota informacyjna WHO, marzec 2026 |
| Osoby z jakimś ubytkiem słuchu do 2050 roku | Prawie 2,5 miliarda | Nota informacyjna WHO, marzec 2026 |
| Osoby potrzebujące rehabilitacji do 2050 roku | Ponad 700 milionów (1 na 10) | Nota informacyjna WHO, marzec 2026 |
| Niepełnosprawiający ubytek słuchu wśród osób powyżej 60. roku życia | Ponad 25% | Nota informacyjna WHO, marzec 2026 |
| Roczny globalny koszt nieleczonego ubytku słuchu | Prawie 1 bilion USD | Nota informacyjna WHO, marzec 2026 |
| Odsetek mieszkający w krajach o niskich i średnich dochodach | Prawie 80% | Nota informacyjna WHO, marzec 2026 |
Odsetek użytkowników rośnie. MarkeTrak 2025, oparty na badaniu 16 148 gospodarstw domowych i 42 982 osób w USA w październiku i listopadzie 2024 roku, wykazał, że odsetek użytkowników aparatów słuchowych wśród osób zgłaszających trudności ze słuchem sięgnął 51,3%, wobec 46,9% w 2022 roku, a ogólna satysfakcja z urządzeń wyniosła 83% (MarkeTrak 2025, Seminars in Hearing). Do tej kategorii wchodzą też słuchawki konsumenckie: we wrześniu 2024 roku FDA autoryzowała pierwsze oprogramowanie aparatu słuchowego dostępne bez recepty, funkcję aparatu słuchowego Apple dla AirPods Pro (komunikat prasowy FDA).
| Metryka | Wartość | Źródło |
|---|---|---|
| Odsetek użytkowników aparatów słuchowych w USA, osoby z trudnościami ze słuchem | 51,3% (46,9% w 2022 roku) | MarkeTrak 2025 |
| Zgłaszane trudności ze słuchem, USA | 9,1% | MarkeTrak 2025 |
| Satysfakcja właścicieli aparatów słuchowych | 83% | MarkeTrak 2025 |
| Badanie kliniczne FDA oprogramowania aparatu słuchowego bez recepty | 118 uczestników, ubytek łagodny do umiarkowanego | FDA, 12 września 2024 |
| Phonak Spheric Speech Clarity 2.0 (DNN) | Poprawa SNR o 10,2 dB w realnych scenariuszach | Artykuł ekspercki w AudiologyOnline, 2026 |
| Phonak Spheric Speech Clarity 2.0 | Do 37% mniejszy wysiłek słuchowy, 30% większa efektywność | Artykuł ekspercki w AudiologyOnline, 2026 |
| Badanie Mayo Clinic i Sonova, redukcja szumu DNN przy SNR 10 dB | +23 i +32 punkty procentowe rozpoznawania mowy | Audiology Research, 2024 |
| To samo badanie, korzyść SNR w programie na głośny hałas | 4,8 do 5,0 dB | Audiology Research, 2024 |
Zastrzeżenie: deklaracje producentów dotyczące SNR pochodzą z testów prowadzonych przez samych producentów, a niezależne badanie Mayo Clinic i Sonova objęło tylko 10 uczestników. Dane Phonaka przytaczane są za sesją pytań i odpowiedzi z ekspertem w AudiologyOnline, a nie za recenzowaną pracą naukową.
6. Granica możliwości: wybór głosu, który chcemy słyszeć
Rozdzielenie każdego głosu to tylko połowa problemu; urządzenie musi też wiedzieć, który głos chce usłyszeć słuchacz. Prototyp Target Speech Hearing z Uniwersytetu Waszyngtońskiego rejestruje mówcę, gdy użytkownik patrzy na niego przez 3 do 5 sekund, a 21 osób testowych oceniło wyraźność tego głosu jako niemal dwa razy wyższą niż nieprzefiltrowanego dźwięku (UW News, maj 2024). Kontynuacja z grudnia 2025 roku zrezygnowała ze spojrzenia: jej ‘proaktywny asystent słuchu’ wykrywa rozmówców po rytmie wymiany głosu w 2 do 4 sekundach dźwięku (UW News, grudzień 2025).
Testowane są też inne wskazówki. Model Looking to Listen od Google z 2018 roku wykorzystywał ruchy warg i był trenowany na klipach pochodzących ze 100 000 filmów z YouTube (blog Google Research). Podejście Uniwersytetu Columbia sterowane mózgiem porównuje rozdzielone głosy z sygnałami neuronowymi: wersję z 2019 roku przetestowano na trzech pacjentach neurochirurgicznych (Science Advances, 2019), a badanie z maja 2026 roku w Nature Neuroscience opisało pierwsze testy systemu czasu rzeczywistego na ludziach (Instytut Zuckermana Uniwersytetu Columbia przez EurekAlert). Spersonalizowana rejestracja jest też standardem w komunikacji: piąte wyzwanie Microsoftu Deep Noise Suppression poprosiło modele o tłumienie sąsiednich mówców na podstawie 10 do 30 sekund nagrania rejestrującego (wyzwanie DNS ICASSP 2023). To samo oczyszczanie z uwzględnieniem mówcy sprawia, że na czacie głosowym Discord rozmowa pozostaje zrozumiała, gdy w tle mówi współlokator.
| Metryka | Wartość | Źródło |
|---|---|---|
| UW Target Speech Hearing: czas rejestracji | 3 do 5 sekund patrzenia na mówcę | Uniwersytet Waszyngtoński, CHI 2024 |
| UW Target Speech Hearing: uczestnicy i ocena wyraźności | 21 osób, niemal 2 razy wyraźniej niż bez filtrowania | Uniwersytet Waszyngtoński, CHI 2024 |
| UW Target Speech Hearing: tolerancja kierunku | Margines błędu 16 stopni | Uniwersytet Waszyngtoński, 2024 |
| Proaktywny asystent słuchu UW: potrzebny dźwięk | 2 do 4 sekund | Uniwersytet Waszyngtoński, EMNLP 2025 |
| Proaktywny asystent słuchu UW: rozmówcy i testerzy | 1 do 4 rozmówców; 11 uczestników oceniło go ponad 2 razy korzystniej | Uniwersytet Waszyngtoński, grudzień 2025 |
| Proaktywny asystent słuchu UW: języki treningowe | angielski, mandaryński, japoński | Uniwersytet Waszyngtoński, grudzień 2025 |
| Google Looking to Listen: źródło treningowe | 100 000 filmów, około 2000 godzin czystych klipów | Blog Google Research, kwiecień 2018 |
| Sterowany mózgiem system słuchu Columbia (2019) | 3 pacjentów neurochirurgicznych | Han i in., Science Advances, 2019 |
| Metryka | Wartość | Źródło |
|---|---|---|
| Edycja wyzwania DNS na ICASSP 2023 | 5. | Dubey i in., Microsoft, 2023 |
| Format dźwięku DNS 2023 | Pełne pasmo 48 kHz | Dubey i in., 2023 |
| Nagranie rejestrujące DNS 2023 | 10 do 30 sekund głównego mówcy | Dubey i in., 2023 |
| Zysk zwycięskiego wyniku DNS 2023 względem zaszumionego wejścia | 0,145 (zestaw słuchawkowy) i 0,141 (zestaw głośnomówiący) | Dubey i in., 2023 |
| TF-Locoformer (M) na poprawie jakości DNS 2020 | 23,3 dB SI-SNR, STOI 98,8, PESQ-WB 3,72 | Saijo i in., MERL 2024 |
Uwaga o odstępstwie: zespół UW twierdzi, że system proaktywny radzi sobie najgorzej, gdy rozmowy stają się dynamiczne, a uczestnicy przekrzykują się nawzajem, czyli właśnie w przypadku przyjęcia koktajlowego. Zainteresowanie słuchawkami z redukcją hałasu daje tym funkcjom gotową bazę sprzętową.
Podsumowanie: rozdzielanie mowy i problem przyjęcia koktajlowego w liczbach
| Metryka | Wartość | Źródło |
|---|---|---|
| Najlepszy wynik WSJ0-2mix | 25,1 dB SI-SNRi | SepReformer-L, NeurIPS 2024; TF-Locoformer (L), MERL 2024 |
| Klasteryzacja głęboka, 2015 | Około 6 dB poprawy | Hershey i in., 2015 |
| Conv-TasNet, 2018 | 15,3 dB SI-SNRi, 5,1 mln parametrów | Luo i Mesgarani, 2019 |
| SepFormer z dynamicznym miksowaniem / bez niego | 22,3 / 20,4 dB | SepFormer, 2021; TF-GridNet, 2022 |
| MossFormer2 | 24,1 dB, 55,7 mln parametrów | MossFormer2, 2023 |
| Minimalne opóźnienie Conv-TasNet | 2 ms | Praca o Conv-TasNet, 2019 |
| Moc obliczeniowa TF-GridNet wobec SepReformer-B | 460,8 wobec 39,8 GMACs/s | SepReformer, NeurIPS 2024 |
| Szczytowa pamięć SepFormer wobec SepMamba (S) | 35,3 GB wobec 2,0 GB | SepMamba, 2024 |
| Conv-TasNet czysty / zaszumiony / z pogłosem | 15,3 / 12,7 / 8,3 dB | MossFormer2, 2023 |
| Najlepszy wynik WHAMR! (zaszumiony, z pogłosem) | 18,5 dB | TF-Locoformer (M), MERL 2024 |
| WSJ0-3mix, MossFormer2 | 22,2 dB | MossFormer2, 2023 |
| WER w LibriCSS przy 40% nakładania, bez rozdzielania wobec z rozdzielaniem | 43,3% wobec 21,7% | Microsoft, Chen i in., 2020 |
| Najlepszy wielokanałowy tcpWER w NOTSOFAR-1 | 10,8% (bazowy 28,3%) | Podsumowanie NOTSOFAR-1, 2025 |
| Najlepszy jednokanałowy tcpWER w NOTSOFAR-1 | 22,2% (bazowy 41,4%) | Podsumowanie NOTSOFAR-1, 2025 |
| Zysk WER dzięki VoiceFilter-Lite na nakładającej się mowie | 25,1% przy 2,2 MB | Google Research, 2020 |
| Osoby potrzebujące rehabilitacji słuchu | 430 milionów, ponad 700 milionów do 2050 roku | WHO, marzec 2026 |
| Odsetek użytkowników aparatów słuchowych w USA wśród osób z trudnościami | 51,3% | MarkeTrak 2025 |
| Poprawa SNR dzięki DNN Phonaka | 10,2 dB | AudiologyOnline, 2026 |
| Rejestracja w UW Target Speech Hearing | 3 do 5 sekund, 21 osób | Uniwersytet Waszyngtoński, 2024 |
| Model brzegowy EConv-TasNet | 18,4 dB przy 3,8 mln parametrów | Novatek, wrzesień 2026 |
Metodologia i źródła
Każda liczba z testów pochodzi z pracy, która ją podała, lub, tam gdzie zaznaczono, z tabeli porównawczej późniejszej pracy. Wykluczyliśmy dane, które pojawiły się tylko we fragmentach wyników wyszukiwania, w wtórnych streszczeniach lub w materiałach marketingowych producentów, których nie mogliśmy otworzyć. Agregatory rankingów wykorzystaliśmy wyłącznie do sprawdzenia, że nie opublikowano wyższego wyniku WSJ0-2mix.
- Hershey, Chen, Le Roux, Watanabe: Deep Clustering, arXiv 1508.04306 (2015)
- Isik, Le Roux, Chen, Watanabe, Hershey: Jednokanałowe rozdzielanie wielu mówców z użyciem klasteryzacji głębokiej (2016)
- Luo i Mesgarani: Conv-TasNet, IEEE/ACM TASLP (2019); tabele z pełnego tekstu odczytane przez ar5iv
- Luo, Chen, Yoshioka: Dwuścieżkowa sieć RNN, ICASSP 2020
- Subakan i in.: Uwaga to wszystko, czego potrzeba w rozdzielaniu mowy (SepFormer), ICASSP 2021
- TF-GridNet: łączenie modelowania pełnopasmowego i podpasmowego w rozdzielaniu mowy (2022)
- MossFormer2 (grudzień 2023)
- Rozdziel i zrekonstruuj: asymetryczny koder-dekoder do rozdzielania mowy (SepReformer), NeurIPS 2024
- Saijo, Wichern, Germain, Pan, Le Roux (MERL): TF-Locoformer (2024)
- Avenstrup i in. (DTU, WS Audiology): SepMamba (2024)
- Liu (Novatek): EConv-TasNet (wrzesień 2026)
- Wichern i in.: WHAM!, Interspeech 2019
- Cosentino i in.: LibriMix, Interspeech 2020
- Jepsen, Christensen, Jensen: SI-SDR z zaszumionymi sygnałami referencyjnymi, IEEE ASRU 2025
- Chen i in. (Microsoft): Ciągłe rozdzielanie mowy: zbiór danych i analiza (LibriCSS) (2020)
- Abramovski i in. (Microsoft): Podsumowanie wyzwania NOTSOFAR-1 (2025); Cornell i in.: wyzwanie CHiME-8 DASR (2024)
- Google Research: VoiceFilter-Lite (2020) i Looking to Listen (2018)
- Dubey i in. (Microsoft): wyzwanie Deep Noise Suppression ICASSP 2023
- WHO: nota informacyjna o głuchocie i utracie słuchu (marzec 2026)
- Dobyan i Kihm: MarkeTrak 2025, Seminars in Hearing
- FDA: pierwsza autoryzacja oprogramowania aparatu słuchowego dostępnego bez recepty (wrzesień 2024)
- Saoji i in. (Mayo Clinic, Sonova): redukcja szumu DNN a kwalifikacja do implantu ślimakowego, Audiology Research 2024
- AudiologyOnline: Jak rozwinęła się AI w urządzeniach Phonak Infinio?
- Uniwersytet Waszyngtoński: Target Speech Hearing (2024) i proaktywny asystent słuchu (2025)
- Uniwersytet Columbia: Han i in., Science Advances (2019) oraz komunikat o badaniu w Nature Neuroscience przez EurekAlert (maj 2026)
- Uwaga o danych: prace nie zgadzają się co do liczb bazowych. QDPN figuruje z wynikiem 22,1 dB w pracy o TF-GridNet, ale 23,6 dB w pracy o MossFormer2; Conv-TasNet na Libri2Mix pojawia się jako 14,7 dB (MossFormer2) i 12,1 dB (EConv-TasNet); moc obliczeniowa SepFormer jest podawana jako 86,9 GMACs/s (SepReformer) i 257,94 GMACs/s (SepMamba), a liczba jego parametrów jako 25,7 mln lub 26,0 mln. Różne prace stosują różne długości wejścia, częstotliwości próbkowania i narzędzia zliczające, więc porównuj wartości w obrębie jednej tabeli, a nie między tabelami. SI-SNRi i SI-SDRi są w tej literaturze używane zamiennie; wyniki klasteryzacji głębokiej z 2015 i 2016 roku wykorzystują zwykłą poprawę SDR i nie są bezpośrednio porównywalne z późniejszymi wynikami SI-SNRi. Streszczenie NOTSOFAR-1 podaje 280 nagranych spotkań, podczas gdy treść pracy opisuje 315 unikalnych spotkań podzielonych na zbiory treningowy, deweloperski i ewaluacyjny. Nie znaleźliśmy wiarygodnego publicznego szacunku wielkości rynku dotyczącego wyłącznie rozdzielania mowy, więc żadnego nie podajemy. Dane o Conv-TasNet, klasteryzacji głębokiej, Looking to Listen i VoiceFilter-Lite są starsze niż trzy lata i przedstawiono je jako najnowsze dostępne. Komunikat Columbia z 2026 roku nie zawiera wyników ilościowych; przywołujemy go wyłącznie ze względu na jego istnienie i miejsce publikacji.
Ostatnia aktualizacja: 3 października 2026 roku. Aktualizujemy to zestawienie kwartalnie, a kolejnego odświeżenia spodziewamy się po opublikowaniu zaakceptowanych prac ICASSP 2027 i wyników następnego wyzwania CHiME.