O número de cancelador de eco mais citado, o ERLE, concorda com os ouvintes humanos em uma correlação de Pearson de apenas 0,31, enquanto a métrica neural AECMOS da Microsoft chega a 0,99 nas notas de eco do lado remoto (Microsoft, artigos do AEC Challenge do ICASSP 2021 e do ICASSP 2023). Do lado das normas, a ITU-T G.168 dá a um cancelador de eco de rede cerca de 1 segundo para convergir, a 3GPP TS 26.131 exige dos headsets pelo menos 46 dB de perda de eco, e o desafio da Microsoft reduziu à metade a margem de latência, de 40 ms para 20 ms, entre 2021 e 2023. O eco também é o problema que leva as pessoas a buscar melhor hardware de sala, tema que abordamos do lado do microfone em nossas estatísticas de beamforming de microfones de teto em salas de reunião. Reunimos dados da ITU-T, da 3GPP, dos quatro artigos do AEC Challenge da Microsoft Research, da Amazon Web Services, da ByteDance, do Tongyi Lab da Alibaba, de pesquisadores independentes do arXiv e da HEAD acoustics.
TL;DR
- Os canceladores de eco de rede devem atingir a perda combinada exigida em cerca de 1 segundo no Teste 2A (ITU-T G.168, 04/2015).
- Headsets precisam de pelo menos 46 dB de perda de acoplamento do terminal ponderada em qualquer volume, com 55 dB recomendados no volume nominal (3GPP TS 26.131, Rel-19).
- O ERLE tem correlação com as notas dos ouvintes de PCC 0,31 e SRCC 0,23 (Microsoft, artigo do AEC Challenge do ICASSP 2021).
- O AECMOS tem correlação com as notas de eco do lado remoto de PCC 0,99 (Microsoft, artigo do AEC Challenge do ICASSP 2023).
- O limite de latência do desafio caiu de 40 ms de latência algorítmica em 2021 para 20 ms de latência algorítmica mais latência de buffer em 2023 (artigos e repositório do AEC Challenge da Microsoft).
- A entrada de maior pontuação do INTERSPEECH 2021 teve média de 4,43 contra 3,87 do baseline (Microsoft, resultados do AEC Challenge do INTERSPEECH 2021).
- Dispositivos móveis tiveram 0,75 MOS a menos que desktops na degradação em double talk (Microsoft, artigo do AEC Challenge do ICASSP 2022).
- O WebRTC AEC3 removeu cerca de 30 dB de eco contra 40,8 dB de um supressor neural (ByteDance, arXiv 2020).
- Um modelo de ponta a ponta de janeiro de 2026 alcançou 78,69 dB de ERLE com 1,2 milhão de parâmetros (Alibaba Tongyi Lab, E2E-AEC, arXiv 2026).
- Um pequeno modelo neural de eco e ruído roda em 0,14 ms por quadro, um fator de tempo real de 0,014 (Microsoft, DeepVQE, Interspeech 2023).
- Terminais viva-voz na melhor categoria de double talk (categoria 1) atenuam a fala enviada em no máximo 3 dB durante o double talk (HEAD acoustics, descrevendo a ITU-T P.340).
1. O Regulamento da ITU-T: Convergência, Double Talk e Testes de Vazamento
As regras centrais de telecomunicações para canceladores de eco são antigas, mas continuam em vigor. “Eco” aqui é a sua própria voz voltando para você depois de viajar até o lado remoto e vazar para o caminho de retorno. A G.168 dá a um cancelador cerca de um segundo para atingir a perda exigida, e depois continua testando se ele mantém essa perda quando as duas pessoas falam ao mesmo tempo (“double talk”, ou fala simultânea) e quando a linha fica em silêncio por minutos. Um processador não linear (NLP) é o estágio final que suprime o eco residual deixado pelo filtro adaptativo; vários testes o desligam para que o próprio filtro seja medido.
Os caminhos de eco do mundo real que esses testes modelam são curtos. Em dados de campo reproduzidos na ITU-T G.168 (04/2015), foram medidas 101 chamadas de longa distância de Montreal pela América do Norte (de junho de 1998 a abril de 1999); o histograma de 88 delas mostrou tempo médio de dispersão de 6,02 ms, e nenhuma chamada passou de 12 ms. A contraparte acústica, a G.167, foi retirada e seu conteúdo passou para a P.340 e a G.161.
| Métrica | Valor | Fonte |
|---|---|---|
| Edição da Recomendação de cancelador de eco de rede em vigor | G.168 (04/2015), mais Corrigendum 1 (12/2022) | ITU-T G.168 |
| Perda de retorno de eco mínima (a perda que o próprio caminho do eco oferece) usada nos testes; número de modelos padrão de caminho do eco | Mínimo de 6 dB; 8 modelos (m1 a m8), com mínimos de 6,55 dB, 11,06 dB e 9,27 dB para m2, m7 e m8 | ITU-T G.168 (04/2015), Anexo D |
| Convergência no Teste 2A, processador não linear ativado | Perda combinada exigida em até 1 s mais o atraso do caminho do eco e o deslocamento inicial; picos no máximo 5 dB acima do limite | ITU-T G.168 (04/2015) |
| Teste 3A, double talk com sinal do lado local 15 dB abaixo do nível do lado remoto (lado remoto de -25 a 0 dBm0) | Deve convergir em até 5 s | ITU-T G.168 (04/2015) |
| Teste 3B(a) e Teste 4: aumento do eco residual permitido durante o double talk e 2 minutos após o fim do sinal do lado remoto (teste de vazamento) | No máximo 10 dB acima do requisito de regime permanente nos dois casos | ITU-T G.168 (04/2015) |
| Situação da G.167, a Recomendação original de controladores de eco acústico (03/1993) | Retirada; substituída pela P.340 (2000) nas cláusulas 1 a 5 e pela G.161 (2002) na cláusula 6 | Registro da ITU-T G.167 |
| Edição mais recente da Recomendação de terminais viva-voz que cobre desempenho de eco e de double talk | P.340 (07/2026) | Resumo da ITU-T P.340 de 2026 |
| Faixa de frequência da Recomendação de viva-voz de banda larga em veículos | 50 a 7.000 Hz; edição em vigor P.1110 (10/2025) | ITU-T P.1110 |
Nota de contexto: dBm0 é um nível de sinal relativo a um ponto de referência na rede, portanto “-25 a 0 dBm0” significa um interlocutor remoto de voz baixa a alta. A revisão de 2026 da P.340 é nova; seu texto completo não era público na data da redação, por isso este levantamento cita apenas o resumo publicado.
2. Metas de Perda de Eco para Headsets, Viva-Voz e Redes
A perda de acoplamento do terminal (TCLw) indica quanto da voz do lado remoto, reproduzida pelo alto-falante ou fone de um dispositivo, é atenuada antes de vazar de volta para o microfone do próprio dispositivo e ser reenviada. Os padrões móveis fixam 46 dB como piso para headsets em qualquer volume, e a meta recomendada de 55 dB vem com a ressalva de que pode não ser mensurável em todos os dispositivos por causa do ruído em repouso do próprio aparelho.
A lacuna interessante está no viva-voz. Um viva-voz de mesa pode cair para 40 dB no volume máximo e ainda assim estar em conformidade, e é por isso que o comportamento do viva-voz em double talk tem categorias próprias: um dispositivo de categoria 1 mal reduz a sua voz enquanto o outro lado fala (no máximo 3 dB), enquanto um de categoria 3 a corta em mais de 12 dB, próximo do comportamento de walkie-talkie, em que só um lado é ouvido por vez.
| Métrica | Valor | Fonte |
|---|---|---|
| Perda de acoplamento do terminal ponderada de headsets: em qualquer volume vs recomendada no volume nominal | Pelo menos 46 dB vs pelo menos 55 dB | 3GPP TS 26.131 (Rel-19) |
| Perda de acoplamento do terminal ponderada de viva-voz de mesa: qualquer volume vs volume nominal em condições de campo livre | Pelo menos 40 dB vs pelo menos 46 dB | 3GPP TS 26.131 (Rel-19) |
| Objetivo de desempenho recomendado de viva-voz de mesa no volume nominal | Pelo menos 55 dB (pode não ser mensurável por causa do ruído do canal em repouso) | 3GPP TS 26.131 (Rel-19) |
| Perda de eco apresentada por redes GSM, 3G, LTE ou NR no ponto de interconexão, fala única | Pelo menos 46 dB | 3GPP TS 26.132 (Rel-19) |
| Fala descartada no início do teste de perda de eco para que o cancelador de eco possa convergir; nível do sinal de teste | Primeiros 17,0 s; 10 dBm0 | 3GPP TS 26.132 (Rel-19) |
| Orientação de perda de acoplamento do terminal: entrada digital para saída (conforme P.341) vs condições de campo (conforme P.342) vs desejável para os objetivos de eco do locutor da G.131 | Pelo menos 35 dB vs mais de 40 dB vs mais de 45 dB | ITU-T G.168 (04/2015), Apêndice I |
| Categorias de double talk para terminais viva-voz e atenuação da fala enviada | 5 categorias (1, 2a, 2b, 2c, 3): no máximo 3 dB para a categoria 1, no máximo 9 dB para a categoria 2b, mais de 12 dB para a categoria 3 | Folha de dados ACOPT 32 da HEAD acoustics, descrevendo a ITU-T P.340 |
Nota de contexto: os valores da 3GPP foram lidos no texto Rel-19 das TS 26.131 e TS 26.132; a TS 26.132 tem um arquivo Rel-20 mais novo, datado de julho de 2026, no arquivo da 3GPP. O documento da HEAD acoustics é uma folha de dados de equipamento de teste que repete as categorias da P.340; ele não informa os limites das categorias 2a e 2c.
3. Orçamentos de Latência: Quantos Milissegundos um Cancelador de Eco Pode Gastar
Cada milissegundo que um cancelador de eco gasta em buffer de áudio é um milissegundo somado à conversa. O benchmark de pesquisa avançou muito nesse ponto: o desafio da Microsoft permitiu 40 ms de latência algorítmica em 2021 e reduziu a margem à metade, para 20 ms de latência algorítmica mais latência de buffer, em 2023, e o modelo dos próprios organizadores praticamente não perdeu nada nas notas de eco com o limite mais apertado. O artigo do ICASSP 2023 cita uma meta de ponta a ponta abaixo de 50 ms (a menor diferença perceptível) e um objetivo futuro de menos de 5 ms para algoritmo mais buffer (Microsoft, artigo do AEC Challenge do ICASSP 2023).
O poder de processamento é o outro orçamento. Um modelo neural que precisa de uma fração de milissegundo por quadro pode rodar em todo notebook de uma reunião; um que precisa da maior parte de um núcleo de CPU, não. Para ver como o restante do orçamento de atraso é gasto por jitter buffers e codecs, veja nossas estatísticas de jitter buffer VoIP e qualidade de voz.
| Métrica | Valor | Fonte |
|---|---|---|
| Atraso unidirecional boca-ouvido para interatividade essencialmente transparente vs teto para planejamento geral de rede | Abaixo de 150 ms vs 400 ms | ITU-T G.114 (05/2003) |
| Limite de latência algorítmica do AEC Challenge, ICASSP 2021 | No máximo 40 ms (um quadro de 20 ms com passo de 10 ms, 30 ms, era permitido) | Microsoft, artigo do AEC Challenge do ICASSP 2021 |
| Limite de latência do AEC Challenge, ICASSP 2023 | 20 ms de latência algorítmica mais latência de buffer | Repositório AEC-Challenge da Microsoft |
| Limite de computação do AEC Challenge, ICASSP 2023 | Fator de tempo real de no máximo 0,5 em um Intel Core i5 quad-core de 2,4 GHz, thread única | Microsoft, artigo do AEC Challenge do ICASSP 2023 |
| Modelo da Microsoft com 20 ms vs vencedor do desafio de 2022 com 40 ms: MOS de eco do lado remoto; MOS de eco em double talk | 4,65 vs 4,66; 4,68 vs 4,68 | Microsoft, artigo do AEC Challenge do ICASSP 2023 |
| Modelo completo DeepVQE vs modelo pequeno DeepVQE-S: parâmetros e tempo de CPU por quadro | 7,5M e 3,66 ms vs 0,59M e 0,14 ms (fator de tempo real 0,014) | Microsoft, DeepVQE, Interspeech 2023 |
| Cancelador de eco linear combinado com supressor neural de eco residual, entrada do desafio a 16 kHz | 5,5% de um núcleo Intel i7-8565U, 0,55 ms por quadro de 10 ms | Amazon Web Services, controle de eco PercepNet, arXiv 2021 |
Dados mais recentes disponíveis para os limites do desafio: Microsoft, 2023. O repositório AEC-Challenge ainda lista o ICASSP 2023 como a edição mais recente, portanto estas continuam sendo as regras de benchmark públicas mais recentes dessa série.
4. Placares do AEC Challenge, de 2021 a 2023
O AEC Challenge da Microsoft é o que o setor tem de mais próximo de uma tabela de classificação pública. As entradas são avaliadas por ouvintes de crowdsourcing em uma escala de 1 a 5 (MOS para a qualidade da fala do lado local, DMOS, uma nota de degradação, para eco e outros artefatos). No INTERSPEECH 2021, a entrada de maior pontuação teve média de 4,43 contra 3,87 do baseline (os quatro primeiros ficaram estatisticamente empatados, então a Microsoft os ordenou por complexidade computacional), e quase todo o ganho veio da remoção de eco e do double talk (o cenário em que os canceladores mais antigos deixam o eco passar ou cortam o locutor do lado local), não da qualidade da fala do lado local, que passou apenas de 4,18 para 4,25.
Os conjuntos de dados cresceram a cada rodada: mais de 2.500 ambientes e dispositivos reais no ICASSP 2021 (Microsoft, artigo do AEC Challenge do ICASSP 2021), 5.000 no INTERSPEECH 2021 e mais de 10.000 na rodada de 2023 (a contagem de 2022 difere entre os artigos da Microsoft, veja a Metodologia). Ainda faltam dados públicos sobre com que frequência o eco realmente chega aos usuários em chamadas de produção: os artigos da Microsoft descrevem o eco apenas como “uma das principais fontes de notas ruins de qualidade de fala”, sem um percentual.
| Métrica | Valor | Fonte |
|---|---|---|
| ICASSP 2021: baseline vs sistema em primeiro lugar, média dos quatro testes subjetivos | 3,68 vs 4,11 (17 submissões) | Amazon Web Services, controle de eco PercepNet, arXiv 2021 |
| ICASSP 2021: baseline vs sistema em primeiro lugar, degradação da fala do lado local durante o double talk (DMOS) | 3,28 vs 4,07 | Amazon Web Services, controle de eco PercepNet, arXiv 2021 |
| INTERSPEECH 2021: entrada de maior pontuação (ERCESI) vs baseline, pontuação média | 4,43 vs 3,87 | Microsoft, resultados do AEC Challenge do INTERSPEECH 2021 |
| INTERSPEECH 2021: entrada de maior pontuação vs baseline, DMOS de eco em fala única do lado remoto; DMOS de outras degradações em double talk | 4,59 vs 3,82; 4,18 vs 3,45 | Microsoft, resultados do AEC Challenge do INTERSPEECH 2021 |
| INTERSPEECH 2021: equipes classificadas com média acima do baseline | 10 de 14 (contado na tabela de resultados) | Microsoft, resultados do AEC Challenge do INTERSPEECH 2021 |
| ICASSP 2022: submissões; diferença entre móvel e desktop na degradação em double talk | 18 submissões; móvel menor em 0,75 MOS | Microsoft, artigo do AEC Challenge do ICASSP 2022 |
| ICASSP 2023: entradas; pontuação vencedora e tamanho do modelo | 20 entradas (17 não personalizadas, 3 personalizadas); 0,854 com 1,5M de parâmetros | Microsoft, artigo do AEC Challenge do ICASSP 2023 |
| ICASSP 2023: baseline vs vencedor, pontuação final e precisão de palavras no reconhecimento de fala | 0,736 vs 0,852; 64,9% vs 82,3% | Microsoft, DeepVQE, Interspeech 2023 |
Nota de contexto: a pontuação final de 2023 é um composto de 0 a 1 que faz a média de cinco notas subjetivas reescaladas com a precisão de palavras, portanto não é comparável às médias de MOS de 2021. Os dois artigos da Microsoft trazem pontuações vencedoras de 2023 ligeiramente diferentes (veja a Metodologia). Dados mais recentes disponíveis: Microsoft, 2023.
5. Medindo o Eco: Por Que o ERLE Perdeu Terreno para as Métricas Perceptivas
O ERLE (echo return loss enhancement, ou ganho de atenuação do eco de retorno) é o número de decibéis que um cancelador de eco remove do sinal do microfone. É fácil de calcular, e por isso ainda estampa as folhas de dados, mas o ERLE tem correlação de apenas 0,31 (Pearson) com as notas dos ouvintes, porque um cancelador pode obter um ERLE enorme simplesmente silenciando a linha e destruindo a voz do locutor do lado local. O PESQ, uma métrica intrusiva mais antiga de qualidade de fala que compara a saída com uma referência limpa, se sai melhor, com 0,67.
O AECMOS, o estimador neural da Microsoft, dispensa referência limpa e prevê as notas de eco e de degradação que os ouvintes dariam. A mudança prática: as equipes agora conseguem ordenar modelos sem pagar por um teste de audição a cada vez. Isso importa para quem já comparou dispositivos em laboratório em vez de em salas reais, uma lacuna que abordamos em nossas estatísticas de testes acústicos em câmara anecoica.
| Métrica | Valor | Fonte |
|---|---|---|
| ERLE vs notas subjetivas: correlação de Pearson (PCC) e de Spearman (SRCC) | 0,31 e 0,23 | Microsoft, artigo do AEC Challenge do ICASSP 2021 |
| PESQ vs notas subjetivas: PCC e SRCC | 0,67 e 0,57 | Microsoft, artigo do AEC Challenge do ICASSP 2021 |
| AECMOS (versão de 2023), correlação de Pearson com as notas dos ouvintes: eco em fala única do lado remoto; eco em double talk; outras degradações em double talk | 0,99 (SRCC 0,92); 0,99; 0,96 | Microsoft, artigo do AEC Challenge do ICASSP 2023 |
| Conjunto de treinamento original do AECMOS; votos de crowdsourcing por clipe | 64.013 clipes (145,8 horas); 5 votos por clipe | Microsoft, artigo do AECMOS, ICASSP 2022 |
| Classificação original do AECMOS: modelos classificados; PCC por competidor em eco de fala única do lado remoto | 22 modelos (14 competidores, 4 modelos profundos e 4 modelos de DSP dos autores); 0,996 | Microsoft, artigo do AECMOS, ICASSP 2022 |
| Precisão de palavras no reconhecimento de fala vs nota subjetiva média entre as entradas do ICASSP 2022 (PCC) | 0,85 | Microsoft, artigo do AEC Challenge do ICASSP 2022 |
| Ouvintes por enunciado nos testes subjetivos do ICASSP 2021; intervalo de confiança de 95% | 10 ouvintes; 0,01 MOS | Amazon Web Services, controle de eco PercepNet, arXiv 2021 |
Nota sobre valores atípicos: as correlações por clipe são bem mais fracas do que as por modelo. O artigo original do AECMOS informa um PCC por clipe de 0,582 para o eco em double talk, portanto a métrica é confiável para ordenar sistemas, não para julgar uma gravação isolada.
6. Controle de Eco Neural vs Linear: O Que Mostram os Confrontos Diretos
Os filtros adaptativos lineares modelam o caminho do eco como um sistema linear, por isso sofrem com o eco distorcido por um alto-falante de notebook barato e saturado. Entre os cinco primeiros do ICASSP 2022, a maioria dos sistemas neurais foi construída sobre um filtro linear, em vez de substituí-lo. Em um teste da ByteDance, o WebRTC AEC3 removeu cerca de 30 dB de eco, enquanto um supressor neural residual chegou a 40,8 dB, e o AEC3 chegou a piorar a qualidade da fala em double talk em comparação com não fazer nada, com relação sinal-eco de 0 dB (eco tão alto quanto a voz do lado local).
Trate os números de ERLE com a cautela explicada na seção 5: um ERLE de 78,69 dB diz que a linha ficou muito silenciosa durante a fala do lado remoto, não que a voz do lado local sobreviveu. Do lado dos fornecedores, a Microsoft afirma que o modelo de eco do Teams foi treinado com 30.000 horas de amostras de fala (Microsoft 365 Blog 2022, afirmação do próprio fornecedor), e seus pesquisadores do DeepVQE dizem que o modelo pequeno foi testado no Teams para centenas de milhões de usuários.
| Métrica | Valor | Fonte |
|---|---|---|
| ERLE, fala única do lado remoto com voz: filtro adaptativo linear vs WebRTC AEC3 vs filtro adaptativo mais supressor neural residual | 16,612 dB vs 29,976 dB vs 40,786 dB | ByteDance, supressão de eco residual, arXiv 2020 |
| ERLE, fala única do lado remoto com voz mais música: WebRTC AEC3 vs supressor neural residual | 25,376 dB vs 43,144 dB | ByteDance, supressão de eco residual, arXiv 2020 |
| PESQ durante o double talk com relação sinal-eco de 0 dB: sem processamento vs WebRTC AEC3 vs supressor neural residual | 1,908 vs 1,610 vs 2,816 | ByteDance, supressão de eco residual, arXiv 2020 |
| ERLE: Speex vs WebRTC vs filtro adaptativo combinado com uma rede neural recorrente | 25 dB vs 40 dB vs 68 dB | Ma et al., arXiv 2020 |
| Cancelador de eco LSTM de sinal duplo (DTLN-aec): ganho de MOS sobre o baseline do AEC Challenge; dados de treinamento | 0,30 MOS; 60 horas de cenários de eco reais e sintéticos | Westhausen e Meyer, DTLN-aec, arXiv 2020 |
| Cinco melhores sistemas do ICASSP 2022: projetos híbridos linear mais neural; faixa de parâmetros | 3 de 5; de 1,5M a 55,5M de parâmetros | Microsoft, artigo do AEC Challenge do ICASSP 2022 |
| Entradas do ICASSP 2023: correlação da pontuação final com o tamanho do modelo; com o uso de projeto híbrido (PCC) | -0,54; 0,10 | Microsoft, artigo do AEC Challenge do ICASSP 2023 |
| Cancelador de eco neural de ponta a ponta (janeiro de 2026): ERLE com mascaramento por detecção de voz; parâmetros; ganho médio de MOS com uma estratégia de treinamento | 78,69 dB; 1,2M de parâmetros; 4,31 a 4,38 | Alibaba Tongyi Lab, E2E-AEC, arXiv 2026 |
Nota de contexto: esses resultados vêm de conjuntos de teste diferentes, portanto ordenam os métodos dentro de cada artigo, não entre artigos. Dados mais recentes disponíveis para as comparações com AEC3 e Speex: ByteDance e Ma et al., 2020.
Resumo: Cancelamento de Eco Acústico em Números
| Métrica | Valor | Fonte |
|---|---|---|
| Tempo de convergência no Teste 2A da G.168 | Cerca de 1 s mais o atraso do caminho do eco | ITU-T G.168 (04/2015) |
| Perda de acoplamento do terminal ponderada de headsets, qualquer volume vs nominal | Pelo menos 46 dB vs pelo menos 55 dB | 3GPP TS 26.131 (Rel-19) |
| Perda de eco da rede no ponto de interconexão | Pelo menos 46 dB | 3GPP TS 26.132 (Rel-19) |
| Categorias de double talk de viva-voz | 5; a categoria 1 atenua a fala enviada em no máximo 3 dB | HEAD acoustics, descrevendo a ITU-T P.340 |
| Recomendação de terminais viva-voz, edição mais recente | P.340 (07/2026) | Resumo da ITU-T P.340 de 2026 |
| Atraso unidirecional para interatividade transparente | Abaixo de 150 ms | ITU-T G.114 (05/2003) |
| Limite de latência do AEC Challenge, 2023 | 20 ms de latência algorítmica mais latência de buffer | Repositório AEC-Challenge da Microsoft |
| ERLE vs notas dos ouvintes | PCC 0,31 | Microsoft, artigo do AEC Challenge do ICASSP 2021 |
| AECMOS vs notas de eco do lado remoto | PCC 0,99 | Microsoft, artigo do AEC Challenge do ICASSP 2023 |
| Conjunto de treinamento original do AECMOS | 64.013 clipes, 145,8 horas | Microsoft, artigo do AECMOS, ICASSP 2022 |
| Baseline vs vencedor do ICASSP 2021 | 3,68 vs 4,11 | Amazon Web Services, controle de eco PercepNet, arXiv 2021 |
| Entrada de maior pontuação do INTERSPEECH 2021 vs baseline | 4,43 vs 3,87 | Microsoft, resultados do AEC Challenge do INTERSPEECH 2021 |
| Móvel vs desktop, degradação em double talk | Móvel menor em 0,75 MOS | Microsoft, artigo do AEC Challenge do ICASSP 2022 |
| Tempo de CPU por quadro do DeepVQE-S | 0,14 ms (fator de tempo real 0,014) | Microsoft, DeepVQE, Interspeech 2023 |
| WebRTC AEC3 vs supressor neural residual, ERLE | 29,976 dB vs 40,786 dB | ByteDance, supressão de eco residual, arXiv 2020 |
| Speex vs WebRTC vs RNN híbrida, ERLE | 25 dB vs 40 dB vs 68 dB | Ma et al., arXiv 2020 |
| Ganho do DTLN-aec sobre o baseline do desafio | 0,30 MOS | Westhausen e Meyer, DTLN-aec, arXiv 2020 |
| AEC neural de ponta a ponta, ERLE (2026) | 78,69 dB com 1,2M de parâmetros | Alibaba Tongyi Lab, E2E-AEC, arXiv 2026 |
Metodologia e Fontes
- ITU-T: G.168, Digital network echo cancellers (04/2015, Corrigendum 12/2022), G.167, Acoustic echo controllers (03/1993, retirada), resumo da P.340 (07/2026), P.1110, Wideband hands-free communication in motor vehicles (10/2025), G.114, One-way transmission time (05/2003)
- 3GPP: TS 26.131, Terminal acoustic characteristics for telephony; Requirements (Rel-19) e TS 26.132, Speech and video telephony terminal acoustic test specification (Rel-19)
- HEAD acoustics: folha de dados ACOPT 32 Speech-based Double Talk (repete as categorias da ITU-T P.340)
- Microsoft Research: artigo do AEC Challenge do ICASSP 2021, resultados do AEC Challenge do INTERSPEECH 2021, artigo do AEC Challenge do ICASSP 2022, artigo do AEC Challenge do ICASSP 2023, artigo do AECMOS, DeepVQE, Interspeech 2023, repositório 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 e Su: Acoustic echo cancellation by combining adaptive digital filter and recurrent neural network (2020)
- Westhausen e 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 (janeiro de 2026)
- Microsoft 365 Blog: How Microsoft Teams uses AI and machine learning to improve calls and meetings (2022, afirmação do fornecedor)
- Nota sobre os dados: nenhuma plataforma publicou uma taxa de eco em chamadas reais baseada em telemetria, portanto este levantamento não informa nenhuma; os artigos da Microsoft descrevem o eco apenas qualitativamente, como uma das principais queixas. As duas fontes da Microsoft divergem ligeiramente sobre o vencedor de 2023: o artigo do desafio do ICASSP 2023 informa a pontuação do primeiro lugar como 0,854, enquanto a tabela do artigo do DeepVQE informa o vencedor do AEC como 0,852. As fontes da Microsoft também divergem sobre o conjunto de dados do ICASSP 2022: o artigo do ICASSP 2022 fala em mais de 10.000 ambientes e dispositivos, enquanto o artigo do ICASSP 2023 lista 7.500 para essa rodada. As correlações de 0,31 do ERLE e de 0,67 do PESQ são as mesmas nos artigos do desafio de 2021, 2022 e 2023, o que sugere um único estudo de base, e não três medições independentes. As correlações do AECMOS variam conforme a versão do modelo (o artigo do ICASSP 2022 informa PCC de 0,828 para o eco do lado remoto, o de 2023, 0,99). O artigo do INTERSPEECH 2021 diz que quase todos os participantes superaram o baseline, enquanto a tabela pública de resultados mostra 10 de 14 entradas classificadas acima da média do baseline. Os valores de ERLE nas comparações de 2020 entre Speex e WebRTC vêm do conjunto de teste e das configurações de cada artigo. A maior parte dos dados do AEC Challenge é de 2021 a 2023 porque o repositório AEC-Challenge lista o ICASSP 2023 como a edição mais recente; o texto completo da P.340 (07/2026) e o arquivo Rel-20 da 3GPP TS 26.132 são as próximas atualizações a verificar.
Última atualização: 24 de outubro de 2026. Atualizamos este levantamento trimestralmente, e a próxima revisão é esperada quando o texto completo da ITU-T P.340 (07/2026) for publicado.