Os Deep Noise Suppression (DNS) Challenges de 2021 limitaram a latência algorítmica total a 40 ms, enquanto um estudo de 2025 sobre dispositivos auditivos vestíveis (hearables) executou supressão neural de ruído com 1,25 ms de latência algorítmica e 3,35 ms de ponta a ponta em um DSP de baixo consumo (Microsoft Research, artigo do DNS Challenge do Interspeech 2021; Dementyev et al., arXiv 2025). Os tamanhos de modelo abrangem mais de três ordens de grandeza: o RNNoise usa 87.503 pesos e o GTCRN reporta 23,7 mil parâmetros, enquanto o melhor sistema do URGENT do Interspeech 2025 usou cerca de 102 milhões. Os testes de escuta continuam expondo o que as métricas de laboratório deixam passar: o PercepNet completo teve um PESQ menor do que sua variante sem pós-filtro (2,54 vs 2,73), mas um MOS dos ouvintes maior (4,05 vs 3,91). A supressão de ruído é metade da história do isolamento de voz; a outra metade, separar um falante dos demais, está em nossas estatísticas de separação de fala e efeito cocktail party, e o lado comercial dessas ferramentas está em nossas estatísticas de software corporativo de cancelamento de ruído. Reunimos dados dos artigos do DNS Challenge da Microsoft Research, da ITU-T, do trabalho do RNNoise da Mozilla e da Xiph.Org, dos artigos do DeepFilterNet, dos organizadores do desafio URGENT, da documentação do Maxine da NVIDIA e de pesquisadores independentes de universidades e da indústria.
TL;DR
- Um supressor neural de 1,25 ms rodou em um DSP de baixo consumo com 3,35 ms de latência de ponta a ponta (Dementyev et al., artigo sobre hearables submilissegundo, arXiv 2025).
- O RNNoise roda com 87.503 pesos, cerca de 1,3% de um núcleo x86 (Mozilla, artigo do RNNoise, MMSP 2018).
- O GTCRN reporta 23,7 mil parâmetros e 39,6 MMACs por segundo (Rong et al., GTCRN, ICASSP 2024).
- O DeepFilterNet2 tem 2,306 M de parâmetros e um fator de tempo real de 0,42 mesmo em um Raspberry Pi 4 (Schröter et al., artigo do DeepFilterNet2, 2022).
- Um denoiser em GPU precisa de 0,410 ms (p95) para processar um quadro de 10 ms em uma GPU de notebook (NVIDIA, guia de desempenho do Maxine AFX SDK, alegação do fabricante).
- O PercepNet obteve um MOS dos ouvintes de 4,05 contra 3,40 da entrada com ruído no VCTK (Valin et al., artigo do PercepNet, Interspeech 2020).
- O vencedor do URGENT do Interspeech 2025 usou cerca de 102 milhões de parâmetros, cerca de 12 vezes os 8,5 milhões do baseline (Saijo et al., artigo do URGENT 2025 Challenge).
- Prever à frente para chegar a 0 ms de latência derrubou o SI-SDR de 2,8341 dB para -3,6493 dB (Wang et al., IEEE/ACM TASLP 2022).
- A ITU-T P.835, o teste de três notas para supressores de ruído, tem uma nova edição, P.835 (07/26) (página da Recomendação ITU-T P.835, 2026).
- O URGENT Challenge do ICASSP 2026 teve 80 inscrições na Trilha 1 e participações válidas de 29 equipes (Li et al., artigo do URGENT Challenge do ICASSP 2026).
1. Orçamentos de Latência: Quanto Atraso a Supressão de Ruído em Tempo Real Pode Ter
A latência algorítmica é o atraso embutido no próprio método (o comprimento do quadro de análise mais qualquer antecipação sobre o áudio futuro), de modo que uma CPU mais rápida não consegue eliminá-la. O tempo de processamento é outra coisa: um sistema em tempo real só precisa terminar cada quadro antes que o próximo chegue. Os DNS Challenges de 2021 limitaram a latência algorítmica total a 40 ms, o que é generoso para os padrões de aparelhos auditivos e apertado para um modelo que quer enxergar o áudio futuro.
Esses 40 ms são gastos antes mesmo de o áudio sair do computador. Em uma chamada, o atraso do supressor se soma ao do cancelamento de eco, dos codecs e da rede; o controle de eco tem seu próprio orçamento e seus próprios benchmarks, tratados em nossas estatísticas de cancelamento acústico de eco. A regra está explícita no artigo do DNS Challenge do Interspeech 2021, e os números de projeto vêm do artigo do PercepNet e do artigo do DeepFilterNet3.
| Métrica | Valor | Fonte |
|---|---|---|
| Regra de tempo real do DNS Challenge: latência algorítmica total (quadro + salto + antecipação) e tempo de processamento por quadro | 40 ms ou menos; abaixo do tempo do salto em um Intel Core i5 quad-core a 2,4 GHz (um quadro de 32 ms com salto de 16 ms, 48 ms, reprova) | Microsoft Research, artigos do DNS Challenge do ICASSP 2021 e do Interspeech 2021 |
| Janela de análise, salto e antecipação do RNNoise | janelas de 20 ms, deslocamento de 10 ms; antecipação de 10 ms | Mozilla, artigo do RNNoise, MMSP 2018; Xiph.Org, página de demonstração do RNNoise, 2017 |
| Tamanho de quadro e antecipação do PercepNet | quadros de 10 ms, antecipação de 40 ms | Valin et al., artigo do PercepNet, Interspeech 2020 |
| Latência algorítmica do DeepFilterNet3 | 40 ms (janela de 20 ms, salto de 10 ms, 2 quadros de antecipação) | Schröter et al., artigo do DeepFilterNet3, Interspeech 2023 |
| Projeto STFT de latência muito baixa: tamanhos de janela e latência algorítmica resultante | janela de entrada de 16 ms, janela de saída de 4 ms, salto de 2 ms; latência de 4 ms, ou 2 ms com predição de um quadro à frente | Wang et al. (CMU, MERL), IEEE/ACM TASLP 2022 |
| Latência algorítmica típica do realce de fala com ML vs meta para hearables | 16 a 32 ms vs menos de 2 ms de ponta a ponta (cerca de 1 ms ou menos algorítmico) | Dementyev et al., artigo sobre hearables submilissegundo, arXiv 2025 |
| Efeito do Denoiser v2 em GPU: tamanho de quadro e limite de liberação por quadro (teste do próprio fabricante) | quadros de 10 ms (160 amostras a 16 kHz); o tempo de quadro p95 deve ficar abaixo do orçamento de 10 ms | NVIDIA, guia de desempenho do Maxine AFX SDK para Windows (alegação do fabricante) |
Dados mais recentes disponíveis para a regra do desafio: 2021; as edições posteriores do DNS remetem suas definições em milissegundos ao site do desafio. Dados mais recentes disponíveis para o RNNoise e o PercepNet: artigos de 2018 e 2020.
2. Computação e Tamanho do Modelo: De 23,7 Mil Parâmetros a 8 Milhões
O GTCRN reporta 23,7 mil parâmetros, enquanto o PercepNet usa 8 milhões de pesos e cerca de 800 MMACS, aproximadamente 340 vezes mais pesos (8.000.000 / 23.700) para um modelo que também roda em tempo real. O fator de tempo real (RTF) é o tempo de processamento dividido pela duração do áudio, de modo que um RTF abaixo de 1 significa que o modelo acompanha o áudio ao vivo.
A leitura prática: a computação deixou de ser o que impede a supressão neural em um notebook. O RNNoise precisava de cerca de 1,3% de um núcleo em uma CPU de notebook da era Haswell e o PercepNet de menos de 5% de um núcleo. A questão em aberto são celulares, fones de ouvido sem fio e DSPs, onde um RTF de 0,42 em um Raspberry Pi 4 ainda deixa pouca folga. Os números vêm do artigo do RNNoise, do artigo do DeepFilterNet2 e da página do artigo do GTCRN.
| Métrica | Valor | Fonte |
|---|---|---|
| Tamanho e carga de CPU do RNNoise | 87.503 pesos; cerca de 40 MFLOPS; cerca de 1,3% de um núcleo Intel i7-4800MQ, cerca de 14% de um núcleo de Raspberry Pi 3 | Mozilla, artigo do RNNoise, MMSP 2018 |
| Arquivo do modelo RNNoise com pesos de 8 bits vs floats de 32 bits, e velocidade | 85 kB vs 340 kB; cerca de 60x mais rápido que o tempo real em x86, cerca de 7x em um Raspberry Pi 3 | Xiph.Org, página de demonstração do RNNoise, 2017 |
| Tamanho e carga de CPU do PercepNet | 8 milhões de pesos; cerca de 800 MMACS; 5,2% de um núcleo Intel i7-8565U (quadros de 10 ms), 4,1% (quadros de 40 ms) | Valin et al., artigo do PercepNet, Interspeech 2020 |
| DeepFilterNet vs DeepFilterNet2: parâmetros, computação, RTF em um Core i5-8250U | 1,778 M vs 2,306 M; 0,348 vs 0,356 GMACs; RTF 0,11 vs 0,04 (0,42 em um Raspberry Pi 4) | Schröter et al., artigo do DeepFilterNet2, 2022 |
| Tamanho e computação do GTCRN | 23,7 mil parâmetros; 39,6 MMACs por segundo | Rong et al., GTCRN, ICASSP 2024 |
| Tamanho e computação do UL-UNAS | 169 mil parâmetros; 34 milhões de MACs por segundo; 0 ms de antecipação | Rong et al., UL-UNAS, Neural Networks 2025 |
| Denoiser v2 em uma GPU de notebook RTX 3500 Ada (medição do próprio fabricante) | p95 de 0,410 ms por quadro de 10 ms; vazão p50 de 26,74 vezes o tempo real; 215 MiB de memória de GPU | NVIDIA, guia de desempenho do Maxine AFX SDK para Windows (alegação do fabricante) |
A documentação do denoiser da NVIDIA acrescenta sua própria ressalva: uma entrada com SNR abaixo de 5 dB pode produzir saída distorcida.
3. Pontuações de Qualidade em Benchmarks: PESQ e DNSMOS para Modelos Nomeados
O PESQ compara o áudio processado com uma referência limpa; o DNSMOS é um modelo neural que prevê o que os ouvintes diriam sem precisar de referência. No conjunto de teste comum VoiceBank+DEMAND, o PESQ subiu de 1,97 para a fala ruidosa sem processamento a 3,17 para o DeepFilterNet3, com o RNNoise na parte baixa do grupo neural.
A linha do DNSMOS traz o alerta mais útil. No conjunto cego DNS4, o RNNoise reduziu a pontuação prevista de fala (SIG) para abaixo da entrada com ruído enquanto elevava a pontuação geral, que é a troca clássica: menos ruído, voz ligeiramente prejudicada. O próprio artigo do PercepNet mostra o problema inverso para o PESQ, em que a versão preferida pelos ouvintes teve PESQ menor. Dados do artigo do DeepFilterNet3 e do artigo do UL-UNAS.
| Métrica | Valor | Fonte |
|---|---|---|
| PESQ no VoiceBank+DEMAND: entrada com ruído vs RNNoise vs DeepFilterNet2 (com pós-filtro) | 1,97 vs 2,33 vs 3,03 | Schröter et al., artigo do DeepFilterNet2, 2022 |
| PESQ e STOI do DeepFilterNet3 no VoiceBank+DEMAND | 3,17 e 0,944 | Schröter et al., artigo do DeepFilterNet3, Interspeech 2023 |
| DNSMOS no conjunto cego DNS4, fala (SIG) e geral (OVRL): ruidoso vs RNNoise vs DeepFilterNet2 | SIG 4,144 vs 3,884 vs 4,196; OVRL 3,291 vs 3,378 vs 3,882 | Schröter et al., artigo do DeepFilterNet2, 2022 |
| PESQ no VCTK-DEMAND: GTCRN vs UL-UNAS treinado com perda de PESQ | 2,87 vs 3,09 | Rong et al., UL-UNAS, Neural Networks 2025 |
| PESQ no conjunto cego DNS3 e antecipação: GTCRN vs LiSenNet vs UL-UNAS | 2,10 (0 ms) vs 2,23 (32 ms) vs 2,28 (0 ms) | Rong et al., UL-UNAS, Neural Networks 2025 |
| PESQ-WB do PercepNet com vs sem seu pós-filtro | 2,54 vs 2,73 | Valin et al., artigo do PercepNet, Interspeech 2020 |
| MOS P.808 dos ouvintes no VCTK a 48 kHz: ruidoso vs RNNoise vs PercepNet | 3,40 vs 3,70 vs 4,05 | Valin et al., artigo do PercepNet, Interspeech 2020 |
Contexto: o VoiceBank+DEMAND é um conjunto de teste pequeno e em grande parte sintético, de modo que esses rankings dizem mais sobre o progresso relativo do que sobre chamadas reais. A linha do DNS3 é a que os leitores interessados em latência devem notar: um modelo com antecipação zero (2,28) pontuou acima de um modelo com 32 ms de antecipação (2,23) no PESQ.
4. Resultados dos Desafios: DNS de 2021 a 2023 e URGENT de 2025 a 2026
Os resultados dos desafios de 2020 a 2026 mostram que os ganhos medidos sobre a entrada com ruído continuam pequenos, mesmo para os vencedores. No ICASSP 2021, o melhor modelo ficou apenas 0,53 DMOS (diferença na nota média de opinião) acima da entrada com ruído, que os organizadores situaram em um MOS absoluto de 3,38, e apenas metade das submissões superou o baseline. A supressão personalizada, que o Teams entrega como isolamento de voz, registra uma amostra da voz do usuário e também remove outros falantes; na faixa personalizada do ICASSP 2022, nenhuma equipe melhorou a pontuação de fala. No Teams, o isolamento de voz vem ativado por padrão na política de administração e o perfil de voz é armazenado no dispositivo do usuário (Microsoft Learn, página de administração do isolamento de voz do Teams, atualizada em 2026).
O URGENT (realce de fala “universal”) é mais amplo do que a supressão de ruído: acrescenta reverberação, clipping, perdas de codec, perda de pacotes e ruído de vento, e aceita entrada de 8 a 48 kHz. Seus resultados de 2025 mostram o tamanho do modelo indo na direção oposta à da seção 2. Fontes: artigo do DNS do ICASSP 2021, artigo do DNS do ICASSP 2022, artigo do DNS do ICASSP 2023, artigo do URGENT 2025 e artigo do URGENT 2026.
| Métrica | Valor | Fonte |
|---|---|---|
| Faixa de tempo real do DNS do Interspeech 2020: posição do PercepNet e MOS P.808 vs ruidoso e baseline | 2º lugar; 3,52 vs 3,01 vs 3,03 | Valin et al., artigo do PercepNet, Interspeech 2020 |
| Trilha 1 do DNS do ICASSP 2021: equipes e melhor resultado vs entrada com ruído | 16 equipes; melhor modelo 0,53 DMOS acima do ruidoso (MOS absoluto de 3,38); metade das submissões superou o baseline | Microsoft Research, artigo do DNS Challenge do ICASSP 2021 |
| DNS do Interspeech 2021: melhor MOS geral vs teto com remoção perfeita de ruído; pontuações de fala | Cerca de 3,78 vs 3,92; a maioria das equipes, exceto as duas primeiras, pontuou abaixo do ruidoso no MOS de fala | Microsoft Research, artigo do DNS Challenge do Interspeech 2021 |
| Faixa personalizada (isolamento de voz) do ICASSP 2022: duração do registro e resultado vs ruidoso | 2,5 minutos por falante; nenhuma equipe melhorou o SIG; precisão de palavras 2% pior | Microsoft Research, artigo do DNS Challenge do ICASSP 2022 |
| DNS do ICASSP 2023: submissões e ganho de pontuação (Score) do vencedor sobre o conjunto cego com ruído, headset vs viva-voz | 11 e 11 submissões; 0,145 vs 0,141 | Microsoft Research, artigo do DNS Challenge do ICASSP 2023 |
| URGENT do Interspeech 2025: submissões e tamanho do sistema vencedor vs baseline | 32 submissões; cerca de 102 milhões vs cerca de 8,5 milhões de parâmetros | Saijo et al., artigo do URGENT Challenge do Interspeech 2025 |
| URGENT do Interspeech 2025: MOS do sistema puramente generativo, posição geral e acurácia de caracteres em chinês e japonês | Maior MOS (3,69), mas em 13º lugar; 20,1% e 36,8% | Saijo et al., artigo do URGENT Challenge do Interspeech 2025 |
| URGENT do ICASSP 2026: inscrições na Trilha 1, equipes válidas, tamanho do teste cego | 80 inscrições; 29 equipes com participações válidas nas duas trilhas; 840 amostras, incluindo 5 idiomas não vistos | Li et al., artigo do URGENT Challenge do ICASSP 2026 |
O teto de 3,92 na linha do Interspeech 2021 é um cálculo dos próprios organizadores: se o ruído fosse avaliado com nota perfeita 5 e a fala continuasse tão boa quanto no trecho ruidoso, o MOS geral chegaria no máximo a esse valor. Em 2021, os vencedores já tinham removido a maior parte do ruído e a diferença restante estava na qualidade da fala. A pontuação (Score) do ICASSP 2023 é 0,5 x [WAcc + 0,25 x (OVRL - 1)], de modo que pondera igualmente a precisão de palavras e a qualidade percebida pelos ouvintes.
5. Medindo a Qualidade: ITU-T P.835, P.808 e DNSMOS
A ITU-T P.835 pede aos ouvintes três notas separadas: o sinal de fala (SIG), o ruído de fundo (BAK) e a qualidade geral (OVRL). Essa divisão importa para a supressão de ruído porque um modelo pode ganhar em ruído e perder em voz no mesmo trecho. O DNSMOS acompanhou as notas humanas com um PCC de 0,93 por modelo, contra 0,78 do PESQ e apenas 0,23 do SDR, e por isso os organizadores do DNS treinaram uma métrica com notas de ouvintes em vez de depender do PESQ.
O problema é a granularidade. A versão P.835 do DNSMOS é muito mais fraca em um único trecho do que na média de um modelo inteiro, então trate o número de DNSMOS de um único trecho como uma pista, não como um veredito. A mesma lógica vale para vozes sintéticas, tratadas em nossas estatísticas de MOS de naturalidade da fala sintética. Fontes: página da ITU-T P.835, página da ITU-T P.808, artigo do DNSMOS e artigo do DNSMOS P.835.
| Métrica | Valor | Fonte |
|---|---|---|
| Edições da ITU-T P.835 | P.835 (07/26) em vigor, pré-publicada; P.835 (11/03) substituída | Página da Recomendação ITU-T P.835, acessada em outubro de 2026 |
| Edições da ITU-T P.808 | P.808 (06/21) em vigor; P.808 (06/18) substituída | Página da Recomendação ITU-T P.808, acessada em outubro de 2026 |
| Correlação do DNSMOS com os ouvintes por modelo (PCC) vs PESQ, POLQA, SDR; OVRL do DNSMOS P.835, nível de modelo vs trecho individual | 0,93 vs 0,78, 0,79, 0,23; 0,98 vs 0,82 | Reddy et al., Microsoft, artigos DNSMOS (2020) e DNSMOS P.835 (2021) |
| Testes de escuta do PercepNet: amostras do VCTK e ouvintes por amostra; ouvintes por trecho no teste do DNS | 824 amostras, 8 ouvintes cada (IC de 95% 0,04); 10 ouvintes cada (IC de 95% 0,02) | Valin et al., artigo do PercepNet, Interspeech 2020 |
| Método e escopo do teste subjetivo do URGENT 2025 | avaliação por categoria absoluta ITU-T P.808 no Amazon Mechanical Turk; apenas dados em inglês | Saijo et al., artigo do URGENT Challenge do Interspeech 2025 |
| Testes de escuta do URGENT do ICASSP 2026 e dados de predição de MOS | 6 melhores sistemas avaliados com P.808 ACR e CCR; 8.000 amostras anotadas com MOS de 16 sistemas | Li et al., artigo do URGENT Challenge do ICASSP 2026 |
A revisão da P.835 é o item mais novo aqui: a edição de 2003 foi substituída pela P.835 (07/26), e seu título agora abrange terminais “que oferecem funcionalidade de supressão de ruído”. O texto completo ainda não era público quando consultamos, então eventuais mudanças no método não estão refletidas nos números acima.
6. O Equilíbrio entre Latência e Qualidade
Reduzir a latência custa qualidade e computação ao mesmo tempo. Em um estudo de 2025 sobre hearables, um modelo de 1 ms precisou de 840 MIPS, enquanto um modelo de sobreposição e soma de 16 ms precisou de 105 MIPS, e o modelo de 16 ms ainda pontuou mais alto (OVRL do DNSMOS 2,35 vs 2,13 no CHiME-2). Um estudo anterior da CMU e da MERL encontrou o mesmo padrão para o PESQ e mostrou que tentar prever à frente do áudio para chegar a 0 ms derruba o SI-SDR.
A resposta do estudo sobre hearables foi mudar o filtro de saída em vez de reduzir a janela: um projeto FIR de fase mínima manteve o SI-SDR praticamente estável de 0,32 a 1,25 ms e reduziu a latência de ponta a ponta de 7,1 ms para 3,35 ms. O bate-papo ao vivo tolera muito mais atraso do que os hearables, mas a latência do supressor ainda se soma a todas as outras etapas, por exemplo quando efeitos são empilhados em uma cadeia de alterador de voz para Discord. Dados do artigo sobre hearables e do artigo sobre STFT de latência muito baixa.
| Métrica | Valor | Fonte |
|---|---|---|
| OVRL do DNSMOS no CHiME-2: sem processamento vs modelo de 1 ms vs 2 ms vs 4 ms vs 16 ms | 1,3 vs 2,13 vs 2,25 vs 2,28 vs 2,35 | Dementyev et al., artigo sobre hearables submilissegundo, arXiv 2025 |
| SI-SDR no CHiME-2: modelo de 1 ms vs 2 ms vs 16 ms | 8,0 dB vs 11,10 dB vs 12,98 dB | Dementyev et al., artigo sobre hearables submilissegundo, arXiv 2025 |
| Computação do modelo de 1 ms vs o modelo de sobreposição e soma de 16 ms | 840 MIPS vs 105 MIPS | Dementyev et al., artigo sobre hearables submilissegundo, arXiv 2025 |
| Modelo Deep FIR de 1,25 ms proposto: parâmetros, computação, latência de ponta a ponta em um NXP i.MX RT600 | 626 mil parâmetros; 376 MIPS; 3,35 ms | Dementyev et al., artigo sobre hearables submilissegundo, arXiv 2025 |
| PESQ com um único microfone, sistema com janela retangular: sem processamento vs 4 ms vs 2 ms vs 0 ms (prevendo à frente) | 1,44 vs 1,8997 vs 1,84575 vs 1,7138 | Wang et al. (CMU, MERL), IEEE/ACM TASLP 2022 |
| SI-SDR com um único microfone, sistema com janela retangular, a 4 ms vs 0 ms (prevendo à frente) | 2,8341 dB vs -3,6493 dB | Wang et al. (CMU, MERL), IEEE/ACM TASLP 2022 |
| PESQ com seis microfones a 4 ms vs 2 ms (mesmo sistema de dois estágios) | 2,698490 vs 2,47482 | Wang et al. (CMU, MERL), IEEE/ACM TASLP 2022 |
| Teste de tamanho de janela do DeepFilterNet: onde as máscaras de razão complexa começam a perder qualidade | janelas de FFT de 20 ms ou menos (a filtragem profunda se mantém estável de 5 a 30 ms) | Schröter et al., artigo do DeepFilterNet, ICASSP 2022 |
Nota sobre valores atípicos: os modelos de 1 ms e menores no estudo sobre hearables não puderam rodar em tempo real no DSP de destino, então seus números de ponta a ponta são estimativas dos autores.
Resumo: Latência de Supressão Neural de Ruído e Isolamento de Voz por IA em Números
| Métrica | Valor | Fonte |
|---|---|---|
| Modelo Deep FIR para hearables rodando em tempo real em um DSP de baixo consumo | 1,25 ms algorítmico, 3,35 ms de ponta a ponta | Dementyev et al., arXiv 2025 |
| Tamanho do teste cego do URGENT do ICASSP 2026 | 840 amostras, incluindo 5 idiomas não vistos | Li et al., artigo do URGENT Challenge do ICASSP 2026 |
| Pesos do RNNoise | 87.503 | Mozilla, artigo do RNNoise, MMSP 2018 |
| Parâmetros e computação do GTCRN | 23,7 mil; 39,6 MMACs por segundo | Rong et al., GTCRN, ICASSP 2024 |
| Parâmetros e antecipação do UL-UNAS | 169 mil; 0 ms | Rong et al., UL-UNAS, Neural Networks 2025 |
| PESQ no VoiceBank+DEMAND, ruidoso vs DeepFilterNet3 | 1,97 vs 3,17 | Schröter et al., artigos do DeepFilterNet2 e do DeepFilterNet3 |
| Tempo p95 do Denoiser v2 por quadro de 10 ms em uma GPU de notebook (alegação do fabricante) | 0,410 ms | NVIDIA, guia de desempenho do Maxine AFX SDK |
| MOS dos ouvintes do PercepNet vs ruidoso no VCTK | 4,05 vs 3,40 | Valin et al., artigo do PercepNet, Interspeech 2020 |
| Tamanho do vencedor do URGENT 2025 vs baseline | Cerca de 102 milhões vs 8,5 milhões de parâmetros | Saijo et al., artigo do URGENT 2025 Challenge |
| Sistema generativo do URGENT 2025: MOS dos ouvintes vs posição geral | 3,69 (o maior) vs 13º | Saijo et al., artigo do URGENT 2025 Challenge |
| Equipes válidas no URGENT do ICASSP 2026 | 29 | Li et al., artigo do URGENT Challenge do ICASSP 2026 |
| PESQ com um único microfone a 4 ms vs 0 ms de latência | 1,8997 vs 1,7138 | Wang et al., IEEE/ACM TASLP 2022 |
| Edição mais recente da ITU-T P.835 | P.835 (07/26), em vigor (pré-publicada) | Página da Recomendação ITU-T P.835 |
| Edição da ITU-T P.808 em vigor | P.808 (06/21) | Página da Recomendação ITU-T P.808 |
| Tamanho do modelo RNNoise com pesos de 8 bits | 85 kB | Xiph.Org, página de demonstração do RNNoise, 2017 |
| Velocidade do RNNoise em x86 | Cerca de 60x mais rápido que o tempo real | Xiph.Org, página de demonstração do RNNoise, 2017 |
Metodologia e Fontes
- Microsoft (artigos da Microsoft Research e documentação do Learn): artigo do DNS Challenge do ICASSP 2021 (2020), artigo do DNS Challenge do Interspeech 2021 (2021), artigo do DNS Challenge do ICASSP 2022 (2022), artigo do DNS Challenge do ICASSP 2023 (2023), Reddy et al. DNSMOS (2020) e DNSMOS P.835 (2021), e a página de administração do isolamento de voz do Teams (atualizada em 2026).
- ITU-T, Recomendação P.835 e Recomendação P.808, acessadas em outubro de 2026.
- Mozilla, artigo do RNNoise (MMSP 2018) e Xiph.Org, página de demonstração do RNNoise (2017).
- Valin et al., artigo do PercepNet (Interspeech 2020).
- Schröter et al., DeepFilterNet (ICASSP 2022), DeepFilterNet2 (2022) e DeepFilterNet3 (Interspeech 2023).
- Rong et al., GTCRN (ICASSP 2024) e UL-UNAS (Neural Networks 2025).
- Wang et al. (CMU, MERL), STFT-Domain Neural Speech Enhancement with Very Low Algorithmic Latency (IEEE/ACM TASLP 2022).
- Dementyev et al., Towards Sub-millisecond Latency Real-Time Speech Enhancement Models on Hearables (arXiv v2, março de 2025).
- Saijo et al., URGENT Challenge do Interspeech 2025 (2025) e Li et al., URGENT Challenge do ICASSP 2026 (2026).
- NVIDIA, guia de desempenho do Maxine AFX SDK e página do efeito denoiser (documentação do fabricante, rotulada como alegações do fabricante).
- Nota sobre os dados: a maior parte dos dados do DNS Challenge é de 2020 a 2023; o artigo do ICASSP 2023 é o relatório mais recente do DNS Challenge que encontramos, portanto são os dados mais recentes disponíveis para essa série de benchmarks. O PESQ do RNNoise no VoiceBank+DEMAND é 2,33 na tabela do DeepFilterNet2, mas 2,29 nas tabelas do PercepNet e do UL-UNAS. O GTCRN aparece com 23,7 mil parâmetros e 39,6 MMACs no resumo do ICASSP 2024, mas o artigo do UL-UNAS cita números atualizados do repositório, de 48 mil parâmetros e 34 MMACs. O DeepFilterNet2 reporta um RTF de 0,04 e o DeepFilterNet3 um RTF de 0,19 (thread único) no mesmo Core i5-8250U, portanto as configurações de threads ou de medição diferem. O artigo sobre hearables dá 0,32 ms no resumo e 0,34 ms na introdução para a menor latência. Os valores do artigo de baixa latência da CMU e da MERL são citados com a precisão impressa em suas tabelas. Os números de GPU do fabricante vêm de uma única GPU de notebook e não são garantias. Os valores de SIG, BAK e OVRL por equipe das edições de 2022 e 2023 do DNS existem apenas como gráficos, por isso não os transcrevemos. O texto completo da ITU-T P.835 (07/26) ainda não era público.
Última atualização: 25 de outubro de 2026. Atualizamos este levantamento trimestralmente, e a próxima revisão está prevista para quando os anais do URGENT Challenge do ICASSP 2026 e o texto publicado da ITU-T P.835 (07/26) estiverem disponíveis.