Um modelo de realce de fala criado de propósito para explorar o PESQ fez 3,82 no conjunto de teste VoiceBank-DEMAND, acima dos 3,69 reportados pelo melhor sistema legítimo deste levantamento, enquanto sua pontuação de POLQA despencou para 1,46, contra 3,11 da entrada ruidosa sem processamento (de Oliveira et al., artigo do PESQetarian, Interspeech 2024). A corrida legítima também é real: o PESQ no mesmo benchmark subiu de 2,16 para o SEGAN em 2017 a 3,61 para o PrimeK-Net em 2025. Ainda assim, o STOI, a métrica de inteligibilidade muitas vezes impressa ao lado do PESQ, teve em média uma correlação de apenas 0,62 com a inteligibilidade medida em 13 conjuntos de dados de escuta (Edraki et al., IEEE/ACM TASLP 2020). Reunimos dados da ITU-T, de artigos revisados por pares da Interspeech, ICASSP, IEEE SLT e WASPAA, da IEEE/ACM Transactions on Audio, Speech, and Language Processing, do Microsoft Deep Noise Suppression (DNS) Challenge e dos relatórios dos desafios URGENT e CCF AATC. Para o lado de latência e de produto dos mesmos modelos, veja nossas estatísticas de latência de supressão neural de ruído; esta página trata das pontuações em si e de quanto confiar nelas.
TL;DR
- O PESQ no VoiceBank-DEMAND subiu de 2,16 (SEGAN, 2017) para 3,41 (CMGAN, 2022) (Cao et al., artigo do CMGAN, Interspeech 2022).
- O SEMamba chegou a 3,55 de PESQ, e a 3,69 com o alongamento de contraste perceptual adicionado (Chao et al., IEEE SLT 2024).
- O PrimeK-Net reportou 3,61 de PESQ com apenas 1,41 milhão de parâmetros (artigo do PrimeK-Net, ICASSP 2025).
- O PESQetarian atingiu 3,82 de PESQ com um SI-SDR de -19,8 dB, contra 8,4 dB da entrada ruidosa (de Oliveira et al., Interspeech 2024).
- O STOI teve em média uma correlação de Pearson de 0,62 com a inteligibilidade medida em 13 conjuntos de dados, e o eSTOI, 0,88 (Edraki et al., IEEE/ACM TASLP 2020).
- A correlação do DNSMOS P.835 com a qualidade de fala caiu de 0,94 por modelo para 0,71 por clipe (Reddy et al., Microsoft, artigo do DNSMOS P.835, 2021).
- A lacuna de generalização de ESTOI do Conv-TasNet em um corpus de fala não visto foi de -68% em relação a um modelo de referência com condições equivalentes (Gonzalez et al., IEEE/ACM TASLP 2023).
- O PESQ do ROSE-CD caiu de 3,49 no domínio de treino para 2,62 fora do domínio (Xu et al., WASPAA 2025).
- Métricas sem referência mostraram uma correlação de postos de -0,8 com o MOS dos ouvintes para sistemas híbridos (Zhang et al., retrospectiva do CCF AATC 2025).
- A ITU-T excluiu o PESQ (P.862) em 5 de janeiro de 2024 (página da recomendação ITU-T P.862).
1. A Corrida do PESQ no VoiceBank-DEMAND, de 2017 a 2025
O PESQ (Perceptual Evaluation of Speech Quality) compara uma gravação realçada com seu original limpo e prevê a nota que um ouvinte daria. O VoiceBank-DEMAND, um pequeno conjunto de teste em inglês com frases lidas misturadas a ruídos cotidianos gravados, tornou-se o lugar padrão para reportá-lo. O PESQ subiu de 2,16 para o SEGAN em 2017 a 3,69 para o SEMamba com alongamento de contraste perceptual em 2024, e o ritmo conta sua própria história.
Do SEGAN (2,16) ao MetricGAN+ (3,15), a área somou 0,99 ponto de PESQ em quatro anos. Do CMGAN (3,41, 2022) ao PrimeK-Net (3,61, 2025), somou 0,20 em três (subtração nossa a partir dos números publicados). O benchmark está perto da saturação, então os ganhos restantes são pequenos o bastante para que técnicas complementares e treinamento ciente da métrica decidam o ranking (veja a seção 5). Fontes: artigo do CMGAN, artigo do SEMamba, artigo do PrimeK-Net.
| Métrica | Valor | Fonte |
|---|---|---|
| PESQ: conjunto de teste ruidoso sem processamento vs SEGAN, um realçador baseado em GAN (2017) | 1,97 vs 2,16 | Cao et al., artigo do CMGAN, Interspeech 2022 |
| PESQ do MetricGAN+ (2021) e seu ganho sobre o MetricGAN | 3,15; cerca de +0,3 | artigo do MetricGAN+, Interspeech 2021 |
| PESQ do CMGAN (2022) | 3,41 | Cao et al., artigo do CMGAN, Interspeech 2022 |
| PESQ do MP-SENet, remoção de ruído paralela de magnitude e fase (2023) | 3,50 | artigo do MP-SENet, Interspeech 2023 |
| PESQ do SEMamba, não causal: sem vs com alongamento de contraste perceptual | 3,55 vs 3,69 | Chao et al., artigo do SEMamba, IEEE SLT 2024 |
| PESQ do PrimeK-Net (2025) e seu tamanho de modelo | 3,61; 1,41 milhão de parâmetros | artigo do PrimeK-Net, ICASSP 2025 |
Nota de contexto: são os números reportados por cada artigo no mesmo conjunto de teste público, não resultados de uma única reexecução independente de todos os sistemas.
2. O Que o Benchmark Realmente Mede
O ranking se apoia em uma base estreita. O conjunto de teste VoiceBank-DEMAND tem 824 enunciados de apenas 2 falantes não vistos, misturados a 5 tipos de ruído com relações sinal-ruído (SNR, quanto a fala é mais alta que o ruído) relativamente suaves, de 2,5 a 17,5 dB. Nenhum clipe de teste é misturado abaixo de 2,5 dB, então o extremo mais difícil das chamadas reais simplesmente não é amostrado.
A inteligibilidade quase não tem margem de melhora. A entrada ruidosa já marca 0,91 no STOI (Short-Time Objective Intelligibility, um preditor de quanto da fala um ouvinte entenderia), e o CMGAN chega a 0,96. O tamanho dos modelos, por sua vez, caiu mais de uma ordem de grandeza: o SEGAN usava 97,47 milhões de parâmetros, o CMGAN, 1,83 milhão. Benchmarks de vozes sobrepostas funcionam de outro jeito, como mostram nossas estatísticas de separação de fala. Fonte: artigo do CMGAN, seções de conjunto de dados e resultados.
| Métrica | Valor | Fonte |
|---|---|---|
| Conjunto de treino: tamanho e condições de ruído | 11.572 enunciados de 28 falantes; 8 tipos de ruído do DEMAND mais 2 tipos de ruído artificial, com SNRs de 0, 5, 10 e 15 dB | Cao et al., artigo do CMGAN, Interspeech 2022 |
| Conjunto de teste: tamanho e condições de ruído | 824 enunciados de 2 falantes não vistos; 5 tipos de ruído do DEMAND não vistos, com SNRs de 2,5, 7,5, 12,5 e 17,5 dB | Cao et al., artigo do CMGAN, Interspeech 2022 |
| STOI: entrada ruidosa vs saída do CMGAN | 0,91 vs 0,96 | Cao et al., artigo do CMGAN, Interspeech 2022 |
| Pontuação composta do sinal de fala (CSIG) e pontuação geral (COVL): entrada ruidosa vs saída do CMGAN | 3,35 e 2,63 vs 4,63 e 4,12 | Cao et al., artigo do CMGAN, Interspeech 2022 |
| Tamanho do modelo: SEGAN vs DEMUCS vs CMGAN | 97,47 milhões vs 128 milhões vs 1,83 milhão de parâmetros | Cao et al., artigo do CMGAN, Interspeech 2022 |
Nota de contexto: CSIG e COVL são medidas compostas, construídas a partir de várias métricas objetivas para prever as notas dos ouvintes sobre o sinal de fala e sobre a qualidade geral. Elas herdam os pontos cegos das métricas que combinam.
3. As Métricas de Qualidade Concordam com Ouvintes Humanos?
A resposta depende de calcular ou não a média. Aqui, a correlação é medida com o PCC (correlação de Pearson, concordância em valor), o SRCC (correlação de postos de Spearman, concordância em ordem) ou o KRCC (correlação de postos de Kendall, outro teste de ordem); 1,0 é concordância perfeita. O DNSMOS P.835, uma rede neural que prevê as notas dos ouvintes sem uma referência limpa, atingiu um PCC de 0,94 com as notas de fala dos ouvintes quando a média foi feita por modelo, mas 0,71 em clipes individuais.
O lado humano também é ruidoso. Duas rodadas independentes de avaliação P.808 nos mesmos clipes concordaram a um PCC de apenas cerca de 0,5 por clipe, de modo que o MOS de um único clipe (mean opinion score, a média das notas dos ouvintes) já é, por si só, um número aproximado. É mais um motivo para comparar sistemas, não arquivos, e para tratar uma inversão isolada no ranking como evidência fraca. A mesma cautela por clipe vale para vozes sintéticas, tema de nossas estatísticas de MOS de naturalidade da fala sintética. Fontes: artigo do DNSMOS P.835, artigo do DNSMOS, artigo do ICASSP 2022 DNS Challenge, artigo do NISQA.
| Métrica | Valor | Fonte |
|---|---|---|
| Pontuação de fala do DNSMOS P.835 (SIG) vs notas dos ouvintes: PCC por modelo vs por clipe | 0,94 vs 0,71 | Reddy et al., Microsoft, artigo do DNSMOS P.835, 2021 |
| Pontuação de ruído de fundo do DNSMOS P.835 (BAK) vs notas dos ouvintes: PCC por modelo vs por clipe | 0,98 vs 0,83 | Reddy et al., Microsoft, artigo do DNSMOS P.835, 2021 |
| Concordância entre duas rodadas independentes de avaliação humana P.808 nos mesmos clipes (PCC por clipe) | cerca de 0,5 | Reddy et al., Microsoft, artigo do DNSMOS, 2020 |
| DNSMOS P.835 vs notas dos ouvintes na Trilha 1 do ICASSP 2022 DNS Challenge, pontuação de fala: PCC vs SRCC | 0,93 vs 0,78 | Microsoft, artigo do ICASSP 2022 DNS Challenge |
| Correlação de postos (SRCC) do DNSMOS original entre categorias do conjunto cego do DNS Challenge 2: modelo de estágio único vs multiestágio | 0,65 vs 0,90 | Reddy et al., Microsoft, artigo do DNSMOS, 2020 |
| NISQA, outro preditor neural de qualidade: novos arquivos de fala de treino e validação, e conjuntos de dados usados para treino e avaliação | mais de 13.000 arquivos; 81 conjuntos de dados | Mittag et al., artigo do NISQA, Interspeech 2021 |
| URGENT 2024: KRCC entre a pontuação geral de ranking do desafio e o ranking de MOS dos ouvintes | 0,73 | Zhang, Saijo et al., artigo de lições do URGENT 2024, Interspeech 2025 |
Nota de contexto: o DNSMOS P.835 foi treinado com cerca de 30.000 clipes avaliados (75 horas), e o DNSMOS original com cerca de 120.000 clipes. As correlações por modelo foram calculadas com 5 notas por clipe, e a análise em nível de clipe usou 30 notas por clipe, portanto os dois números de cada linha não vêm de configurações idênticas.
4. Métricas de Inteligibilidade: o STOI e Seus Sucessores
O STOI foi criado para responder a uma pergunta mais estreita que a do PESQ: não o quão agradável a fala soa, mas quantas palavras sobrevivem. Em 13 conjuntos de dados de escuta, o STOI teve em média uma correlação de Pearson de 0,62 com a inteligibilidade medida, enquanto a versão estendida, o eSTOI, teve em média 0,88. Em um conjunto de dados com fala em ruído de forte flutuação, a correlação do STOI foi negativa (-0,77): a métrica se moveu na direção errada.
A leitura prática é que o STOI funciona melhor para o ruído estacionário e o mascaramento tempo-frequência em torno dos quais foi projetado, e pior para fala em ruído intermitente e modulado, o tipo que falantes concorrentes e salas cheias produzem. Dado mais recente disponível: Edraki et al., IEEE/ACM TASLP 2020. Fontes: Edraki et al. no PubMed Central, Taal et al., IEEE TASLP 2011.
| Métrica | Valor | Fonte |
|---|---|---|
| Duração do segmento de análise do STOI | 386 ms | Taal et al., IEEE TASLP 2011 |
| Validação do STOI em seu artigo original | 3 experimentos de escuta; correlação melhor que 5 modelos de inteligibilidade de referência | Taal et al., IEEE TASLP 2011 |
| Correlação de Pearson média com a inteligibilidade medida em 13 conjuntos de dados, após mapeamento logístico: STOI vs eSTOI vs HASPI vs wSTMI | 0,62 vs 0,88 vs 0,82 vs 0,93 | Edraki et al., IEEE/ACM TASLP 2020 |
| Correlação de postos de Spearman média nos mesmos 13 conjuntos de dados: STOI vs eSTOI | 0,59 vs 0,82 | Edraki et al., IEEE/ACM TASLP 2020 |
| Correlação de Pearson do STOI em um conjunto de dados de fala em ruído modulado (ModN-Fogerty) | -0,77 | Edraki et al., IEEE/ACM TASLP 2020 |
| Correlação de Pearson do STOI em um conjunto de dados de melhoria da escuta no lado do ouvinte (NELE-Taal) | 0,90 | Edraki et al., IEEE/ACM TASLP 2020 |
| Citações do artigo original do STOI | 2.265 | registro do OpenAlex, acessado em 31 de outubro de 2026 |
Nota sobre valores atípicos: o wSTMI, de melhor desempenho, foi treinado e validado em dois dos 13 conjuntos de dados, então sua média não é totalmente independente do treino. O HASPI é uma métrica projetada pensando em ouvintes com deficiência auditiva, e o eSTOI abandona a premissa do STOI de que as bandas de frequência são independentes.
5. Lei de Goodhart: Quando o PESQ Deixa de Medir Qualidade
A lei de Goodhart diz que uma medida que vira meta deixa de ser uma boa medida. O realce de fala agora tem os dados para prová-lo. O PESQetarian, um modelo treinado para maximizar o PESQ, fez 3,82 no VoiceBank-DEMAND enquanto seu SI-SDR (razão sinal-distorção invariante à escala, o quão próxima a forma de onda está do original limpo) caiu para -19,8 dB, muito abaixo dos 8,4 dB da entrada ruidosa sem processamento.
O efeito não se limita a um artigo. Um modelo de difusão de um passo de 2025 treinado com perda de PESQ chegou a 3,99 de PESQ, mas só 0,40 dB de SI-SDR, enquanto a versão equilibrada dos autores fez 3,49 de PESQ e 17,8 dB de SI-SDR. Até técnicas legítimas movem o número: o alongamento de contraste perceptual, que reforça o contraste de características-alvo conforme sua importância perceptual, acrescentou 0,14 de PESQ ao SEMamba (de 3,55 para 3,69, subtração nossa). A lição para compradores e revisores é simples: um recorde de PESQ sem um teste de escuta correspondente é um sinal de alerta, não uma manchete. Fontes: artigo do PESQetarian, artigo do ROSE-CD.
| Métrica | Valor | Fonte |
|---|---|---|
| PESQ: entrada ruidosa vs modelo treinado só com MSE vs PESQetarian | 1,97 vs 2,78 vs 3,82 | de Oliveira et al., artigo do PESQetarian, Interspeech 2024 |
| POLQA (o sucessor do PESQ na ITU-T): entrada ruidosa vs modelo MSE vs PESQetarian | 3,11 vs 3,87 vs 1,46 | de Oliveira et al., artigo do PESQetarian, Interspeech 2024 |
| Pontuação geral do DNSMOS: entrada ruidosa vs modelo MSE vs PESQetarian | 2,69 vs 3,13 vs 2,06 | de Oliveira et al., artigo do PESQetarian, Interspeech 2024 |
| PESQ após adicionar um único clique fixo a cada arquivo de teste ruidoso, sem nenhuma remoção de ruído | 3,46 | de Oliveira et al., artigo do PESQetarian, Interspeech 2024 |
| Otimização direta em seis arquivos: PESQ antes vs depois, e POLQA antes vs depois | de 1,91 para 3,76; de 3,46 para 2,73 | de Oliveira et al., artigo do PESQetarian, Interspeech 2024 |
| ROSE-CD treinado com perda de PESQ vs ROSE-CD final: PESQ, SI-SDR e WV-MOS (um preditor neural de nota de ouvinte) | 3,99, 0,40 dB, 2,31 vs 3,49, 17,8 dB, 4,41 | Xu et al., artigo do ROSE-CD, WASPAA 2025 |
| Ganho de PESQ do alongamento de contraste perceptual no SEMamba | +0,14 (de 3,55 para 3,69) | Chao et al., artigo do SEMamba, IEEE SLT 2024 |
Nota de contexto: o teste de escuta do PESQetarian usou 10 especialistas em áudio avaliando 10 amostras de teste aleatórias em uma escala de 0 a 100, e o artigo reporta os resultados por sistema apenas em uma figura. O PESQetarian é um teste de estresse deliberado, não um produto.
6. Do Benchmark às Gravações Reais: a Lacuna de Generalização
Um modelo que vence com 2 falantes de teste não provou que consegue lidar com os seus. Um estudo de 2023 treinou 40 modelos por arquitetura em cinco bases de fala, cinco de ruído e cinco de acústica de salas, e depois mediu cada modelo contra um modelo de referência treinado na própria condição de teste. Quando a fala de teste vinha de um corpus não visto, o Conv-TasNet mostrou uma lacuna de generalização de ESTOI de -68% em relação a essa referência, e o descompasso de fala prejudicou mais do que o de ruído ou de sala para todos os modelos.
A descoberta encorajadora é que a generalização para ruído é solucionável com dados: treinar com quatro bases de ruído manteve a lacuna de melhora de SNR em -5% ou melhor. Um teste fora do domínio em um artigo de 2025 mostra que modelos generativos mais novos também perdem terreno. Fontes: Gonzalez et al., artigo sobre a lacuna de generalização, artigo do ROSE-CD, artigo do ICASSP 2021 DNS Challenge.
| Métrica | Valor | Fonte |
|---|---|---|
| Lacuna de generalização de ESTOI sob descompasso de corpus de fala, Conv-TasNet treinado com 1 base de fala | -68% | Gonzalez et al., IEEE/ACM TASLP 2023 |
| Lacuna de generalização de PESQ sob descompasso de corpus de fala: MANNER treinado com 1 base vs Conv-TasNet treinado com 4 | -50% vs -35% | Gonzalez et al., IEEE/ACM TASLP 2023 |
| Lacuna de melhora de SNR sob descompasso de ruído com 4 bases de ruído de treino (Conv-TasNet, DCCRN, MANNER) | -5% ou melhor | Gonzalez et al., IEEE/ACM TASLP 2023 |
| Descompasso de acústica de sala com 1 base de treino: lacuna de PESQ de uma rede neural feedforward vs lacuna de ESTOI do Conv-TasNet | -10% vs -17% | Gonzalez et al., IEEE/ACM TASLP 2023 |
| PESQ do ROSE-CD no VoiceBank-DEMAND vs fora do domínio no TIMIT+NOISE92 | 3,49 vs 2,62 | Xu et al., artigo do ROSE-CD, WASPAA 2025 |
| PESQ do SGMSE+ (modelo de difusão) no VoiceBank-DEMAND vs fora do domínio no TIMIT+NOISE92 | 2,93 vs 2,08 | Xu et al., artigo do ROSE-CD, WASPAA 2025 |
| Teste cego da Trilha 1 do ICASSP 2021 DNS Challenge: gravações reais vs clipes sintéticos | 650 reais vs 50 sintéticos (700 clipes) | Microsoft, artigo do ICASSP 2021 DNS Challenge |
Nota de contexto: a lacuna de generalização é medida contra um modelo de referência treinado na condição de teste, portanto é um valor relativo, não uma queda absoluta na pontuação de ESTOI ou de PESQ. As quedas brutas do ROSE-CD e do SGMSE+, por outro lado, misturam dados não vistos com dificuldade da tarefa, os dois efeitos que o método do modelo de referência foi projetado para separar. Os organizadores do DNS montaram o teste cego principalmente com gravações reais e o avaliaram com ouvintes, observando que medidas objetivas como PESQ, SDR e POLQA já se mostraram pouco correlacionadas com a qualidade subjetiva na presença de ruído de fundo.
7. Como Desafios e Padrões Estão Mudando a Avaliação
A resposta atual à manipulação de métricas é um painel de avaliação mais amplo. No URGENT 2024, a equipe em primeiro lugar no DNSMOS (3,26) terminou em 18º no MOS dos ouvintes (3,05), com uma acurácia de palavras de apenas 40,73%, enquanto a equipe líder combinou um MOS de 3,52 com 73,57% de acurácia de palavras. A acurácia de palavras aqui significa quantas palavras um reconhecedor de fala ainda acerta após o realce, uma checagem direta de que o modelo não inventou nem apagou fala; nossas estatísticas de alucinação em reconhecimento de fala tratam dessa falha pelo lado do reconhecedor.
Realçadores híbridos e generativos tornam o problema mais agudo. Um desafio de restauração de fala de 2025 mediu uma correlação de postos de -0,8 entre métricas sem referência amplamente usadas e o MOS dos ouvintes para sistemas híbridos, o que significa que o ranking das métricas foi em grande parte oposto ao humano. Os órgãos de normalização também se moveram: o PESQ não é mais uma recomendação da ITU-T. Fontes: retrospectiva do CCF AATC 2025, visão geral do URGENT 2025, visão geral do URGENT do ICASSP 2026, página da ITU-T P.862, página da ITU-T P.863.
| Métrica | Valor | Fonte |
|---|---|---|
| Teste cego e subconjunto de escuta do URGENT 2024 | 500 gravações simuladas mais 500 reais; subconjunto de MOS de 300 amostras, 8 ouvintes por amostra; 21 equipes | Zhang, Saijo et al., artigo de lições do URGENT 2024, Interspeech 2025 |
| Dados de treino do URGENT 2024 com largura de banda declarada vs efetiva divergentes | cerca de 25% do LibriTTS; cerca de 100% do LibriVox do DNS5 e do CommonVoice 11.0 | Zhang, Saijo et al., artigo de lições do URGENT 2024, Interspeech 2025 |
| CCF AATC 2025: correlação de postos entre métricas sem referência e MOS dos ouvintes para sistemas híbridos | -0,8 (25 sistemas analisados no desafio) | Zhang et al., retrospectiva do CCF AATC 2025, arXiv 2025 |
| Conjunto de avaliação do URGENT 2025 | 14 métricas em 5 categorias; 7 tipos de distorção; 5 idiomas de treino | Saijo et al., visão geral do URGENT 2025, Interspeech 2025 |
| Dados de treino da Trilha 1 do URGENT do ICASSP 2026 | subconjunto curado de 700 horas do conjunto de 2.500 horas do URGENT 2025 | visão geral do ICASSP 2026 URGENT Challenge |
| Situação do PESQ na ITU-T | P.862 e partes P.862.1 a P.862.3 excluídas em 5 de janeiro de 2024 | página da recomendação ITU-T P.862 |
| Situação do POLQA na ITU-T | P.863 (março de 2018) em vigor, com a Emenda 1 (abril de 2020) | página da recomendação ITU-T P.863 |
Nota de contexto: o URGENT 2024 também sinalizou cerca de 2.000 rótulos de fala em seus corpora de treino de “alta qualidade” com valores negativos de WADA-SNR, uma estimativa cega de SNR, de modo que há ruído de rotulagem dentro das referências limpas contra as quais métricas intrusivas como o PESQ comparam.
Resumo: Benchmarks de PESQ e STOI em Realce de Fala em Números
| Métrica | Valor | Fonte |
|---|---|---|
| PESQ no VoiceBank-DEMAND: SEGAN (2017) vs CMGAN (2022) | 2,16 vs 3,41 | Cao et al., artigo do CMGAN, Interspeech 2022 |
| PESQ no VoiceBank-DEMAND: SEMamba sem vs com alongamento de contraste perceptual | 3,55 vs 3,69 | Chao et al., IEEE SLT 2024 |
| PESQ no VoiceBank-DEMAND e tamanho do PrimeK-Net | 3,61; 1,41 milhão de parâmetros | artigo do PrimeK-Net, ICASSP 2025 |
| STOI: entrada ruidosa vs saída do CMGAN | 0,91 vs 0,96 | Cao et al., artigo do CMGAN, Interspeech 2022 |
| PESQetarian: PESQ, SI-SDR e POLQA (entrada ruidosa entre parênteses) | 3,82, -19,8 dB, 1,46 (1,97, 8,4 dB, 3,11) | de Oliveira et al., Interspeech 2024 |
| Variante do ROSE-CD com perda de PESQ: PESQ vs SI-SDR | 3,99 vs 0,40 dB | Xu et al., WASPAA 2025 |
| Correlação do STOI com a inteligibilidade medida: média em 13 conjuntos de dados (média do eSTOI entre parênteses) vs conjunto de dados com ruído modulado | 0,62 (0,88) vs -0,77 | Edraki et al., IEEE/ACM TASLP 2020 |
| PCC da pontuação de fala do DNSMOS P.835: por modelo vs por clipe | 0,94 vs 0,71 | Reddy et al., Microsoft, artigo do DNSMOS P.835, 2021 |
| Lacuna de generalização de ESTOI em corpus de fala não visto (Conv-TasNet) | -68% | Gonzalez et al., IEEE/ACM TASLP 2023 |
| Lacuna de generalização de PESQ em corpus de fala não visto (MANNER, 1 base de treino) | -50% | Gonzalez et al., IEEE/ACM TASLP 2023 |
| PESQ do ROSE-CD no domínio vs fora do domínio | 3,49 vs 2,62 | Xu et al., WASPAA 2025 |
| URGENT 2024: posição no DNSMOS vs posição no MOS dos ouvintes da mesma equipe | 1º vs 18º | Zhang, Saijo et al., Interspeech 2025 |
| PESQ após adicionar um único clique fixo a cada arquivo de teste ruidoso, sem nenhuma remoção de ruído | 3,46 | de Oliveira et al., Interspeech 2024 |
| Métricas sem referência vs MOS dos ouvintes para sistemas híbridos (correlação de postos) | -0,8 | Zhang et al., retrospectiva do CCF AATC 2025 |
| PESQ excluído pela ITU-T | 5 de janeiro de 2024 | página da recomendação ITU-T P.862 |
Metodologia e Fontes
- ITU-T, página da recomendação P.862 (PESQ), situação atualizada em 9 de janeiro de 2024, e página da recomendação P.863 (POLQA), acessada em outubro de 2026.
- Taal et al., An Algorithm for Intelligibility Prediction of Time-Frequency Weighted Noisy Speech, IEEE TASLP 2011 (resumo lido pelo registro do OpenAlex; contagem de citações do OpenAlex).
- Edraki, Chan, Jensen e Fogerty, Speech Intelligibility Prediction using Spectro-Temporal Modulation Analysis, IEEE/ACM TASLP 2020.
- Cao, Abdulatif e Yang, CMGAN: Conformer-based Metric GAN for Speech Enhancement, Interspeech 2022 (fonte dos números do SEGAN, do DEMUCS e do conjunto de dados).
- MetricGAN+, Interspeech 2021; MP-SENet, Interspeech 2023; Chao et al., SEMamba, IEEE SLT 2024; PrimeK-Net, ICASSP 2025.
- de Oliveira, Welker, Richter e Gerkmann, The PESQetarian: On the Relevance of Goodhart’s Law for Speech Enhancement, Interspeech 2024.
- Xu, Yan e Kleijn, Robust One-step Speech Enhancement via Consistency Distillation (ROSE-CD), WASPAA 2025.
- Gonzalez, Alstrøm e May, Assessing the Generalization Gap of Learning-Based Speech Enhancement Systems, IEEE/ACM TASLP 2023.
- Artigos de pesquisa da Microsoft: Reddy, Gopal e Cutler, DNSMOS (2020) e DNSMOS P.835 (2021); artigos do ICASSP 2021 DNS Challenge e do ICASSP 2022 DNS Challenge.
- Mittag, Naderi, Chehadi e Möller, NISQA, Interspeech 2021.
- Zhang, Saijo et al., Lessons Learned from the URGENT 2024 Speech Enhancement Challenge, Interspeech 2025; Saijo et al., Interspeech 2025 URGENT Challenge; ICASSP 2026 URGENT Challenge overview (2026).
- Zhang, Zhu, Xu, Bu, Ling e Wu, The CCF AATC 2025 Speech Restoration Challenge: A Retrospective, arXiv 2025.
- Nota sobre os dados: as pontuações do VoiceBank-DEMAND aqui são as reportadas por cada artigo, e os números de um mesmo sistema podem diferir entre artigos (o MetricGAN+ tem 3,15 em seu próprio artigo e 3,13 na tabela do ROSE-CD). O artigo do ROSE-CD é internamente inconsistente: sua tabela de resultados dá ao modelo final um PESQ de 3,49, enquanto sua conclusão afirma 3,99, que corresponde à variante treinada apenas com perda de PESQ; reportamos 3,49 como o modelo final. As contagens de citações do artigo do STOI diferem conforme a fonte (2.265 no OpenAlex, 2.499 no Semantic Scholar, ambas consultadas em 31 de outubro de 2026). As correlações das métricas de inteligibilidade vêm de um estudo de 2020 e são a comparação multiconjunto mais recente que encontramos. A ITU-T publicou uma nova edição da P.835, o método de teste de escuta por trás do DNSMOS P.835, em julho de 2026, e o artigo do URGENT do ICASSP 2026 ainda não imprime no texto as correlações de seus preditores de qualidade.
Última atualização: 31 de outubro de 2026. Atualizamos este levantamento trimestralmente, e a próxima revisão é esperada quando os anais do ICASSP 2026 URGENT Challenge publicarem as correlações dos preditores de qualidade da Trilha 2.