Самый цитируемый показатель эхокомпенсаторов, ERLE, согласуется с оценками живых слушателей лишь на уровне корреляции Пирсона 0,31, тогда как нейросетевая метрика Microsoft AECMOS достигает 0,99 на оценках эха дальнего конца (Microsoft, статьи AEC Challenge на ICASSP 2021 и ICASSP 2023). Со стороны стандартов ITU-T G.168 отводит сетевому эхокомпенсатору примерно 1 секунду на сходимость, 3GPP TS 26.131 требует от гарнитур затухания эха не менее 46 дБ, а соревнование Microsoft вдвое сократило допустимую задержку, с 40 мс до 20 мс, между 2021 и 2023 годами. Эхо - это ещё и проблема, которая подталкивает людей к более качественному оборудованию для переговорных, и мы рассматривали её со стороны микрофона в нашей статистике потолочных микрофонов с формированием диаграммы направленности в переговорных. Мы собрали данные ITU-T, 3GPP, четырёх статей Microsoft Research по AEC Challenge, Amazon Web Services, ByteDance, лаборатории Tongyi Lab компании Alibaba, независимых исследователей на arXiv и HEAD acoustics.
Кратко (TL;DR)
- Сетевые эхокомпенсаторы должны достигать требуемого суммарного затухания примерно за 1 секунду в тесте 2A (ITU-T G.168, 04/2015).
- Гарнитурам нужно не менее 46 дБ взвешенного затухания акустической связи терминала при любой громкости, при этом при номинальной громкости рекомендуется 55 дБ (3GPP TS 26.131, Rel-19).
- ERLE коррелирует с оценками слушателей при PCC 0,31 и SRCC 0,23 (Microsoft, статья AEC Challenge на ICASSP 2021).
- AECMOS коррелирует с оценками эха дальнего конца при PCC 0,99 (Microsoft, статья AEC Challenge на ICASSP 2023).
- Лимит задержки в соревновании снизился с 40 мс алгоритмической задержки в 2021 году до 20 мс алгоритмической задержки плюс задержки буферизации в 2023 году (Microsoft, статьи и репозиторий AEC Challenge).
- Заявка с наивысшим баллом на INTERSPEECH 2021 получила в среднем 4,43 против 3,87 у базовой модели (Microsoft, результаты AEC Challenge на INTERSPEECH 2021).
- Мобильные устройства получили на 0,75 MOS меньше настольных по деградации при двойном разговоре (Microsoft, статья AEC Challenge на ICASSP 2022).
- WebRTC AEC3 подавил около 30 дБ эха против 40,8 дБ у нейросетевого подавителя (ByteDance, arXiv 2020).
- Сквозная модель января 2026 года достигла 78,69 дБ ERLE при 1,2 млн параметров (Alibaba Tongyi Lab, E2E-AEC, arXiv 2026).
- Небольшая нейросетевая модель подавления эха и шума работает за 0,14 мс на кадр, то есть с коэффициентом реального времени 0,014 (Microsoft, DeepVQE, Interspeech 2023).
- Терминалы громкой связи лучшей категории двойного разговора (категория 1) ослабляют передаваемую речь не более чем на 3 дБ во время двойного разговора (HEAD acoustics, описание ITU-T P.340).
1. Свод правил ITU-T: сходимость, двойной разговор и тесты на утечку
Основные телекоммуникационные правила для эхокомпенсаторов старые, но по-прежнему действуют. «Эхо» здесь - это ваш собственный голос, возвращающийся к вам после того, как он дошёл до дальнего конца и просочился в обратный тракт. G.168 отводит эхокомпенсатору примерно одну секунду на достижение требуемого затухания, а затем продолжает проверять, удерживает ли он это затухание, когда оба собеседника говорят одновременно («двойной разговор») и когда линия на минуты затихает. Нелинейный процессор (NLP) - это завершающая ступень, подавляющая остаточное эхо, которое оставляет адаптивный фильтр; в ряде тестов его отключают, чтобы измерять сам фильтр.
Реальные тракты эха, которые моделируют эти тесты, короткие. В полевых данных, приведённых в ITU-T G.168 (04/2015), были измерены 101 междугородний звонок из Монреаля по всей Северной Америке (с июня 1998 года по апрель 1999 года); гистограмма по 88 из них показала среднее время дисперсии 6,02 мс, и ни один звонок не превысил 12 мс. Акустический аналог, G.167, был отозван, а его содержание перенесено в P.340 и G.161.
| Показатель | Значение | Источник |
|---|---|---|
| Действующая редакция рекомендации по сетевым эхокомпенсаторам | G.168 (04/2015) плюс Corrigendum 1 (12/2022) | ITU-T G.168 |
| Минимальное затухание возвратного эха (затухание, которое обеспечивает сам тракт эха), используемое в тестах; число стандартных моделей тракта эха | Минимум 6 дБ; 8 моделей (m1-m8), с минимумами 6,55 дБ, 11,06 дБ и 9,27 дБ для m2, m7 и m8 | ITU-T G.168 (04/2015), Приложение D |
| Сходимость в тесте 2A, нелинейный процессор включён | Требуемое суммарное затухание в пределах 1 с плюс задержка тракта эха и начальное смещение; пики не более чем на 5 дБ выше предела | ITU-T G.168 (04/2015) |
| Тест 3A, двойной разговор с сигналом ближнего конца на 15 дБ ниже уровня дальнего конца (дальний конец от -25 до 0 дБм0) | Сходимость должна наступить в пределах 5 с | ITU-T G.168 (04/2015) |
| Тест 3B(a) и тест 4: допустимый рост остаточного эха во время двойного разговора и через 2 минуты после прекращения сигнала дальнего конца (тест на утечку) | Не более чем на 10 дБ выше требования для установившегося режима в обоих случаях | ITU-T G.168 (04/2015) |
| Статус G.167, первоначальной рекомендации по акустическим эхоподавителям (03/1993) | Отозвана; заменена P.340 (2000) для пунктов 1-5 и G.161 (2002) для пункта 6 | Запись ITU-T о G.167 |
| Последняя редакция рекомендации по терминалам громкой связи, охватывающая характеристики эха и двойного разговора | P.340 (07/2026) | Краткое описание ITU-T P.340, 2026 |
| Диапазон частот рекомендации по широкополосной громкой связи в автомобиле | от 50 до 7 000 Гц; действующая редакция P.1110 (10/2025) | ITU-T P.1110 |
Примечание: дБм0 - это уровень сигнала относительно опорной точки в сети, поэтому «от -25 до 0 дБм0» означает от тихого до громкого собеседника на дальнем конце. Редакция P.340 2026 года новая; её полный текст на момент написания был непубличным, поэтому в этом обзоре приводится только опубликованное краткое описание.
2. Целевые значения затухания эха для гарнитур, громкой связи и сетей
Затухание акустической связи терминала (TCLw) показывает, насколько голос дальнего конца, воспроизводимый динамиком или наушником устройства, ослабляется, прежде чем просочиться обратно в собственный микрофон устройства и быть отправленным назад. Мобильные стандарты задают 46 дБ как нижнюю границу для гарнитур при любой громкости, а рекомендуемая цель в 55 дБ сопровождается оговоркой, что её можно измерить не на каждом устройстве из-за собственного шума устройства в режиме простоя.
Интересный разрыв - в громкой связи. Настольный спикерфон может опускаться до 40 дБ на максимальной громкости и всё равно соответствовать требованиям, поэтому поведение громкой связи при двойном разговоре выделено в отдельные категории: устройство категории 1 почти не приглушает ваш голос, пока говорит другая сторона (не более 3 дБ), тогда как устройство категории 3 подавляет его более чем на 12 дБ, что близко к поведению рации, где слышна только одна сторона за раз.
| Показатель | Значение | Источник |
|---|---|---|
| Взвешенное затухание акустической связи терминала гарнитуры: при любой громкости и рекомендуемое при номинальной громкости | Не менее 46 дБ и не менее 55 дБ | 3GPP TS 26.131 (Rel-19) |
| Взвешенное затухание акустической связи терминала настольной громкой связи: при любой громкости и при номинальной громкости в условиях свободного поля | Не менее 40 дБ и не менее 46 дБ | 3GPP TS 26.131 (Rel-19) |
| Рекомендуемая целевая характеристика настольной громкой связи при номинальной громкости | Не менее 55 дБ (может не поддаваться измерению из-за шума канала в режиме простоя) | 3GPP TS 26.131 (Rel-19) |
| Затухание эха, обеспечиваемое сетями GSM, 3G, LTE или NR в точке взаимного подключения, односторонний разговор | Не менее 46 дБ | 3GPP TS 26.132 (Rel-19) |
| Речь, отбрасываемая в начале теста затухания эха, чтобы эхокомпенсатор успел сойтись; уровень тестового сигнала | Первые 17,0 с; 10 дБм0 | 3GPP TS 26.132 (Rel-19) |
| Ориентиры по затуханию акустической связи терминала: цифровой вход-выход (по P.341) и полевые условия (по P.342) и желательное значение для целей G.131 по эху говорящего | Не менее 35 дБ и более 40 дБ и более 45 дБ | ITU-T G.168 (04/2015), Дополнение I |
| Категории двойного разговора для терминалов громкой связи и ослабление передаваемой речи | 5 категорий (1, 2a, 2b, 2c, 3): не более 3 дБ для категории 1, не более 9 дБ для категории 2b, более 12 дБ для категории 3 | Техническое описание HEAD acoustics ACOPT 32, описывающее ITU-T P.340 |
Примечание: значения 3GPP взяты из текста Rel-19 стандартов TS 26.131 и TS 26.132; для TS 26.132 в архиве 3GPP есть более новый файл Rel-20 от июля 2026 года. Документ HEAD acoustics - это техническое описание испытательного оборудования, воспроизводящее категории P.340; пределы для категорий 2a и 2c в нём не приведены.
3. Бюджеты задержки: сколько миллисекунд может потратить эхокомпенсатор
Каждая миллисекунда, которую эхокомпенсатор тратит на буферизацию звука, добавляется к разговору. Исследовательский эталон здесь сильно сдвинулся: соревнование Microsoft допускало 40 мс алгоритмической задержки в 2021 году и вдвое сократило лимит, до 20 мс алгоритмической задержки плюс задержки буферизации, в 2023 году, причём собственная модель организаторов практически ничего не потеряла в оценках эха при более жёстком лимите. В статье ICASSP 2023 названа сквозная цель менее 50 мс (порог едва заметного различия) и будущая цель менее 5 мс для алгоритма плюс буферизации (Microsoft, статья AEC Challenge на ICASSP 2023).
Вычислительные ресурсы - это второй бюджет. Нейросетевая модель, которой нужна доля миллисекунды на кадр, может работать на каждом ноутбуке во время совещания; та, которой нужна большая часть ядра процессора, - нет. О том, как остальной бюджет задержки расходуют джиттер-буферы и кодеки, см. нашу статистику джиттер-буфера VoIP и качества речи.
| Показатель | Значение | Источник |
|---|---|---|
| Односторонняя задержка от рта до уха для, по сути, прозрачной интерактивности и потолок для общего планирования сети | Менее 150 мс и 400 мс | ITU-T G.114 (05/2003) |
| Лимит алгоритмической задержки в AEC Challenge, ICASSP 2021 | Не более 40 мс (допускался кадр 20 мс с шагом 10 мс, 30 мс) | Microsoft, статья AEC Challenge на ICASSP 2021 |
| Лимит задержки в AEC Challenge, ICASSP 2023 | 20 мс алгоритмической задержки плюс задержки буферизации | Репозиторий Microsoft AEC-Challenge |
| Вычислительный лимит в AEC Challenge, ICASSP 2023 | Коэффициент реального времени не более 0,5 на четырёхъядерном Intel Core i5 с частотой 2,4 ГГц, один поток | Microsoft, статья AEC Challenge на ICASSP 2023 |
| Модель Microsoft при 20 мс и победитель соревнования 2022 года при 40 мс: MOS эха дальнего конца; MOS эха при двойном разговоре | 4,65 и 4,66; 4,68 и 4,68 | Microsoft, статья AEC Challenge на ICASSP 2023 |
| Полная модель DeepVQE и малая модель DeepVQE-S: параметры и время CPU на кадр | 7,5 млн и 3,66 мс против 0,59 млн и 0,14 мс (коэффициент реального времени 0,014) | Microsoft, DeepVQE, Interspeech 2023 |
| Линейный эхокомпенсатор в сочетании с нейросетевым подавителем остаточного эха, заявка в соревновании на 16 кГц | 5,5% одного ядра Intel i7-8565U, 0,55 мс на кадр 10 мс | Amazon Web Services, управление эхом на основе PercepNet, arXiv 2021 |
Самые свежие доступные данные по лимитам соревнования: Microsoft, 2023. В репозитории AEC-Challenge ICASSP 2023 по-прежнему указан как последняя редакция, поэтому это остаются самые свежие публичные правила эталонных испытаний этой серии.
4. Таблицы результатов AEC Challenge, 2021-2023
AEC Challenge от Microsoft - это самое близкое к публичной турнирной таблице, что есть у отрасли. Заявки оценивают слушатели-краудсорсеры по шкале от 1 до 5 (MOS для качества речи ближнего конца, DMOS - оценка деградации - для эха и других артефактов). На INTERSPEECH 2021 заявка с наивысшим баллом получила в среднем 4,43 против 3,87 у базовой модели (первые четыре были статистически равны, поэтому Microsoft ранжировала их по вычислительной сложности), и почти весь прирост дало подавление эха и двойной разговор (сценарий, в котором старые эхокомпенсаторы либо пропускают эхо, либо обрезают говорящего на ближнем конце), а не качество речи ближнего конца, которое изменилось лишь с 4,18 до 4,25.
Наборы данных росли с каждым раундом: более 2 500 реальных сред и устройств для ICASSP 2021 (Microsoft, статья AEC Challenge на ICASSP 2021), 5 000 для INTERSPEECH 2021 и более 10 000 для раунда 2023 года (число для 2022 года различается в статьях Microsoft, см. «Методологию»). Публичных данных о том, как часто эхо реально доходит до пользователей в рабочих звонках, по-прежнему нет: статьи Microsoft описывают эхо лишь как «один из главных источников плохих оценок качества речи», без процентов.
| Показатель | Значение | Источник |
|---|---|---|
| ICASSP 2021: базовая модель и система-победитель, среднее по четырём субъективным тестам | 3,68 и 4,11 (17 заявок) | Amazon Web Services, управление эхом на основе PercepNet, arXiv 2021 |
| ICASSP 2021: базовая модель и система-победитель, деградация речи ближнего конца при двойном разговоре (DMOS) | 3,28 и 4,07 | Amazon Web Services, управление эхом на основе PercepNet, arXiv 2021 |
| INTERSPEECH 2021: заявка с наивысшим баллом (ERCESI) и базовая модель, средний балл | 4,43 и 3,87 | Microsoft, результаты AEC Challenge на INTERSPEECH 2021 |
| INTERSPEECH 2021: заявка с наивысшим баллом и базовая модель, DMOS эха при одностороннем разговоре дальнего конца; DMOS прочих деградаций при двойном разговоре | 4,59 и 3,82; 4,18 и 3,45 | Microsoft, результаты AEC Challenge на INTERSPEECH 2021 |
| INTERSPEECH 2021: ранжированные заявки команд со средним баллом выше базовой модели | 10 из 14 (подсчитано по таблице результатов) | Microsoft, результаты AEC Challenge на INTERSPEECH 2021 |
| ICASSP 2022: заявки; разрыв между мобильными и настольными устройствами по деградации при двойном разговоре | 18 заявок; у мобильных ниже на 0,75 MOS | Microsoft, статья AEC Challenge на ICASSP 2022 |
| ICASSP 2023: заявки; победный балл и размер модели | 20 заявок (17 неперсонализированных, 3 персонализированные); 0,854 при 1,5 млн параметров | Microsoft, статья AEC Challenge на ICASSP 2023 |
| ICASSP 2023: базовая модель и победитель, итоговый балл и точность распознавания слов | 0,736 и 0,852; 64,9% и 82,3% | Microsoft, DeepVQE, Interspeech 2023 |
Примечание: итоговый балл 2023 года - это составная оценка от 0 до 1, которая усредняет пять пересчитанных субъективных оценок с точностью распознавания слов, поэтому её нельзя сравнивать со средними MOS 2021 года. Две статьи Microsoft приводят немного разные победные баллы за 2023 год (см. «Методологию»). Самые свежие доступные данные: Microsoft, 2023.
5. Измерение эха: почему ERLE уступил позиции перцептивным метрикам
ERLE (улучшение затухания эха) - это число децибел, на которое эхокомпенсатор ослабляет сигнал микрофона. Его легко вычислить, поэтому он по-прежнему возглавляет технические описания, но ERLE коррелирует с оценками слушателей лишь на уровне 0,31 (по Пирсону), потому что эхокомпенсатор может получить огромный ERLE, просто заглушив линию и уничтожив голос говорящего на ближнем конце. PESQ, более старая интрузивная метрика качества речи, сравнивающая выходной сигнал с чистым эталоном, справляется лучше - 0,67.
AECMOS, нейросетевой оценщик Microsoft, не нуждается в чистом эталоне и предсказывает оценки эха и деградации, которые поставили бы слушатели. Практическое изменение: команды теперь могут ранжировать модели, не оплачивая каждый раз прослушивание. Это важно для всех, кто когда-либо сравнивал устройства в лаборатории, а не в реальных помещениях, - разрыв, который мы разбирали в нашей статистике акустических испытаний в безэховой камере.
| Показатель | Значение | Источник |
|---|---|---|
| ERLE и субъективные оценки: корреляция Пирсона (PCC) и Спирмена (SRCC) | 0,31 и 0,23 | Microsoft, статья AEC Challenge на ICASSP 2021 |
| PESQ и субъективные оценки: PCC и SRCC | 0,67 и 0,57 | Microsoft, статья AEC Challenge на ICASSP 2021 |
| AECMOS (версия 2023 года), корреляция Пирсона с оценками слушателей: эхо дальнего конца при одностороннем разговоре; эхо при двойном разговоре; прочие деградации при двойном разговоре | 0,99 (SRCC 0,92); 0,99; 0,96 | Microsoft, статья AEC Challenge на ICASSP 2023 |
| Исходный обучающий набор AECMOS; краудсорсинговых голосов на клип | 64 013 клипов (145,8 часа); 5 голосов на клип | Microsoft, статья об AECMOS, ICASSP 2022 |
| Исходное ранжирование AECMOS: число ранжированных моделей; PCC по участникам для эха дальнего конца при одностороннем разговоре | 22 модели (14 участников, 4 глубокие и 4 DSP-модели авторов); 0,996 | Microsoft, статья об AECMOS, ICASSP 2022 |
| Точность распознавания слов и средний субъективный балл по заявкам ICASSP 2022 (PCC) | 0,85 | Microsoft, статья AEC Challenge на ICASSP 2022 |
| Слушателей на фразу в субъективных тестах ICASSP 2021; 95-процентный доверительный интервал | 10 слушателей; 0,01 MOS | Amazon Web Services, управление эхом на основе PercepNet, arXiv 2021 |
Замечание о выбросах: корреляции по отдельным клипам намного слабее, чем по моделям. В исходной статье об AECMOS указан PCC по клипам 0,582 для эха при двойном разговоре, поэтому метрика надёжна для ранжирования систем, но не для оценки одной записи.
6. Нейросетевое и линейное подавление эха: что показывают прямые сравнения
Линейные адаптивные фильтры моделируют тракт эха как линейную систему, поэтому им трудно справляться с эхом, искажённым дешёвым перегруженным динамиком ноутбука. В пятёрке лучших ICASSP 2022 большинство нейросетевых систем строилось поверх линейного фильтра, а не вместо него. В одном тесте ByteDance WebRTC AEC3 подавил около 30 дБ эха, тогда как нейросетевой подавитель остаточного эха достиг 40,8 дБ, а AEC3 при отношении сигнал/эхо 0 дБ (эхо так же громко, как голос на ближнем конце) даже ухудшил качество речи при двойном разговоре по сравнению с отсутствием обработки.
Относитесь к значениям ERLE с осторожностью, описанной в разделе 5: ERLE 78,69 дБ говорит о том, что линия была очень тихой во время речи дальнего конца, а не о том, что голос ближнего конца уцелел. Со стороны вендоров Microsoft сообщает, что модель эха в Teams обучали на 30 000 часов речевых образцов (блог Microsoft 365, 2022, собственное заявление вендора), а её исследователи DeepVQE говорят, что малая модель тестировалась в Teams на сотнях миллионов пользователей.
| Показатель | Значение | Источник |
|---|---|---|
| ERLE, односторонний разговор дальнего конца с речью: линейный адаптивный фильтр, WebRTC AEC3 и адаптивный фильтр плюс нейросетевой подавитель остаточного эха | 16,612 дБ, 29,976 дБ и 40,786 дБ | ByteDance, подавление остаточного эха, arXiv 2020 |
| ERLE, односторонний разговор дальнего конца с речью и музыкой: WebRTC AEC3 и нейросетевой подавитель остаточного эха | 25,376 дБ и 43,144 дБ | ByteDance, подавление остаточного эха, arXiv 2020 |
| PESQ при двойном разговоре с отношением сигнал/эхо 0 дБ: без обработки, WebRTC AEC3 и нейросетевой подавитель остаточного эха | 1,908, 1,610 и 2,816 | ByteDance, подавление остаточного эха, arXiv 2020 |
| ERLE: Speex, WebRTC и адаптивный фильтр в сочетании с рекуррентной нейронной сетью | 25 дБ, 40 дБ и 68 дБ | Ma и др., arXiv 2020 |
| Эхокомпенсатор на двухсигнальной LSTM (DTLN-aec): прирост MOS относительно базовой модели AEC Challenge; обучающие данные | 0,30 MOS; 60 часов реальных и синтетических сценариев эха | Westhausen и Meyer, DTLN-aec, arXiv 2020 |
| Пять лучших систем ICASSP 2022: гибридные решения «линейный фильтр плюс нейросеть»; диапазон параметров | 3 из 5; от 1,5 млн до 55,5 млн параметров | Microsoft, статья AEC Challenge на ICASSP 2022 |
| Заявки ICASSP 2023: корреляция итогового балла с размером модели; с использованием гибридного решения (PCC) | -0,54; 0,10 | Microsoft, статья AEC Challenge на ICASSP 2023 |
| Сквозной нейросетевой эхокомпенсатор (январь 2026): ERLE с маскированием по детектору речевой активности; параметры; средний прирост MOS от одной стратегии обучения | 78,69 дБ; 1,2 млн параметров; от 4,31 до 4,38 | Alibaba Tongyi Lab, E2E-AEC, arXiv 2026 |
Примечание: эти результаты получены на разных тестовых наборах, поэтому они ранжируют методы внутри каждой статьи, а не между статьями. Самые свежие доступные данные для сравнений AEC3 и Speex: ByteDance и Ma и др., 2020.
Итоги: акустическое эхоподавление в цифрах
| Показатель | Значение | Источник |
|---|---|---|
| Время сходимости в тесте 2A по G.168 | Около 1 с плюс задержка тракта эха | ITU-T G.168 (04/2015) |
| Взвешенное затухание акустической связи терминала гарнитуры, при любой громкости и номинальной | Не менее 46 дБ и не менее 55 дБ | 3GPP TS 26.131 (Rel-19) |
| Затухание эха сети в точке взаимного подключения | Не менее 46 дБ | 3GPP TS 26.132 (Rel-19) |
| Категории двойного разговора для громкой связи | 5; категория 1 ослабляет передаваемую речь не более чем на 3 дБ | HEAD acoustics, описание ITU-T P.340 |
| Рекомендация по терминалам громкой связи, последняя редакция | P.340 (07/2026) | Краткое описание ITU-T P.340, 2026 |
| Односторонняя задержка для прозрачной интерактивности | Менее 150 мс | ITU-T G.114 (05/2003) |
| Лимит задержки в AEC Challenge, 2023 | 20 мс алгоритмической задержки плюс задержки буферизации | Репозиторий Microsoft AEC-Challenge |
| ERLE и оценки слушателей | PCC 0,31 | Microsoft, статья AEC Challenge на ICASSP 2021 |
| AECMOS и оценки эха дальнего конца | PCC 0,99 | Microsoft, статья AEC Challenge на ICASSP 2023 |
| Исходный обучающий набор AECMOS | 64 013 клипов, 145,8 часа | Microsoft, статья об AECMOS, ICASSP 2022 |
| Базовая модель и победитель ICASSP 2021 | 3,68 и 4,11 | Amazon Web Services, управление эхом на основе PercepNet, arXiv 2021 |
| Заявка с наивысшим баллом на INTERSPEECH 2021 и базовая модель | 4,43 и 3,87 | Microsoft, результаты AEC Challenge на INTERSPEECH 2021 |
| Мобильные и настольные устройства, деградация при двойном разговоре | У мобильных ниже на 0,75 MOS | Microsoft, статья AEC Challenge на ICASSP 2022 |
| Время CPU на кадр у DeepVQE-S | 0,14 мс (коэффициент реального времени 0,014) | Microsoft, DeepVQE, Interspeech 2023 |
| WebRTC AEC3 и нейросетевой подавитель остаточного эха, ERLE | 29,976 дБ и 40,786 дБ | ByteDance, подавление остаточного эха, arXiv 2020 |
| Speex, WebRTC и гибридная РНС, ERLE | 25 дБ, 40 дБ и 68 дБ | Ma и др., arXiv 2020 |
| Прирост DTLN-aec относительно базовой модели соревнования | 0,30 MOS | Westhausen и Meyer, DTLN-aec, arXiv 2020 |
| Сквозное нейросетевое AEC, ERLE (2026) | 78,69 дБ при 1,2 млн параметров | Alibaba Tongyi Lab, E2E-AEC, arXiv 2026 |
Методология и источники
- ITU-T: G.168, Digital network echo cancellers (04/2015, Corrigendum 12/2022), G.167, Acoustic echo controllers (03/1993, отозвана), краткое описание 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) и TS 26.132, Speech and video telephony terminal acoustic test specification (Rel-19)
- HEAD acoustics: техническое описание ACOPT 32 Speech-based Double Talk (воспроизводит категории ITU-T P.340)
- Microsoft Research: статья AEC Challenge на ICASSP 2021, результаты AEC Challenge на INTERSPEECH 2021, статья AEC Challenge на ICASSP 2022, статья AEC Challenge на ICASSP 2023, статья об AECMOS, DeepVQE, Interspeech 2023, репозиторий 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 и Su: Acoustic echo cancellation by combining adaptive digital filter and recurrent neural network (2020)
- Westhausen и 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 (январь 2026)
- Блог Microsoft 365: How Microsoft Teams uses AI and machine learning to improve calls and meetings (2022, заявление вендора)
- Наблюдение по данным: ни одна платформа не опубликовала долю эха в реальных звонках на основе телеметрии, поэтому в этом обзоре её нет; статьи Microsoft описывают эхо лишь качественно, как одну из главных жалоб. Два источника Microsoft немного расходятся в отношении победителя 2023 года: в статье о соревновании ICASSP 2023 балл первого места указан как 0,854, а в таблице статьи о DeepVQE победитель AEC указан как 0,852. Источники Microsoft также расходятся в отношении набора данных ICASSP 2022: в статье ICASSP 2022 говорится о более чем 10 000 сред и устройств, а в статье ICASSP 2023 для этого раунда указано 7 500. Корреляции 0,31 для ERLE и 0,67 для PESQ одинаковы в статьях о соревновании 2021, 2022 и 2023 годов, что говорит об одном исходном исследовании, а не о трёх независимых измерениях. Корреляции AECMOS зависят от версии модели (в статье ICASSP 2022 указан PCC 0,828 для эха дальнего конца, в статье 2023 года - 0,99). В статье INTERSPEECH 2021 сказано, что почти все участники превзошли базовую модель, тогда как публичная таблица результатов показывает 10 из 14 ранжированных заявок выше среднего балла базовой модели. Значения ERLE в сравнениях Speex и WebRTC 2020 года получены на собственном тестовом наборе и при собственных настройках каждой статьи. Большая часть данных AEC Challenge относится к 2021-2023 годам, потому что в репозитории AEC-Challenge ICASSP 2023 указан как последняя редакция; полный текст P.340 (07/2026) и файл Rel-20 для 3GPP TS 26.132 - следующие обновления, которые нужно проверить.
Последнее обновление: 24 октября 2026 года. Мы обновляем этот обзор ежеквартально, и следующее обновление ожидается, когда будет опубликован полный текст ITU-T P.340 (07/2026).