Соревнования Deep Noise Suppression (DNS) Challenge 2021 года ограничили полную алгоритмическую задержку 40 мс, тогда как исследование носимых слуховых устройств 2025 года запустило нейросетевое шумоподавление с алгоритмической задержкой 1,25 мс и сквозной задержкой 3,35 мс на маломощном DSP (Microsoft Research, статья о DNS Challenge на Interspeech 2021; Dementyev et al., arXiv 2025). Размеры моделей охватывают более трёх порядков: RNNoise использует 87 503 веса, а GTCRN имеет 23,7 тыс. параметров, тогда как лучшая система URGENT на Interspeech 2025 использовала около 102 миллионов. Тесты прослушивания по-прежнему вскрывают то, что упускают лабораторные метрики: у полной версии PercepNet PESQ оказался ниже, чем у варианта без постфильтра (2,54 против 2,73), а MOS слушателей выше (4,05 против 3,91). Шумоподавление - лишь половина истории изоляции голоса; другая половина, отделение одного говорящего от других, разобрана в нашей статистике разделения речи и эффекта коктейльной вечеринки, а коммерческая сторона этих инструментов - в нашей статистике корпоративного ПО для шумоподавления. Мы свели данные из статей Microsoft Research о DNS Challenge, ITU-T, работ Mozilla и Xiph.Org по RNNoise, статей о DeepFilterNet, от организаторов соревнования URGENT, из документации NVIDIA по Maxine и от независимых исследователей из университетов и отрасли.
Кратко (TL;DR)
- Нейросетевой шумоподавитель с задержкой 1,25 мс работал на маломощном DSP со сквозной задержкой 3,35 мс (Dementyev et al., статья о субмиллисекундных слуховых устройствах, arXiv 2025).
- RNNoise работает на 87 503 весах, около 1,3% одного ядра x86 (Mozilla, статья о RNNoise, MMSP 2018).
- GTCRN имеет 23,7 тыс. параметров и 39,6 MMACs в секунду (Rong et al., GTCRN, ICASSP 2024).
- У DeepFilterNet2 2,306 M параметров и коэффициент реального времени 0,42 даже на Raspberry Pi 4 (Schröter et al., статья о DeepFilterNet2, 2022).
- Шумоподавителю на GPU нужно 0,410 мс (p95), чтобы обработать кадр в 10 мс на ноутбучной GPU (NVIDIA, руководство по производительности Maxine AFX SDK, заявление производителя).
- PercepNet получил MOS слушателей 4,05 против 3,40 у зашумлённого входа на VCTK (Valin et al., статья о PercepNet, Interspeech 2020).
- Победитель URGENT на Interspeech 2025 использовал около 102 миллионов параметров, примерно в 12 раз больше 8,5 миллиона у базовой модели (Saijo et al., статья об URGENT 2025 Challenge).
- Предсказание вперёд для достижения задержки 0 мс снизило SI-SDR с 2,8341 дБ до -3,6493 дБ (Wang et al., IEEE/ACM TASLP 2022).
- У ITU-T P.835, теста с тремя оценками для шумоподавителей, вышла новая редакция P.835 (07/26) (страница Рекомендации ITU-T P.835, 2026).
- URGENT Challenge на ICASSP 2026 собрал 80 регистраций в Треке 1 и действительные заявки от 29 команд (Li et al., статья об URGENT Challenge на ICASSP 2026).
1. Бюджеты задержки: сколько задержки допускается шумоподавлению в реальном времени
Алгоритмическая задержка - это задержка, заложенная в сам метод (длина кадра анализа плюс любое упреждение по будущему звуку), поэтому более быстрый процессор её не устранит. Время обработки - это отдельное: система реального времени должна лишь завершить каждый кадр до прихода следующего. DNS Challenge 2021 года ограничили полную алгоритмическую задержку 40 мс, что щедро по меркам слуховых аппаратов и тесно для модели, которой нужно видеть будущий звук.
Эти 40 мс тратятся ещё до того, как звук покидает компьютер. Во время звонка задержка шумоподавителя складывается с эхоподавлением, кодеками и сетью; у контроля эха свой бюджет и свои бенчмарки, они разобраны в нашей статистике акустического эхоподавления. Правило прописано в статье о DNS Challenge на Interspeech 2021, а проектные цифры взяты из статьи о PercepNet и статьи о DeepFilterNet3.
| Показатель | Значение | Источник |
|---|---|---|
| Правило реального времени DNS Challenge: полная алгоритмическая задержка (кадр + шаг + упреждение) и время обработки на кадр | 40 мс или меньше; меньше времени шага на четырёхъядерном Intel Core i5 с частотой 2,4 ГГц (кадр 32 мс с шагом 16 мс, то есть 48 мс, не проходит) | Microsoft Research, статьи о DNS Challenge на ICASSP 2021 и Interspeech 2021 |
| Окно анализа, шаг и упреждение RNNoise | окна по 20 мс, смещение 10 мс; упреждение 10 мс | Mozilla, статья о RNNoise, MMSP 2018; Xiph.Org, демонстрационная страница RNNoise, 2017 |
| Размер кадра и упреждение PercepNet | кадры по 10 мс, упреждение 40 мс | Valin et al., статья о PercepNet, Interspeech 2020 |
| Алгоритмическая задержка DeepFilterNet3 | 40 мс (окно 20 мс, шаг 10 мс, 2 кадра упреждения) | Schröter et al., статья о DeepFilterNet3, Interspeech 2023 |
| Конструкция STFT с очень низкой задержкой: размеры окон и итоговая алгоритмическая задержка | входное окно 16 мс, выходное окно 4 мс, шаг 2 мс; задержка 4 мс, или 2 мс при предсказании на один кадр вперёд | Wang et al. (CMU, MERL), IEEE/ACM TASLP 2022 |
| Типичная алгоритмическая задержка улучшения речи на основе МО и целевое значение для носимых слуховых устройств | от 16 до 32 мс против менее 2 мс сквозной (около 1 мс или меньше алгоритмической) | Dementyev et al., статья о субмиллисекундных слуховых устройствах, arXiv 2025 |
| Эффект Denoiser v2 на GPU: размер кадра и порог выпуска на кадр (собственный тест производителя) | кадры по 10 мс (160 отсчётов при 16 кГц); время кадра p95 должно оставаться ниже бюджета 10 мс | NVIDIA, руководство по производительности Maxine AFX SDK для Windows (заявление производителя) |
Самые свежие доступные данные по правилу соревнования: 2021 год; более поздние выпуски DNS отсылают к сайту соревнования за определениями в миллисекундах. Самые свежие доступные данные по RNNoise и PercepNet: статьи 2018 и 2020 годов.
2. Вычисления и размер модели: от 23,7 тыс. параметров до 8 миллионов
GTCRN имеет 23,7 тыс. параметров, а PercepNet использует 8 миллионов весов и около 800 MMACS, то есть примерно в 340 раз больше весов (8 000 000 / 23 700) для модели, которая тоже работает в реальном времени. Коэффициент реального времени (RTF) - это время обработки, делённое на длительность звука, поэтому RTF ниже 1 означает, что модель успевает за живым звуком.
Практический вывод: вычисления больше не мешают нейросетевому шумоподавлению на ноутбуке. RNNoise требовал около 1,3% одного ядра на процессоре ноутбука эпохи Haswell, а PercepNet - менее 5% ядра. Открытым остаётся вопрос смартфонов, беспроводных наушников и DSP, где RTF 0,42 на Raspberry Pi 4 всё ещё оставляет мало запаса. Цифры взяты из статьи о RNNoise, статьи о DeepFilterNet2 и страницы статьи о GTCRN.
| Показатель | Значение | Источник |
|---|---|---|
| Размер и загрузка процессора RNNoise | 87 503 веса; около 40 MFLOPS; около 1,3% одного ядра Intel i7-4800MQ, около 14% одного ядра Raspberry Pi 3 | Mozilla, статья о RNNoise, MMSP 2018 |
| Файл модели RNNoise с 8-битными весами против 32-битных чисел с плавающей запятой и скорость | 85 kB против 340 kB; примерно в 60 раз быстрее реального времени на x86, примерно в 7 раз на Raspberry Pi 3 | Xiph.Org, демонстрационная страница RNNoise, 2017 |
| Размер и загрузка процессора PercepNet | 8 миллионов весов; около 800 MMACS; 5,2% одного ядра Intel i7-8565U (кадры по 10 мс), 4,1% (кадры по 40 мс) | Valin et al., статья о PercepNet, Interspeech 2020 |
| DeepFilterNet против DeepFilterNet2: параметры, вычисления, RTF на Core i5-8250U | 1,778 M против 2,306 M; 0,348 против 0,356 GMACs; RTF 0,11 против 0,04 (0,42 на Raspberry Pi 4) | Schröter et al., статья о DeepFilterNet2, 2022 |
| Размер и вычисления GTCRN | 23,7 тыс. параметров; 39,6 MMACs в секунду | Rong et al., GTCRN, ICASSP 2024 |
| Размер и вычисления UL-UNAS | 169 тыс. параметров; 34 миллиона MACs в секунду; упреждение 0 мс | Rong et al., UL-UNAS, Neural Networks 2025 |
| Denoiser v2 на ноутбучной GPU RTX 3500 Ada (собственное измерение производителя) | p95 0,410 мс на кадр 10 мс; пропускная способность p50 в 26,74 раза выше реального времени; 215 MiB памяти GPU | NVIDIA, руководство по производительности Maxine AFX SDK для Windows (заявление производителя) |
В документации по шумоподавителю NVIDIA добавляет собственную оговорку: вход с SNR ниже 5 дБ может давать искажённый результат.
3. Оценки качества в бенчмарках: PESQ и DNSMOS для именованных моделей
PESQ сравнивает обработанный звук с чистым эталоном; DNSMOS - нейросетевая модель, которая предсказывает, что сказали бы слушатели, без необходимости в эталоне. На распространённом тестовом наборе VoiceBank+DEMAND PESQ вырос с 1,97 для необработанной зашумлённой речи до 3,17 для DeepFilterNet3, при этом RNNoise находится в нижней части нейросетевой группы.
Строка DNSMOS содержит более полезное предупреждение. На слепом наборе DNS4 RNNoise снизил предсказанную оценку речи (SIG) ниже зашумлённого входа, одновременно подняв общую оценку, - это классический компромисс: меньше шума, слегка испорченный голос. Статья о PercepNet сама показывает обратную проблему для PESQ, где версия, которая больше всего понравилась слушателям, имела более низкий PESQ. Данные из статьи о DeepFilterNet3 и статьи об UL-UNAS.
| Показатель | Значение | Источник |
|---|---|---|
| PESQ на VoiceBank+DEMAND: зашумлённый вход против RNNoise против DeepFilterNet2 (с постфильтром) | 1,97 против 2,33 против 3,03 | Schröter et al., статья о DeepFilterNet2, 2022 |
| PESQ и STOI DeepFilterNet3 на VoiceBank+DEMAND | 3,17 и 0,944 | Schröter et al., статья о DeepFilterNet3, Interspeech 2023 |
| DNSMOS на слепом наборе DNS4, речь (SIG) и общая оценка (OVRL): зашумлённый против RNNoise против DeepFilterNet2 | SIG 4,144 против 3,884 против 4,196; OVRL 3,291 против 3,378 против 3,882 | Schröter et al., статья о DeepFilterNet2, 2022 |
| PESQ на VCTK-DEMAND: GTCRN против UL-UNAS, обученной с функцией потерь PESQ | 2,87 против 3,09 | Rong et al., UL-UNAS, Neural Networks 2025 |
| PESQ на слепом наборе DNS3 и упреждение: GTCRN против LiSenNet против UL-UNAS | 2,10 (0 мс) против 2,23 (32 мс) против 2,28 (0 мс) | Rong et al., UL-UNAS, Neural Networks 2025 |
| PESQ-WB PercepNet с постфильтром против без него | 2,54 против 2,73 | Valin et al., статья о PercepNet, Interspeech 2020 |
| MOS слушателей по P.808 на VCTK 48 кГц: зашумлённый против RNNoise против PercepNet | 3,40 против 3,70 против 4,05 | Valin et al., статья о PercepNet, Interspeech 2020 |
Контекст: VoiceBank+DEMAND - небольшой, преимущественно синтетический тестовый набор, поэтому эти рейтинги говорят скорее об относительном прогрессе, чем о реальных звонках. Строку DNS3 стоит заметить тем, кого интересует задержка: модель с нулевым упреждением (2,28) набрала по PESQ больше, чем модель с упреждением 32 мс (2,23).
4. Результаты соревнований: DNS с 2021 по 2023 год и URGENT с 2025 по 2026 год
Результаты соревнований с 2020 по 2026 год показывают, что измеренный выигрыш относительно зашумлённого входа остаётся небольшим даже у победителей. На ICASSP 2021 лучшая модель превзошла зашумлённый вход всего на 0,53 DMOS (разность средней оценки мнения), который организаторы оценили в абсолютный MOS 3,38, и лишь половина заявок превзошла базовую модель. Персонализированное шумоподавление, которое Teams поставляет как изоляцию голоса, использует образец голоса пользователя и также удаляет других говорящих; в персонализированном треке ICASSP 2022 ни одна команда не улучшила оценку речи. В Teams изоляция голоса включена по умолчанию в административной политике, а голосовой профиль хранится на устройстве пользователя (Microsoft Learn, административная страница Teams об изоляции голоса, обновлена в 2026 году).
URGENT («универсальное» улучшение речи) шире, чем шумоподавление: оно добавляет реверберацию, ограничение амплитуды сигнала (клиппинг), потери кодека, потери пакетов и шум ветра и принимает вход от 8 до 48 кГц. Его результаты 2025 года показывают, что размер модели движется в направлении, противоположном разделу 2. Источники: статья о DNS на ICASSP 2021, статья о DNS на ICASSP 2022, статья о DNS на ICASSP 2023, статья об URGENT 2025 и статья об URGENT 2026.
| Показатель | Значение | Источник |
|---|---|---|
| Трек реального времени DNS на Interspeech 2020: место PercepNet и MOS по P.808 против зашумлённого и базовой модели | 2-е место; 3,52 против 3,01 против 3,03 | Valin et al., статья о PercepNet, Interspeech 2020 |
| Трек 1 DNS на ICASSP 2021: команды и лучший результат против зашумлённого входа | 16 команд; лучшая модель на 0,53 DMOS лучше зашумлённого (абсолютный MOS 3,38); половина заявок превзошла базовую модель | Microsoft Research, статья о DNS Challenge на ICASSP 2021 |
| DNS на Interspeech 2021: лучший общий MOS против потолка при идеальном удалении шума; оценки речи | Около 3,78 против 3,92; большинство команд, кроме первых двух, получили по MOS речи меньше, чем зашумлённый вход | Microsoft Research, статья о DNS Challenge на Interspeech 2021 |
| Персонализированный трек (изоляция голоса) ICASSP 2022: длительность образца голоса и результат против зашумлённого | 2,5 минуты на говорящего; ни одна команда не улучшила SIG; точность распознавания слов на 2% хуже | Microsoft Research, статья о DNS Challenge на ICASSP 2022 |
| DNS на ICASSP 2023: заявки и прирост оценки (Score) победителя над зашумлённым слепым набором, гарнитура против громкой связи | 11 и 11 заявок; 0,145 против 0,141 | Microsoft Research, статья о DNS Challenge на ICASSP 2023 |
| URGENT на Interspeech 2025: заявки и размер победившей системы против базовой модели | 32 заявки; около 102 миллионов против около 8,5 миллиона параметров | Saijo et al., статья об URGENT Challenge на Interspeech 2025 |
| URGENT на Interspeech 2025: MOS чисто генеративной системы, место в общем зачёте и точность символов для китайского и японского | Самый высокий MOS (3,69), но 13-е место; 20,1% и 36,8% | Saijo et al., статья об URGENT Challenge на Interspeech 2025 |
| URGENT на ICASSP 2026: регистрации в Треке 1, действительные команды, размер слепого теста | 80 регистраций; 29 команд с действительными заявками по обоим трекам; 840 образцов, включая 5 не встречавшихся ранее языков | Li et al., статья об URGENT Challenge на ICASSP 2026 |
Потолок 3,92 в строке Interspeech 2021 - собственный расчёт организаторов: если бы шум получил идеальную оценку 5, а речь осталась такой же хорошей, как в зашумлённом фрагменте, общий MOS не превысил бы это значение. К 2021 году победители удалили большую часть шума, и оставшийся разрыв приходился на качество речи. Оценка (Score) ICASSP 2023 равна 0,5 × [WAcc + 0,25 × (OVRL - 1)], то есть она в равной мере учитывает точность распознавания слов и качество с точки зрения слушателей.
5. Измерение качества: ITU-T P.835, P.808 и DNSMOS
ITU-T P.835 просит слушателей поставить три отдельные оценки: речевому сигналу (SIG), фоновому шуму (BAK) и общему качеству (OVRL). Такое разделение важно для шумоподавления, потому что модель может выигрывать по шуму и проигрывать по голосу в одном и том же фрагменте. DNSMOS отслеживал оценки людей с PCC 0,93 на уровне модели против 0,78 у PESQ и всего 0,23 у SDR, поэтому организаторы DNS обучили метрику на оценках слушателей, а не полагались на PESQ.
Загвоздка в детализации. Версия DNSMOS по P.835 намного слабее на одном фрагменте, чем при усреднении по целой модели, поэтому значение DNSMOS для одного фрагмента следует считать подсказкой, а не вердиктом. Та же логика применима к синтетическим голосам, разобранным в нашей статистике MOS естественности синтетической речи. Источники: страница ITU-T P.835, страница ITU-T P.808, статья о DNSMOS и статья о DNSMOS P.835.
| Показатель | Значение | Источник |
|---|---|---|
| Редакции ITU-T P.835 | P.835 (07/26) действует, предварительно опубликована; P.835 (11/03) заменена | Страница Рекомендации ITU-T P.835, дата обращения: октябрь 2026 года |
| Редакции ITU-T P.808 | P.808 (06/21) действует; P.808 (06/18) заменена | Страница Рекомендации ITU-T P.808, дата обращения: октябрь 2026 года |
| Корреляция DNSMOS со слушателями на уровне модели (PCC) против PESQ, POLQA, SDR; OVRL DNSMOS P.835, уровень модели против одного фрагмента | 0,93 против 0,78, 0,79, 0,23; 0,98 против 0,82 | Reddy et al., Microsoft, статьи о DNSMOS (2020) и DNSMOS P.835 (2021) |
| Тесты прослушивания PercepNet: образцы VCTK и слушатели на образец; слушатели на фрагмент в тесте DNS | 824 образца, по 8 слушателей (95% ДИ 0,04); по 10 слушателей (95% ДИ 0,02) | Valin et al., статья о PercepNet, Interspeech 2020 |
| Метод и охват субъективного теста URGENT 2025 | оценка по абсолютной категории ITU-T P.808 на Amazon Mechanical Turk; только данные на английском | Saijo et al., статья об URGENT Challenge на Interspeech 2025 |
| Тесты прослушивания URGENT на ICASSP 2026 и данные для предсказания MOS | 6 лучших систем оценены по P.808 ACR и CCR; 8 000 образцов с разметкой MOS от 16 систем | Li et al., статья об URGENT Challenge на ICASSP 2026 |
Пересмотр P.835 - самое свежее событие здесь: редакция 2003 года заменена P.835 (07/26), а её название теперь охватывает терминалы, «обеспечивающие функциональность шумоподавления». Полный текст на момент проверки ещё не был опубликован, поэтому возможные изменения метода в приведённых выше цифрах не отражены.
6. Компромисс между задержкой и качеством
Снижение задержки стоит и качества, и вычислений одновременно. В исследовании носимых слуховых устройств 2025 года модели на 1 мс потребовалось 840 MIPS, а модели с перекрытием и сложением на 16 мс - 105 MIPS, и модель на 16 мс всё равно набрала больше (OVRL DNSMOS 2,35 против 2,13 на CHiME-2). Более раннее исследование CMU и MERL обнаружило ту же картину для PESQ и показало, что попытка предсказывать звук вперёд, чтобы достичь 0 мс, обрушивает SI-SDR.
Ответом исследования носимых слуховых устройств стало изменение выходного фильтра вместо сжатия окна: конструкция FIR с минимальной фазой удерживала SI-SDR примерно на одном уровне от 0,32 до 1,25 мс и снизила сквозную задержку с 7,1 мс до 3,35 мс. Живой чат гораздо терпимее к задержке, чем носимые слуховые устройства, но задержка шумоподавителя всё равно добавляется к любому другому этапу, например когда эффекты выстраиваются в цепочку с изменением голоса в Discord. Данные из статьи о носимых слуховых устройствах и статьи о STFT с очень низкой задержкой.
| Показатель | Значение | Источник |
|---|---|---|
| OVRL DNSMOS на CHiME-2: без обработки против моделей на 1 мс, 2 мс, 4 мс и 16 мс | 1,3 против 2,13 против 2,25 против 2,28 против 2,35 | Dementyev et al., статья о субмиллисекундных слуховых устройствах, arXiv 2025 |
| SI-SDR на CHiME-2: модели на 1 мс, 2 мс и 16 мс | 8,0 дБ против 11,10 дБ против 12,98 дБ | Dementyev et al., статья о субмиллисекундных слуховых устройствах, arXiv 2025 |
| Вычисления модели на 1 мс против модели с перекрытием и сложением на 16 мс | 840 MIPS против 105 MIPS | Dementyev et al., статья о субмиллисекундных слуховых устройствах, arXiv 2025 |
| Предложенная модель Deep FIR на 1,25 мс: параметры, вычисления, сквозная задержка на NXP i.MX RT600 | 626 тыс. параметров; 376 MIPS; 3,35 мс | Dementyev et al., статья о субмиллисекундных слуховых устройствах, arXiv 2025 |
| PESQ с одним микрофоном, система с прямоугольным окном: без обработки против 4 мс против 2 мс против 0 мс (с предсказанием вперёд) | 1,44 против 1,8997 против 1,84575 против 1,7138 | Wang et al. (CMU, MERL), IEEE/ACM TASLP 2022 |
| SI-SDR с одним микрофоном, система с прямоугольным окном, при 4 мс против 0 мс (с предсказанием вперёд) | 2,8341 дБ против -3,6493 дБ | Wang et al. (CMU, MERL), IEEE/ACM TASLP 2022 |
| PESQ с шестью микрофонами при 4 мс против 2 мс (та же двухэтапная система) | 2,698490 против 2,47482 | Wang et al. (CMU, MERL), IEEE/ACM TASLP 2022 |
| Тест размера окна DeepFilterNet: где комплексные маски отношения начинают терять качество | окна FFT 20 мс или меньше (глубинная фильтрация остаётся стабильной от 5 до 30 мс) | Schröter et al., статья о DeepFilterNet, ICASSP 2022 |
Примечание о выбросах: модели на 1 мс и короче из исследования носимых слуховых устройств не могли работать в реальном времени на целевом DSP, поэтому их сквозные значения - оценки авторов.
Итоги: задержка нейросетевого шумоподавления и изоляции голоса ИИ в цифрах
| Показатель | Значение | Источник |
|---|---|---|
| Модель Deep FIR для носимых слуховых устройств, работающая в реальном времени на маломощном DSP | 1,25 мс алгоритмическая, 3,35 мс сквозная | Dementyev et al., arXiv 2025 |
| Размер слепого теста URGENT на ICASSP 2026 | 840 образцов, включая 5 не встречавшихся ранее языков | Li et al., статья об URGENT Challenge на ICASSP 2026 |
| Веса RNNoise | 87 503 | Mozilla, статья о RNNoise, MMSP 2018 |
| Параметры и вычисления GTCRN | 23,7 тыс.; 39,6 MMACs в секунду | Rong et al., GTCRN, ICASSP 2024 |
| Параметры и упреждение UL-UNAS | 169 тыс.; 0 мс | Rong et al., UL-UNAS, Neural Networks 2025 |
| PESQ на VoiceBank+DEMAND, зашумлённый против DeepFilterNet3 | 1,97 против 3,17 | Schröter et al., статьи о DeepFilterNet2 и DeepFilterNet3 |
| Время p95 Denoiser v2 на кадр 10 мс на ноутбучной GPU (заявление производителя) | 0,410 мс | NVIDIA, руководство по производительности Maxine AFX SDK |
| MOS слушателей PercepNet против зашумлённого на VCTK | 4,05 против 3,40 | Valin et al., статья о PercepNet, Interspeech 2020 |
| Размер победителя URGENT 2025 против базовой модели | Около 102 миллионов против 8,5 миллиона параметров | Saijo et al., статья об URGENT 2025 Challenge |
| Генеративная система URGENT 2025: MOS слушателей против места в общем зачёте | 3,69 (самый высокий) против 13-го | Saijo et al., статья об URGENT 2025 Challenge |
| Действительные команды URGENT на ICASSP 2026 | 29 | Li et al., статья об URGENT Challenge на ICASSP 2026 |
| PESQ с одним микрофоном при задержке 4 мс против 0 мс | 1,8997 против 1,7138 | Wang et al., IEEE/ACM TASLP 2022 |
| Новейшая редакция ITU-T P.835 | P.835 (07/26), действует (предварительно опубликована) | Страница Рекомендации ITU-T P.835 |
| Действующая редакция ITU-T P.808 | P.808 (06/21) | Страница Рекомендации ITU-T P.808 |
| Размер модели RNNoise с 8-битными весами | 85 kB | Xiph.Org, демонстрационная страница RNNoise, 2017 |
| Скорость RNNoise на x86 | Примерно в 60 раз быстрее реального времени | Xiph.Org, демонстрационная страница RNNoise, 2017 |
Методология и источники
- Microsoft (статьи Microsoft Research и документация Learn): статья о DNS Challenge на ICASSP 2021 (2020), статья о DNS Challenge на Interspeech 2021 (2021), статья о DNS Challenge на ICASSP 2022 (2022), статья о DNS Challenge на ICASSP 2023 (2023), Reddy et al. DNSMOS (2020) и DNSMOS P.835 (2021), а также административная страница Teams об изоляции голоса (обновлена в 2026 году).
- ITU-T, Рекомендация P.835 и Рекомендация P.808, дата обращения: октябрь 2026 года.
- Mozilla, статья о RNNoise (MMSP 2018) и Xiph.Org, демонстрационная страница RNNoise (2017).
- Valin et al., статья о PercepNet (Interspeech 2020).
- Schröter et al., DeepFilterNet (ICASSP 2022), DeepFilterNet2 (2022) и DeepFilterNet3 (Interspeech 2023).
- Rong et al., GTCRN (ICASSP 2024) и 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, март 2025 года).
- Saijo et al., URGENT Challenge на Interspeech 2025 (2025) и Li et al., URGENT Challenge на ICASSP 2026 (2026).
- NVIDIA, руководство по производительности Maxine AFX SDK и страница эффекта шумоподавителя (документация производителя, помеченная как заявления производителя).
- Наблюдение по данным: большая часть данных DNS Challenge относится к 2020-2023 годам; статья ICASSP 2023 - самый свежий отчёт о DNS Challenge, который мы нашли, поэтому это самые свежие доступные данные по этой серии бенчмарков. PESQ RNNoise на VoiceBank+DEMAND равен 2,33 в таблице DeepFilterNet2, но 2,29 в таблицах PercepNet и UL-UNAS. GTCRN указана с 23,7 тыс. параметров и 39,6 MMACs в аннотации ICASSP 2024, но в статье об UL-UNAS приведены обновлённые значения из репозитория: 48 тыс. параметров и 34 MMACs. DeepFilterNet2 сообщает RTF 0,04, а DeepFilterNet3 - RTF 0,19 (в один поток) на одном и том же Core i5-8250U, так что настройки многопоточности или измерения различаются. Статья о носимых слуховых устройствах указывает для самой короткой задержки 0,32 мс в аннотации и 0,34 мс во введении. Значения из статьи CMU и MERL о низкой задержке приведены с точностью, напечатанной в её таблицах. Значения GPU от производителя получены на одной ноутбучной GPU и не являются гарантиями. Значения SIG, BAK и OVRL по командам для выпусков DNS 2022 и 2023 годов существуют только в виде графиков, поэтому мы их не переносили. Полный текст ITU-T P.835 (07/26) ещё не был опубликован.
Последнее обновление: 25 октября 2026 года. Мы обновляем этот обзор ежеквартально, и следующее обновление ожидается, когда станут доступны материалы URGENT Challenge на ICASSP 2026 и опубликованный текст ITU-T P.835 (07/26).