การแยกเสียงพูดสองผู้พูดบนเกณฑ์มาตรฐาน WSJ0-2mix พัฒนาจากอัตราขยายสัญญาณราว 6 dB ด้วย deep clustering ในปี 2015 เป็น 25.1 dB SI-SNRi ในปี 2024 (Hershey และคณะ, arXiv 2015; SepReformer, NeurIPS 2024) ซึ่งเป็นก้าวกระโดดที่เปลี่ยน ‘ปัญหาค็อกเทลปาร์ตี้’ จากเรื่องน่าสนใจในห้องแล็บให้กลายเป็นฟีเจอร์ของเครื่องช่วยฟังและเฮดเซ็ตที่วางขายจริง ข้อที่ต้องระวังคือเกณฑ์มาตรฐานที่สะอาดทำให้โมเดลดูดีเกินจริง Conv-TasNet ตกจาก 15.3 dB บนเสียงผสมที่สะอาดเหลือ 8.3 dB เมื่อเพิ่มเสียงรบกวนและเสียงสะท้อน (บทความ MossFormer2, arXiv 2312.11825, ตารางเปรียบเทียบ) ด้านความต้องการก็มหาศาล โดยมี 430 ล้านคนที่ต้องการการฟื้นฟูสมรรถภาพจากการสูญเสียการได้ยินระดับที่เป็นอุปสรรค (เอกสารข้อเท็จจริงของ WHO, มีนาคม 2026) เรารวบรวมข้อมูลจากบทความที่ผ่านการประเมินโดยผู้เชี่ยวชาญบน arXiv, IEEE ICASSP, Interspeech และ NeurIPS การแข่งขัน DNS และ NOTSOFAR-1 ของ Microsoft, Google Research, MERL, WHO, FDA, MarkeTrak 2025 และกลุ่มวิจัยของมหาวิทยาลัยวอชิงตันและมหาวิทยาลัยโคลัมเบีย สำหรับด้านผู้บริโภคของเทคโนโลยีเดียวกันนี้ ดูสถิติเครื่องมือแยกเสียงด้วย AIของเรา
สรุปโดยย่อ
- ผลลัพธ์สองผู้พูดที่ดีที่สุดบน WSJ0-2mix: 25.1 dB SI-SNRi (SepReformer-L พร้อมการผสมแบบไดนามิก, NeurIPS 2024; TF-Locoformer L, MERL 2024)
- Deep clustering ให้การปรับปรุงราว 6 dB บนเสียงผสมของผู้พูดในปี 2015 (Hershey และคณะ, arXiv 1508.04306)
- Conv-TasNet ทำได้ 15.3 dB SI-SNRi ด้วยพารามิเตอร์ 5.1 M และความหน่วงต่ำสุด 2 ms (Luo และ Mesgarani, IEEE/ACM TASLP 2019)
- SepReformer-B ทำได้ 23.8 dB ที่ 39.8 GMACs/s เทียบกับ 23.5 dB ที่ 460.8 GMACs/s ของ TF-GridNet (SepReformer, NeurIPS 2024)
- SepFormer ใช้หน่วยความจำสูงสุดตอนฝึก 35.3 GB เทียบกับ 2.0 GB ของ SepMamba (S) (บทความ SepMamba, 2024)
- Conv-TasNet ได้ 15.3 dB เมื่อสะอาด 12.7 dB เมื่อมีเสียงรบกวน (WHAM!) และ 8.3 dB เมื่อมีทั้งเสียงรบกวนและเสียงสะท้อน (WHAMR!) (บทความ MossFormer2, 2024)
- การแยกเสียงลดอัตราความผิดพลาดของคำบน LibriCSS ที่การพูดซ้อนทับ 40% จาก 43.3% เหลือ 21.7% (Chen และคณะ, Microsoft, 2020)
- ระบบหลายช่องสัญญาณที่ดีที่สุดของ NOTSOFAR-1: tcpWER 10.8% เทียบกับเกณฑ์พื้นฐาน 28.3% (สรุป NOTSOFAR-1, 2025)
- โมเดล VoiceFilter-Lite บนอุปกรณ์ขนาด 2.2 MB ปรับปรุง WER บนเสียงพูดซ้อนทับได้ 25.1% (Google Research, 2020)
- 430 ล้านคนต้องการการฟื้นฟูสมรรถภาพจากการสูญเสียการได้ยินระดับที่เป็นอุปสรรค และจะเพิ่มเป็นมากกว่า 700 ล้านคนภายในปี 2050 (WHO, มีนาคม 2026)
- การใช้เครื่องช่วยฟังในกลุ่มชาวอเมริกันที่มีปัญหาการได้ยินแตะ 51.3% เพิ่มขึ้นจาก 46.9% ในปี 2022 (MarkeTrak 2025)
- UW Target Speech Hearing: ผู้ทดสอบ 21 คนให้คะแนนว่าเสียงที่ลงทะเบียนไว้ชัดเจนกว่าเสียงที่ไม่กรองเกือบสองเท่า (มหาวิทยาลัยวอชิงตัน, CHI 2024)
1. ความก้าวหน้าของเกณฑ์มาตรฐานบน WSJ0-2mix ตลอดทศวรรษ
เกณฑ์มาตรฐาน WSJ0-2mix ทำให้การแยกเสียงพูดในแบบที่ ImageNet ทำให้กับงานด้านภาพ คือเป็นเป้าหมายตายตัวที่ทำให้ความก้าวหน้าตลอดทศวรรษวัดผลได้ คะแนนสองผู้พูดที่ดีที่สุดเพิ่มจากการปรับปรุงสัญญาณราว 6 dB ในปี 2015 เป็น 25.1 dB SI-SNRi ในปี 2024 และเนื่องจากสเกลเดซิเบลเป็นลอการิทึม ทุก 3 dB ที่เพิ่มขึ้นจึงลดพลังงานสัญญาณรบกวนที่เหลือลงราวครึ่งหนึ่ง ก้าวกระโดดที่สำคัญที่สุดเกิดขึ้นในปี 2018 เมื่อ Conv-TasNet เลิกใช้มาสก์สเปกโทรแกรมและทำงานบนรูปคลื่นดิบ เป็นระบบแรกที่ชนะมาสก์เวลา-ความถี่แบบอุดมคติ ซึ่งเคยถูกมองว่าเป็นเพดานในทางปฏิบัติมานาน (Conv-TasNet, Luo และ Mesgarani)
ตั้งแต่นั้นมาเส้นโค้งก็แบนลง ผลที่เพิ่มขึ้นระหว่างปี 2021 ถึง 2024 มาเป็นช่วงละราว 1 dB และสองโมเดลอันดับต้นของปี 2024 เสมอกันที่ 25.1 dB วงการนี้แทบจะทำให้เกณฑ์มาตรฐานของตัวเองอิ่มตัวไปแล้ว นั่นจึงเป็นเหตุผลที่บทความล่าสุดแข่งขันกันที่ประสิทธิภาพและความทนทานแทน (หัวข้อ 2 และ 3)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| Deep clustering เสียงผสมของผู้พูด (2015) | ปรับปรุงราว 6 dB | Hershey และคณะ, Deep Clustering, arXiv 2015 |
| Deep clustering ที่ปรับปรุงแล้ว สองผู้พูด (2016) | ปรับปรุง SDR 10.3 dB (เกณฑ์พื้นฐาน 6.0 dB) | Isik และคณะ, arXiv 1607.02173, 2016 |
| Conv-TasNet (2018) | 15.3 dB SI-SNRi, 15.6 dB SDRi | Luo และ Mesgarani, IEEE/ACM TASLP 2019 |
| DPRNN (2019) | 18.8 dB SI-SDRi | Luo, Chen และ Yoshioka, ICASSP 2020 |
| SepFormer พร้อมการผสมแบบไดนามิก (2020) | 22.3 dB SI-SNRi | Subakan และคณะ, ICASSP 2021 |
| TF-GridNet ไม่มีการเพิ่มข้อมูล (2022) | 23.5 dB SI-SDRi | บทความ TF-GridNet, arXiv 2211.12433 |
| MossFormer2 (2023) | 24.1 dB SI-SDRi | บทความ MossFormer2, arXiv 2312.11825 |
| SepReformer-L และ TF-Locoformer (L) ทั้งคู่พร้อมการผสมแบบไดนามิก (2024) | 25.1 dB SI-SNRi | SepReformer, NeurIPS 2024; Saijo และคณะ, MERL 2024 |
การเปรียบเทียบกับมาสก์อุดมคติคือสิ่งที่ทำให้ Conv-TasNet เป็นหมุดหมายสำคัญ บนชุดทดสอบเดียวกัน มาสก์ไบนารีอุดมคติได้ 13.0 dB SI-SNRi มาสก์อัตราส่วนอุดมคติ 12.2 dB และมาสก์คล้ายตัวกรอง Wiener 13.4 dB ซึ่งทั้งหมดต่ำกว่า 15.3 dB ของ Conv-TasNet ผู้ฟังที่เป็นมนุษย์ก็เห็นตรงกัน เสียงจาก Conv-TasNet ได้คะแนนความเห็นเฉลี่ย 4.03 เทียบกับ 3.51 ของมาสก์อัตราส่วนอุดมคติ
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| มาสก์ไบนารีอุดมคติ (IBM) | 13.0 dB SI-SNRi | บทความ Conv-TasNet, 2019 |
| มาสก์อัตราส่วนอุดมคติ (IRM) | 12.2 dB SI-SNRi | บทความ Conv-TasNet, 2019 |
| มาสก์คล้ายตัวกรอง Wiener (WFM) | 13.4 dB SI-SNRi | บทความ Conv-TasNet, 2019 |
| MOS ของผู้ฟัง: Conv-TasNet เทียบกับ IRM | 4.03 เทียบกับ 3.51 | บทความ Conv-TasNet, 2019 |
| ขนาด WSJ0-2mix | ฝึก 30 ชม. ตรวจสอบ 10 ชม. ทดสอบ 5 ชม. | บทความ Conv-TasNet, 2019 |
| ช่วงการผสม | SNR สุ่มระหว่าง -5 ถึง 5 dB | บทความ Conv-TasNet, 2019 |
บันทึกบริบท: ‘การผสมแบบไดนามิก’ (DM) สร้างเสียงผสมสำหรับฝึกชุดใหม่แบบทันที และเพิ่มคะแนนราว 1 ถึง 2 dB SepFormer ได้ 22.3 dB เมื่อใช้ DM และ 20.4 dB เมื่อไม่ใช้ ดังนั้นการเปรียบเทียบข้ามบทความต้องตรวจสอบตัวเลือกนี้ก่อน (SepFormer, arXiv 2010.13154) ข้อมูลล่าสุดที่มีเกี่ยวกับเกณฑ์พื้นฐานปี 2015 ถึง 2019 มาจากบทความต้นฉบับ
2. ประสิทธิภาพ: พารามิเตอร์ การคำนวณ หน่วยความจำ และความหน่วง
ความแม่นยำนิ่งแล้ว การแข่งขันจึงย้ายไปที่ต้นทุน SepReformer-B ทำได้ 23.8 dB SI-SNRi ด้วย 39.8 GMACs ต่อวินาทีของเสียง ขณะที่ TF-GridNet ต้องใช้ 460.8 GMACs/s เพื่อให้ได้ 23.5 dB ต่างกันในด้านการคำนวณเกินสิบเอ็ดเท่าเพื่อคะแนนที่ดีกว่าเพียงเล็กน้อย (SepReformer, NeurIPS 2024) จำนวนพารามิเตอร์ก็บอกเรื่องราวคล้ายกัน DPRNN เทียบเท่าระดับสูงสุดในขณะนั้นเมื่อปี 2019 ด้วยโมเดลที่เล็กกว่าระบบที่ดีที่สุดก่อนหน้า 20 เท่า
หน่วยความจำคือต้นทุนที่ซ่อนอยู่ซึ่งกำหนดว่าใครฝึกโมเดลเหล่านี้ได้ SepFormer ใช้หน่วยความจำสูงสุด 35.3 GB เทียบกับ 2.0 GB ของ SepMamba (S) ซึ่งยังได้ 21.2 dB (SepMamba, Technical University of Denmark และ WS Audiology, 2024) สำหรับสิ่งที่ต้องรันบนโทรศัพท์ เฮดเซ็ต หรือเครื่องช่วยฟัง ความต่างนี้เป็นตัวตัดสินว่าการออกแบบนั้นนำออกจำหน่ายได้หรือไม่
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| SepReformer-T | 22.4 dB ที่พารามิเตอร์ 3.7 M, 10.4 GMACs/s | SepReformer, NeurIPS 2024 |
| SepReformer-B | 23.8 dB ที่พารามิเตอร์ 14.2 M, 39.8 GMACs/s | SepReformer, NeurIPS 2024 |
| SepReformer-L พร้อม DM | 25.1 dB ที่พารามิเตอร์ 55.3 M, 155.5 GMACs/s | SepReformer, NeurIPS 2024 |
| TF-GridNet | 23.5 dB ที่พารามิเตอร์ 14.5 M, 460.8 GMACs/s | SepReformer, NeurIPS 2024 (ตารางเปรียบเทียบ) |
| QDPN | พารามิเตอร์ 200.0 M | บทความ TF-GridNet, 2022 |
| MossFormer2 | พารามิเตอร์ 55.7 M, ตัวคูณเวลาจริง 0.053 | บทความ MossFormer2, 2023 |
| DPRNN | พารามิเตอร์ 2.6 M เล็กกว่าที่ดีที่สุดก่อนหน้า 20 เท่า | Luo และคณะ, ICASSP 2020 |
| ความหน่วงต่ำสุดของ Conv-TasNet | 2 ms (เทียบกับหน้าต่าง STFT 32 ms) | บทความ Conv-TasNet, 2019 |
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| หน่วยความจำสูงสุดของ SepFormer | 35.30 GB | บทความ SepMamba, 2024 |
| หน่วยความจำสูงสุดของ MossFormer2 พร้อม DM | 12.30 GB | บทความ SepMamba, 2024 |
| SepMamba (S) | 21.2 dB, พารามิเตอร์ 7.2 M, หน่วยความจำสูงสุด 2.00 GB | บทความ SepMamba, 2024 |
| SepMamba (M) | 22.7 dB, พารามิเตอร์ 22 M, หน่วยความจำสูงสุด 3.04 GB | บทความ SepMamba, 2024 |
| EConv-TasNet (กันยายน 2026) | 18.4 dB ที่พารามิเตอร์ 3.8 M | Liu, Novatek, arXiv 2609.11342 |
| EConv-TasNet เทียบกับ Conv-TasNet | เล็กลง 22.4% อนุมานเร็วขึ้น 18.9% | Liu, arXiv 2609.11342 |
หมายเหตุค่าผิดปกติ: บทความใหม่ล่าสุดในสรุปนี้ คือ EConv-TasNet จากผู้ผลิตชิป Novatek (กันยายน 2026) ไม่ได้ไล่ตามสถิติ 25 dB เลย แต่มุ่งเป้าการใช้งานบนอุปกรณ์ปลายทาง โดยเพิ่ม 3.1 dB ให้ Conv-TasNet ด้วยพารามิเตอร์ที่น้อยลง (EConv-TasNet) นี่เป็นสัญญาณที่ดีว่าความสนใจเชิงพาณิชย์อยู่ที่ใด
3. ความทนทานในโลกจริง: เสียงรบกวน เสียงสะท้อน และผู้พูดที่มากขึ้น
เสียงพูดที่สะอาดซึ่งอ่านในสตูดิโอและผสมในระดับที่ควบคุมได้ ไม่ใช่บรรยากาศของร้านอาหาร Conv-TasNet เสีย 7 dB เมื่อเสียงผสมที่ใช้ทดสอบมีเสียงรบกวนรอบข้างและเสียงสะท้อนจริง: 15.3 dB บน WSJ0-2mix, 12.7 dB บน WHAM! และ 8.3 dB บน WHAMR! (ตารางเปรียบเทียบของ MossFormer2) WHAM! เพิ่มเสียงรบกวนที่บันทึกในร้านกาแฟ ร้านอาหาร และบาร์ในย่านอ่าวซานฟรานซิสโก และผู้เขียนระบุว่างานวิจัยการแยกเสียงส่วนใหญ่ใช้การตั้งค่าที่จำกัด คืออัตราสุ่มตัวอย่างต่ำและไม่มีเสียงรบกวนพื้นหลัง (WHAM!, Interspeech 2019)
โมเดลใหม่ ๆ ปิดช่องว่างนั้นได้มากแต่ไม่หมด ผลลัพธ์ที่ดีที่สุดในสภาพที่มีเสียงสะท้อนอยู่ที่ 17 ถึง 18.5 dB ซึ่งยังตามหลังเกณฑ์มาตรฐานที่สะอาดอยู่ 6 ถึง 7 dB ผู้พูดคนที่สามทำให้โมเดลเดียวกันเสียไปอีก 1.9 ถึง 2.8 dB (MossFormer2: 24.1 เป็น 22.2 dB; SepFormer: 22.3 เป็น 19.5 dB) และผู้เขียน LibriMix แสดงให้เห็นว่าโมเดลที่ฝึกบน WSJ0-2mix มีประสิทธิภาพตกลงอย่างมีนัยสำคัญบนชุดข้อมูลที่คล้ายกัน จึงเป็นเหตุผลที่ LibriMix ถูกสร้างจากเสียงพูดของ LibriSpeech บวกเสียงรบกวนของ WHAM! (LibriMix, Interspeech 2020)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| Conv-TasNet: WSJ0-2mix / WHAM! / WHAMR! | 15.3 / 12.7 / 8.3 dB SI-SDRi | บทความ MossFormer2, 2023 |
| SepFormer: WHAM! / WHAMR! | 16.4 / 14.0 dB | บทความ MossFormer2, 2023 |
| MossFormer2: WHAM! / WHAMR! | 18.1 / 17.0 dB | บทความ MossFormer2, 2023 |
| SepReformer-L พร้อม DM: WHAM! / WHAMR! | 18.5 / 17.2 dB | SepReformer, NeurIPS 2024 |
| TF-Locoformer (M): WHAMR! | 18.5 dB | Saijo และคณะ, MERL 2024 |
| TF-GridNet, SMS-WSJ 6 ช่องสัญญาณ (ไปป์ไลน์เต็ม) | 22.8 dB SI-SDR, PESQ 4.08 | บทความ TF-GridNet, 2022 |
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| สามผู้พูด Conv-TasNet (WSJ0-3mix) | 12.7 dB SI-SNRi | บทความ Conv-TasNet, 2019 |
| สามผู้พูด SepFormer (WSJ0-3mix) | 19.5 dB SI-SNRi | บทความ SepFormer, 2020 |
| สามผู้พูด MossFormer2 (WSJ0-3mix) | 22.2 dB SI-SDRi | บทความ MossFormer2, 2023 |
| สามผู้พูด deep clustering ที่ปรับปรุงแล้ว (2016) | ปรับปรุง SDR 7.1 dB | Isik และคณะ, 2016 |
| Libri2Mix: Conv-TasNet / SepFormer / MossFormer2 | 14.7 / 19.2 / 21.7 dB | บทความ MossFormer2, 2023 |
| Libri2Mix: SepReformer-M / TF-Locoformer (M) | 22.1 / 22.1 dB | SepReformer, 2024; Saijo และคณะ, 2024 |
ข้อควรระวัง: ตัวเกณฑ์มาตรฐานเองก็มีข้อบกพร่อง งานวิจัยปี 2025 ที่ได้รับการตอบรับใน IEEE ASRU พบว่าสัญญาณรบกวนในสัญญาณอ้างอิงของ WSJ0-2mix จำกัดค่า SI-SDR ที่ทำได้ และ SI-SDR มีสหสัมพันธ์เชิงลบกับความรู้สึกว่าเสียงมีสัญญาณรบกวนในทุกชุดทดสอบ (Jepsen และคณะ, arXiv 2508.14623) เดซิเบลสุดท้ายของ ‘ความก้าวหน้า’ ส่วนหนึ่งอาจเป็นเพียงโมเดลที่เรียนรู้ที่จะเลียนแบบสัญญาณอ้างอิงที่มีสัญญาณรบกวน
4. การแยกเสียงสำหรับการประชุมและการรู้จำเสียงพูด
สำหรับการถอดความ คำสำคัญกว่าเดซิเบล บนชุดข้อมูล LibriCSS ของ Microsoft การแยกเสียงก่อนการรู้จำเสียงลดอัตราความผิดพลาดของคำที่การพูดซ้อนทับ 40% จาก 43.3% เหลือ 21.7% ขณะที่แทบไม่เปลี่ยนผลบนเสียงที่ไม่ซ้อนทับ (11.8% เป็น 8.4%) (Chen และคณะ, Continuous Speech Separation, 2020) ผู้เขียนกลุ่มเดียวกันเตือนว่าตัวชี้วัดระดับสัญญาณมีสหสัมพันธ์เพียงเล็กน้อยกับความแม่นยำของ ASR หรือคุณภาพที่รับรู้ ซึ่งเป็นเหตุผลที่เกณฑ์มาตรฐานการประชุมให้คะแนนที่คำ ไม่ใช่ SI-SNR สถิติผู้ช่วยประชุม AIของเราแสดงให้เห็นว่าตลาดที่พึ่งพาความแม่นยำนี้เติบโตเร็วเพียงใด
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ขนาด LibriCSS | 10 ชั่วโมง 10 เซสชัน การพูดซ้อนทับ 0% ถึง 40% | Chen และคณะ, Microsoft, 2020 |
| WER ที่การพูดซ้อนทับ 10%: ไม่แยกเสียง เทียบกับ แยกเสียง | 18.8% เทียบกับ 11.6% | Chen และคณะ, 2020 (รายประโยค, 7 ช่องสัญญาณ) |
| WER ที่การพูดซ้อนทับ 20% | 27.2% เทียบกับ 15.8% | Chen และคณะ, 2020 |
| WER ที่การพูดซ้อนทับ 30% | 35.6% เทียบกับ 18.7% | Chen และคณะ, 2020 |
| WER ที่การพูดซ้อนทับ 40% | 43.3% เทียบกับ 21.7% | Chen และคณะ, 2020 |
| WER ที่การพูดซ้อนทับ 40% อินพุตต่อเนื่อง | 40.5% เทียบกับ 21.9% | Chen และคณะ, 2020 |
| ASR ด้วย deep clustering บนเสียงผสมสองผู้พูด | WER ลดจาก 89.1% เหลือ 30.8% | Isik และคณะ, 2016 |
การประชุมจริงยากกว่าการประชุมจำลอง การแข่งขัน NOTSOFAR-1 ของ Microsoft ซึ่งจัดภายใน CHiME-8 บันทึกการประชุมที่มีผู้เข้าร่วม 4 ถึง 8 คนใน 30 ห้อง ระบบช่องสัญญาณเดียวที่ชนะยังฟังคำผิด 22.2% (tcpWER แบบจำกัดเวลา) เทียบกับ 10.8% ของระบบหลายช่องสัญญาณที่ดีที่สุด (สรุป NOTSOFAR-1, arXiv 2501.17304) ไมโครโฟนแบบอาร์เรย์ยังคงเป็นตัวแปรที่ส่งผลมากที่สุดเพียงตัวเดียว และผู้จัดงานพบว่าการแยกแหล่งเสียงแบบมีการชี้นำยังเป็นเทคนิคการแยกเสียงที่ครอบงำในไปป์ไลน์ที่ชนะ
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| การประชุมที่บันทึกของ NOTSOFAR-1 | การประชุมภาษาอังกฤษไม่ซ้ำกัน 315 ครั้ง 30 ห้อง ผู้เข้าร่วม 4-8 คน | สรุป NOTSOFAR-1, 2025 |
| ข้อมูลฝึกจำลอง | ราว 1,000 ชั่วโมง ฟังก์ชันถ่ายโอนเสียงจริง 15,000 รายการ | สรุป NOTSOFAR-1, 2025 |
| ช่องสัญญาณเดียว: ดีที่สุดเทียบกับเกณฑ์พื้นฐาน tcpWER | 22.2% เทียบกับ 41.4% | สรุป NOTSOFAR-1, 2025 |
| หลายช่องสัญญาณ: ดีที่สุดเทียบกับเกณฑ์พื้นฐาน tcpWER | 10.8% เทียบกับ 28.3% | สรุป NOTSOFAR-1, 2025 |
| ผลงานที่ส่ง: สายช่องสัญญาณเดียว / หลายช่องสัญญาณ | 9 / 5 | สรุป NOTSOFAR-1, 2025 |
| ขนาดโมเดล VoiceFilter-Lite บนอุปกรณ์ | 2.2 MB (ผ่านการควอนไทซ์) | Google Research, พฤศจิกายน 2020 |
| การปรับปรุง WER ของ VoiceFilter-Lite บนเสียงพูดซ้อนทับ | 25.1% (14.7% เมื่อมีเสียงสะท้อน) | Google Research, พฤศจิกายน 2020 |
บันทึกบริบท: ผลลัพธ์ VoiceFilter-Lite ของ Google (2020) เป็นตัวเลขสาธารณะบนอุปกรณ์ที่ใหม่ที่สุดเท่าที่มีจากแพลตฟอร์มรายใหญ่ ระบบที่วางจำหน่ายหลังจากนั้นแทบไม่เผยแพร่เกณฑ์มาตรฐานระดับคำ
5. สิ่งที่เดิมพันอยู่ด้านสุขภาพการได้ยิน
ปัญหาค็อกเทลปาร์ตี้ไม่ใช่เรื่องวิชาการสำหรับผู้ที่ต้องอยู่กับมัน WHO ประมาณว่ามี 430 ล้านคน หรือมากกว่า 5% ของประชากรโลก ที่ต้องการการฟื้นฟูสมรรถภาพจากการสูญเสียการได้ยินระดับที่เป็นอุปสรรค และคาดการณ์ว่าจะมากกว่า 700 ล้านคนภายในปี 2050 (เอกสารข้อเท็จจริงของ WHO เรื่องหูหนวกและการสูญเสียการได้ยิน มีนาคม 2026) การขยายเสียงอย่างเดียวจะเพิ่มเสียงของทุกคนในห้องที่แออัดไปพร้อมกัน นั่นคือเหตุผลที่การแยกเสียงด้วย DNN กลายเป็นฟีเจอร์เด่นของเครื่องช่วยฟังระดับพรีเมียมในปัจจุบัน สถิติเครื่องช่วยฟังของเราครอบคลุมตลาดอุปกรณ์เอง
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ผู้ที่ต้องการการฟื้นฟูสมรรถภาพจากการสูญเสียการได้ยินระดับที่เป็นอุปสรรค | 430 ล้านคน (มากกว่า 5% ของประชากรโลก) | เอกสารข้อเท็จจริงของ WHO, มีนาคม 2026 |
| เด็กที่สูญเสียการได้ยินระดับที่เป็นอุปสรรค | 34 ล้านคน | เอกสารข้อเท็จจริงของ WHO, มีนาคม 2026 |
| ผู้ที่สูญเสียการได้ยินในระดับใดระดับหนึ่งภายในปี 2050 | เกือบ 2.5 พันล้านคน | เอกสารข้อเท็จจริงของ WHO, มีนาคม 2026 |
| ผู้ที่ต้องการการฟื้นฟูสมรรถภาพภายในปี 2050 | มากกว่า 700 ล้านคน (1 ใน 10) | เอกสารข้อเท็จจริงของ WHO, มีนาคม 2026 |
| การสูญเสียการได้ยินระดับที่เป็นอุปสรรคในผู้ที่อายุเกิน 60 ปี | เกิน 25% | เอกสารข้อเท็จจริงของ WHO, มีนาคม 2026 |
| ต้นทุนทั่วโลกต่อปีของการสูญเสียการได้ยินที่ไม่ได้รับการแก้ไข | เกือบ 1 ล้านล้านดอลลาร์สหรัฐ | เอกสารข้อเท็จจริงของ WHO, มีนาคม 2026 |
| สัดส่วนที่อาศัยในประเทศรายได้ต่ำและปานกลาง | เกือบ 80% | เอกสารข้อเท็จจริงของ WHO, มีนาคม 2026 |
การใช้งานเพิ่มขึ้น MarkeTrak 2025 ซึ่งสำรวจครัวเรือนในสหรัฐฯ 16,148 ครัวเรือนและบุคคล 42,982 คนในเดือนตุลาคมและพฤศจิกายน 2024 พบว่า การใช้เครื่องช่วยฟังในกลุ่มผู้ที่รายงานเองว่ามีปัญหาการได้ยินแตะ 51.3% เพิ่มขึ้นจาก 46.9% ในปี 2022 โดยความพึงพอใจต่ออุปกรณ์โดยรวมอยู่ที่ 83% (MarkeTrak 2025, Seminars in Hearing) หูฟังสำหรับผู้บริโภคก็กำลังเข้าสู่หมวดนี้เช่นกัน ในเดือนกันยายน 2024 FDA อนุญาตซอฟต์แวร์เครื่องช่วยฟังแบบซื้อได้เองโดยไม่ต้องมีใบสั่งแพทย์เป็นรายแรก คือฟีเจอร์เครื่องช่วยฟังของ Apple สำหรับ AirPods Pro (ข่าวประชาสัมพันธ์ของ FDA)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| การใช้เครื่องช่วยฟังในสหรัฐฯ ผู้ที่มีปัญหาการได้ยิน | 51.3% (46.9% ในปี 2022) | MarkeTrak 2025 |
| ผู้ที่รายงานเองว่ามีปัญหาการได้ยิน สหรัฐฯ | 9.1% | MarkeTrak 2025 |
| ความพึงพอใจของเจ้าของเครื่องช่วยฟัง | 83% | MarkeTrak 2025 |
| การศึกษาทางคลินิกของ FDA สำหรับซอฟต์แวร์เครื่องช่วยฟังแบบซื้อเอง | 118 คน สูญเสียการได้ยินระดับน้อยถึงปานกลาง | FDA, 12 กันยายน 2024 |
| Phonak Spheric Speech Clarity 2.0 (DNN) | ปรับปรุง SNR 10.2 dB ในสถานการณ์จริง | บทความผู้เชี่ยวชาญบน AudiologyOnline, 2026 |
| Phonak Spheric Speech Clarity 2.0 | ลดความพยายามในการฟังได้สูงสุด 37% มีประสิทธิภาพขึ้น 30% | บทความผู้เชี่ยวชาญบน AudiologyOnline, 2026 |
| การศึกษาของ Mayo Clinic และ Sonova การลดเสียงรบกวนด้วย DNN ที่ SNR 10 dB | การรู้จำเสียงพูดเพิ่มขึ้น +23 และ +32 จุดเปอร์เซ็นต์ | Audiology Research, 2024 |
| การศึกษาเดียวกัน ประโยชน์ด้าน SNR ในโปรแกรมเสียงดัง | 4.8 ถึง 5.0 dB | Audiology Research, 2024 |
ข้อควรระวัง: ข้ออ้างเรื่อง SNR ของผู้ผลิตมาจากการทดสอบที่ผู้ขายดำเนินการเอง และการศึกษาอิสระของ Mayo Clinic และ Sonova มีผู้เข้าร่วมเพียง 10 คน ตัวเลขของ Phonak ถูกรายงานผ่านการถามตอบกับผู้เชี่ยวชาญบน AudiologyOnline ไม่ใช่บทความที่ผ่านการประเมินโดยผู้เชี่ยวชาญ
6. พรมแดนใหม่: การเลือกว่าจะฟังเสียงใคร
การแยกเสียงทุกเสียงเป็นเพียงครึ่งเดียวของปัญหา อุปกรณ์ยังต้องรู้ด้วยว่าผู้ฟังต้องการฟังเสียงไหน ต้นแบบ Target Speech Hearing ของมหาวิทยาลัยวอชิงตันจะลงทะเบียนผู้พูดหลังจากผู้สวมใส่มองผู้พูดคนนั้น 3 ถึง 5 วินาที และผู้ทดสอบ 21 คนให้คะแนนความชัดเจนของเสียงนั้นสูงกว่าเสียงที่ไม่กรองเกือบสองเท่า (UW News, พฤษภาคม 2024) งานต่อยอดในเดือนธันวาคม 2025 ตัดขั้นตอนการมองออก ‘ผู้ช่วยการได้ยินเชิงรุก’ ของงานนี้ตรวจจับคู่สนทนาจากจังหวะการผลัดกันพูดในเสียง 2 ถึง 4 วินาที (UW News, ธันวาคม 2025)
ยังมีการทดสอบสัญญาณอื่น ๆ อีก โมเดล Looking to Listen ของ Google ในปี 2018 ใช้การเคลื่อนไหวของริมฝีปาก โดยฝึกจากคลิปที่คัดมาจากวิดีโอ YouTube 100,000 รายการ (บล็อก Google Research) แนวทางควบคุมด้วยสมองของมหาวิทยาลัยโคลัมเบียเปรียบเทียบเสียงที่แยกแล้วกับสัญญาณประสาท เวอร์ชันปี 2019 ทดสอบกับผู้ป่วยศัลยกรรมประสาทสามราย (Science Advances, 2019) และงานวิจัยใน Nature Neuroscience เดือนพฤษภาคม 2026 รายงานการทดสอบกับมนุษย์ครั้งแรกของระบบแบบเรียลไทม์ (สถาบัน Zuckerman ของโคลัมเบีย ผ่าน EurekAlert) การลงทะเบียนเสียงเฉพาะบุคคลยังเป็นมาตรฐานในงานสื่อสารด้วย Deep Noise Suppression Challenge ครั้งที่ห้าของ Microsoft ให้โมเดลกดเสียงผู้พูดที่อยู่ใกล้เคียงโดยใช้คลิปลงทะเบียนความยาว 10 ถึง 30 วินาที (ICASSP 2023 DNS Challenge) การทำความสะอาดเสียงที่รู้จักผู้พูดแบบเดียวกันนี้เองที่ทำให้แชทเสียง Discordยังฟังรู้เรื่องเมื่อเพื่อนร่วมห้องพูดอยู่เบื้องหลัง
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| UW Target Speech Hearing: เวลาลงทะเบียน | มองผู้พูด 3 ถึง 5 วินาที | มหาวิทยาลัยวอชิงตัน, CHI 2024 |
| UW Target Speech Hearing: ผู้ทดสอบและคะแนนความชัดเจน | 21 คน ชัดกว่าเสียงที่ไม่กรองเกือบ 2 เท่า | มหาวิทยาลัยวอชิงตัน, CHI 2024 |
| UW Target Speech Hearing: ความคลาดเคลื่อนของทิศทาง | ขอบเขตความผิดพลาด 16 องศา | มหาวิทยาลัยวอชิงตัน, 2024 |
| ผู้ช่วยการได้ยินเชิงรุกของ UW: เสียงที่ต้องใช้ | 2 ถึง 4 วินาที | มหาวิทยาลัยวอชิงตัน, EMNLP 2025 |
| ผู้ช่วยการได้ยินเชิงรุกของ UW: คู่สนทนาและผู้ทดสอบ | คู่สนทนา 1 ถึง 4 คน; ผู้เข้าร่วม 11 คนให้คะแนนในทางบวกมากกว่า 2 เท่า | มหาวิทยาลัยวอชิงตัน, ธันวาคม 2025 |
| ผู้ช่วยการได้ยินเชิงรุกของ UW: ภาษาที่ใช้ฝึก | อังกฤษ จีนกลาง ญี่ปุ่น | มหาวิทยาลัยวอชิงตัน, ธันวาคม 2025 |
| Google Looking to Listen: แหล่งข้อมูลฝึก | วิดีโอ 100,000 รายการ คลิปสะอาดราว 2,000 ชั่วโมง | บล็อก Google Research, เมษายน 2018 |
| การได้ยินที่ควบคุมด้วยสมองของโคลัมเบีย (2019) | ผู้ป่วยศัลยกรรมประสาท 3 ราย | Han และคณะ, Science Advances, 2019 |
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ครั้งของ DNS Challenge ที่ ICASSP 2023 | ครั้งที่ 5 | Dubey และคณะ, Microsoft, 2023 |
| รูปแบบเสียงของ DNS 2023 | ฟูลแบนด์ 48 kHz | Dubey และคณะ, 2023 |
| คลิปลงทะเบียนของ DNS 2023 | เสียงผู้พูดหลัก 10 ถึง 30 วินาที | Dubey และคณะ, 2023 |
| คะแนนที่เพิ่มขึ้นของผู้ชนะ DNS 2023 เทียบกับอินพุตที่มีเสียงรบกวน | 0.145 (เฮดเซ็ต) และ 0.141 (ลำโพงโทรศัพท์) | Dubey และคณะ, 2023 |
| TF-Locoformer (M) บนการเพิ่มคุณภาพ DNS 2020 | 23.3 dB SI-SNR, STOI 98.8, PESQ-WB 3.72 | Saijo และคณะ, MERL 2024 |
หมายเหตุค่าผิดปกติ: ทีม UW ระบุว่าระบบเชิงรุกมีปัญหามากที่สุดเมื่อบทสนทนาเปลี่ยนแปลงรวดเร็ว คือผู้เข้าร่วมพูดแทรกกัน ซึ่งเป็นกรณีค็อกเทลปาร์ตี้พอดี ความสนใจในหูฟังตัดเสียงรบกวนทำให้ฟีเจอร์เหล่านี้มีฐานฮาร์ดแวร์พร้อมรองรับ
สรุป: การแยกเสียงพูดและปัญหาค็อกเทลปาร์ตี้ในรูปแบบตัวเลข
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| คะแนน WSJ0-2mix ที่ดีที่สุด | 25.1 dB SI-SNRi | SepReformer-L, NeurIPS 2024; TF-Locoformer (L), MERL 2024 |
| Deep clustering, 2015 | ปรับปรุงราว 6 dB | Hershey และคณะ, 2015 |
| Conv-TasNet, 2018 | 15.3 dB SI-SNRi, พารามิเตอร์ 5.1 M | Luo และ Mesgarani, 2019 |
| SepFormer พร้อม / ไม่มีการผสมแบบไดนามิก | 22.3 / 20.4 dB | SepFormer, 2021; TF-GridNet, 2022 |
| MossFormer2 | 24.1 dB, พารามิเตอร์ 55.7 M | MossFormer2, 2023 |
| ความหน่วงต่ำสุดของ Conv-TasNet | 2 ms | บทความ Conv-TasNet, 2019 |
| การคำนวณของ TF-GridNet เทียบกับ SepReformer-B | 460.8 เทียบกับ 39.8 GMACs/s | SepReformer, NeurIPS 2024 |
| หน่วยความจำสูงสุดของ SepFormer เทียบกับ SepMamba (S) | 35.3 GB เทียบกับ 2.0 GB | SepMamba, 2024 |
| Conv-TasNet สะอาด / มีเสียงรบกวน / มีเสียงสะท้อน | 15.3 / 12.7 / 8.3 dB | MossFormer2, 2023 |
| WHAMR! ที่ดีที่สุด (มีเสียงรบกวนและเสียงสะท้อน) | 18.5 dB | TF-Locoformer (M), MERL 2024 |
| WSJ0-3mix, MossFormer2 | 22.2 dB | MossFormer2, 2023 |
| WER ของ LibriCSS ที่การพูดซ้อนทับ 40% ไม่แยกเสียง เทียบกับ แยกเสียง | 43.3% เทียบกับ 21.7% | Microsoft, Chen และคณะ, 2020 |
| tcpWER หลายช่องสัญญาณที่ดีที่สุดของ NOTSOFAR-1 | 10.8% (เกณฑ์พื้นฐาน 28.3%) | สรุป NOTSOFAR-1, 2025 |
| tcpWER ช่องสัญญาณเดียวที่ดีที่สุดของ NOTSOFAR-1 | 22.2% (เกณฑ์พื้นฐาน 41.4%) | สรุป NOTSOFAR-1, 2025 |
| การปรับปรุง WER ของ VoiceFilter-Lite บนเสียงพูดซ้อนทับ | 25.1% ที่ 2.2 MB | Google Research, 2020 |
| ผู้ที่ต้องการการฟื้นฟูการได้ยิน | 430 ล้านคน มากกว่า 700 ล้านคนภายในปี 2050 | WHO, มีนาคม 2026 |
| การใช้เครื่องช่วยฟังในสหรัฐฯ ในกลุ่มผู้มีปัญหาการได้ยิน | 51.3% | MarkeTrak 2025 |
| การปรับปรุง SNR ด้วย DNN ของ Phonak | 10.2 dB | AudiologyOnline, 2026 |
| การลงทะเบียนของ UW Target Speech Hearing | 3 ถึง 5 วินาที ผู้ทดสอบ 21 คน | มหาวิทยาลัยวอชิงตัน, 2024 |
| โมเดลอุปกรณ์ปลายทาง EConv-TasNet | 18.4 dB ที่พารามิเตอร์ 3.8 M | Novatek, กันยายน 2026 |
ระเบียบวิธีและแหล่งที่มา
ตัวเลขเกณฑ์มาตรฐานทุกตัวข้างต้นมาจากบทความที่รายงานตัวเลขนั้น หรือจากตารางเปรียบเทียบของบทความที่ตามมาในกรณีที่ระบุไว้ เราไม่รวมตัวเลขที่ปรากฏเฉพาะในตัวอย่างข้อความจากการค้นหา สรุปจากแหล่งรอง หรือการตลาดของผู้ขายที่เราเปิดดูไม่ได้ ตัวรวบรวมตารางอันดับถูกใช้เพียงเพื่อตรวจสอบว่าไม่มีผลลัพธ์ WSJ0-2mix ที่สูงกว่านี้เผยแพร่ออกมา
- Hershey, Chen, Le Roux, Watanabe: Deep Clustering, arXiv 1508.04306 (2015)
- Isik, Le Roux, Chen, Watanabe, Hershey: Single-Channel Multi-Speaker Separation using Deep Clustering (2016)
- Luo และ Mesgarani: Conv-TasNet, IEEE/ACM TASLP (2019) อ่านตารางฉบับเต็มผ่าน ar5iv
- Luo, Chen, Yoshioka: Dual-path RNN, ICASSP 2020
- Subakan และคณะ: Attention Is All You Need in Speech Separation (SepFormer), ICASSP 2021
- TF-GridNet: Integrating Full- and Sub-Band Modeling for Speech Separation (2022)
- MossFormer2 (ธันวาคม 2023)
- Separate and Reconstruct: Asymmetric Encoder-Decoder for Speech Separation (SepReformer), NeurIPS 2024
- Saijo, Wichern, Germain, Pan, Le Roux (MERL): TF-Locoformer (2024)
- Avenstrup และคณะ (DTU, WS Audiology): SepMamba (2024)
- Liu (Novatek): EConv-TasNet (กันยายน 2026)
- Wichern และคณะ: WHAM!, Interspeech 2019
- Cosentino และคณะ: LibriMix, Interspeech 2020
- Jepsen, Christensen, Jensen: SI-SDR กับสัญญาณอ้างอิงที่มีสัญญาณรบกวน, IEEE ASRU 2025
- Chen และคณะ (Microsoft): Continuous Speech Separation: Dataset and Analysis (LibriCSS) (2020)
- Abramovski และคณะ (Microsoft): Summary of the NOTSOFAR-1 Challenge (2025); Cornell และคณะ: CHiME-8 DASR Challenge (2024)
- Google Research: VoiceFilter-Lite (2020) และ Looking to Listen (2018)
- Dubey และคณะ (Microsoft): ICASSP 2023 Deep Noise Suppression Challenge
- WHO: เอกสารข้อเท็จจริงเรื่องหูหนวกและการสูญเสียการได้ยิน (มีนาคม 2026)
- Dobyan และ Kihm: MarkeTrak 2025, Seminars in Hearing
- FDA: การอนุญาตซอฟต์แวร์เครื่องช่วยฟังแบบซื้อเองโดยไม่ต้องมีใบสั่งแพทย์เป็นรายแรก (กันยายน 2024)
- Saoji และคณะ (Mayo Clinic, Sonova): DNN noise reduction and cochlear implant candidacy, Audiology Research 2024
- AudiologyOnline: How has AI evolved with Phonak Infinio devices?
- มหาวิทยาลัยวอชิงตัน: Target Speech Hearing (2024) และผู้ช่วยการได้ยินเชิงรุก (2025)
- มหาวิทยาลัยโคลัมเบีย: Han และคณะ, Science Advances (2019) และประกาศงานวิจัย Nature Neuroscience ผ่าน EurekAlert (พฤษภาคม 2026)
- ข้อสังเกตเกี่ยวกับข้อมูล: บทความต่าง ๆ ให้ตัวเลขเกณฑ์พื้นฐานไม่ตรงกัน QDPN ถูกระบุที่ 22.1 dB ในบทความ TF-GridNet แต่ 23.6 dB ในบทความ MossFormer2; Conv-TasNet บน Libri2Mix ปรากฏเป็น 14.7 dB (MossFormer2) และ 12.1 dB (EConv-TasNet); ปริมาณการคำนวณของ SepFormer รายงานเป็น 86.9 GMACs/s (SepReformer) และ 257.94 GMACs/s (SepMamba) และจำนวนพารามิเตอร์เป็น 25.7 M หรือ 26.0 M บทความต่างกันใช้ความยาวอินพุต อัตราสุ่มตัวอย่าง และเครื่องมือนับที่ต่างกัน จึงควรเปรียบเทียบตัวเลขภายในตารางเดียวกัน ไม่ใช่ข้ามตาราง SI-SNRi และ SI-SDRi ถูกใช้แทนกันในงานวิจัยกลุ่มนี้ ตัวเลข deep clustering ปี 2015 และ 2016 ใช้การปรับปรุง SDR แบบธรรมดาและเปรียบเทียบโดยตรงกับคะแนน SI-SNRi รุ่นหลังไม่ได้ บทคัดย่อของ NOTSOFAR-1 อ้างถึงการประชุมที่บันทึก 280 ครั้ง ขณะที่เนื้อหาบทความอธิบายการประชุมไม่ซ้ำกัน 315 ครั้งที่แบ่งเป็นชุดฝึก ชุดพัฒนา และชุดประเมิน ไม่พบการประมาณขนาดตลาดสาธารณะที่น่าเชื่อถือเฉพาะการแยกเสียงพูด จึงไม่ได้ใส่ไว้ ตัวเลขของ Conv-TasNet, deep clustering, Looking to Listen และ VoiceFilter-Lite เก่ากว่าสามปีและแสดงในฐานะข้อมูลล่าสุดที่มี ประกาศของโคลัมเบียปี 2026 ไม่มีผลลัพธ์เชิงปริมาณ เราอ้างถึงเฉพาะการมีอยู่และแหล่งเผยแพร่เท่านั้น
อัปเดตล่าสุด: 3 ตุลาคม 2026 เราจะทบทวนและอัปเดตสรุปนี้ทุกไตรมาส และคาดว่าการรีเฟรชครั้งถัดไปจะเกิดขึ้นเมื่อมีการเผยแพร่บทความที่ได้รับการตอบรับใน ICASSP 2027 และผลการแข่งขัน CHiME ครั้งถัดไป