Meta’nın EnCodec nöral kodeği, 6 kbps’de temiz konuşma için MUSHRA dinleme ölçeğinde 83,1 puan aldı; aynı 6 kbps’deki Opus 30,1, gizli orijinal ise 95,5 aldı (Meta AI, EnCodec makalesi, TMLR 2023). Nöral ses kodlamasının bütün hikâyesi bu tek satırda: aynı bit sayısı, 53 puan daha yüksek bir skor (83,1 eksi 30,1). Google’ın SoundStream kodeği 3 kbps’de, EVS’nin en az 9,6 kbps, Opus’un ise en az 12 kbps ile ulaşabildiği kaliteye denk geldi (Google, SoundStream makalesi 2021); araştırma kodekleri ise artık kullanılabilir konuşmayı 1 kbps’nin altına, 0,16 kbps’ye kadar indiriyor (Della Libera ve ark., FocalCodec, NeurIPS 2025). Klasik kodekler de kendi nöral eklentileriyle karşılık veriyor: Opus 1.5, 400 MFLOPS’luk bir iyileştirici (enhancer) ile konuşmayı “6 kb/s’ye kadar mükemmel derecede kullanılabilir” hâle getirdi (Xiph.Org, Opus 1.5 sürümü 2024); bu, çağrı kalitesini jitter tamponları ve POLQA skorları ile birlikte ayarlayan herkes için önemli. Google, Meta AI, Descript, Kyutai, Xiph.Org, IETF, 3GPP, ITU ile Codec-SUPERB, DASB, WavTokenizer, TAAE ve FocalCodec gibi hakemli kıyaslama çalışmalarından veri derledik.
TL;DR
- EnCodec, 6 kbps’de temiz konuşmada 83,1 MUSHRA aldı; 6 kbps’deki Opus ise 30,1 aldı (Meta AI, EnCodec makalesi 2023).
- SoundStream, 3 kbps’de EVS için en az 9,6 kbps, Opus için 12 kbps gerektiren kaliteye denk geldi (Google, SoundStream makalesi 2021).
- Lyra V2, 3,2 kbps’de MUSHRA testlerinde 10 kbps’deki Opus ile eşdeğer değerlendirildi (Google Open Source Blog, Lyra V2 2022).
- Descript Audio Codec, 44,1 kHz sesi 8 kbps’lik token’lara yaklaşık 90 kat sıkıştırıyor (Descript, DAC makalesi, NeurIPS 2023).
- FocalCodec, 0,16 kbps’de 4,22 UTMOS’a ulaştı; sıkıştırılmamış referans 4,09 idi (Della Libera ve ark., NeurIPS 2025).
- TAAE kodeği 400 bps’de 2,96 PESQ verdi; Mimi’nin 1.100 bps’deki 3,01 değerine çok yakın (Parker ve ark., ICLR 2025).
- VALL-E, nöral kodek token’ları olarak kodlanmış 60K saatlik İngilizce konuşmadan sıfır örnekli (zero-shot) TTS öğrendi ve yalnızca 3 saniyelik bir ses istemi gerektirdi (Microsoft, VALL-E makalesi 2023).
- Opus 1.5’in NoLACE iyileştiricisi 9 kb/s’de, iyileştirilmemiş Opus’un 12 kb/s değerini yaklaşık %0,75 CPU ile geride bıraktı (Xiph.Org, Opus 1.5 sürümü 2024).
- Kyutai’nin Mimi kodeği konuşmayı 12,5 Hz ve 1,1 kbps’de kodluyor ve 200 ms pratik gecikmeli bir diyalog modelini mümkün kılıyor (Kyutai, Moshi makalesi 2024).
- EnCodec, 1,5 kbps’de ASR kelime hata oranını üç katından fazla artırdı: %2,96’dan %9,21’e (Wu ve ark., Codec-SUPERB 2024).
1. Dinleme Testlerinde Klasik Kodeklere Denk Gelmek İçin Gereken Bitler
İlk nöral kodek neslinin başlıca sonucu “daha iyi ses” değil, “bitlerin çok küçük bir kısmıyla aynı ses” oldu. 3 kbps’deki SoundStream, EVS’nin en az 9,6 kbps ve Opus’un en az 12 kbps ile yakalayabildiği bir kalite seviyesine ulaştı; bu da bitlerin 3,2 ve 4 katı demek (9,6 / 3 = 3,2; 12 / 3 = 4) (Google, SoundStream makalesi). Avantaj bütçe büyüdükçe daralıyor: orta ve yüksek bit hızlarında klasik kodeklerin 2,2 ila 2,6 kat, ardından yalnızca 1,3 ila 1,6 kat daha fazla bite ihtiyacı oldu.
Bu makalelerin çoğunda kullanılan dinleme testi MUSHRA, ITU-R BS.1534-3’te tanımlanır: dinleyiciler bir klibin birkaç kodlanmış sürümünü, orijinalin gizli bir kopyasıyla yan yana puanlar; bu yüzden bir kodeğin skoru en iyi, aynı testte gizli orijinalin aldığı skora göre okunur. Örüntü üreticiler arasında tutarlı: bit hızı düştükçe nöral avantaj büyüyor; bunun bir nedeni 6 kbps’deki Opus’un dar banda (narrowband) geri düşmesi.
| Metrik | Değer | Kaynak |
|---|---|---|
| 3 kbps’deki SoundStream’e denk gelmek için gereken Opus ve EVS bit hızı | Opus en az 12 kbps, EVS en az 9,6 kbps | Google, SoundStream makalesi (arXiv 2021) |
| Orta bit hızında (6 kbps) SoundStream’e denk gelmek için EVS ve Opus’un ihtiyaç duyduğu ek bit | 2,2 ila 2,6 kat daha fazla | Google, SoundStream makalesi (arXiv 2021) |
| 3,2, 6 ve 9,2 kbps’deki Lyra V2 ile eşdeğer değerlendirilen Opus bit hızı (MUSHRA) | 10, 13 ve 14 kbps | Google Open Source Blog, Lyra V2 (2022) |
| MUSHRA, temiz konuşma: 6 kbps’de EnCodec, 6 kbps’de Opus ve gizli orijinal | 83,1, 30,1 ve 95,5 | Meta AI, EnCodec makalesi (TMLR 2023) |
| MUSHRA, müzik seti 1: 3 kbps’de EnCodec ve 12 kbps’de Opus | 89,6 ve 77,8 | Meta AI, EnCodec makalesi (TMLR 2023) |
| 6 kbps geniş bantta POLQA MOS, MLow ve Opus (üreticinin kendi iddiası) | 3,9 ve 1,89 | Meta Engineering, MLow blogu (2024) |
Mevcut en güncel veriler: SoundStream (2021), Lyra V2 (2022) ve EnCodec (2022 ön baskısı, 2023 dergi yayını). Bunlar daha yeni makalelerin hâlâ atıf yaptığı referans karşılaştırmalar, ancak Opus 1.5’in nöral iyileştirmelerinden (bkz. bölüm 7) öncesine ait; dolayısıyla klasik kodek temel çizgileri bugünün libopus sürümünden daha eski. MLow rakamları Meta’nın mühendislik blogundan geliyor; blog, Opus’un 6 kbps’de dar bant modunda (0 ila 4 kHz) çalıştığını belirtiyor. Bu, bir üreticinin canlı bir çağrı kodeğinden kendi beyanıdır ve bağımsız bir ölçüm olarak değil, referans noktası olarak dahil edilmiştir.
2. Sıkıştırma Oranları ve Kalitenin Artmayı Bıraktığı Nokta
Nöral kodeklerin en çarpıcı göründüğü yer sıkıştırma oranı. Descript Audio Codec (DAC), 44,1 kHz sesi 8 kbps’de yaklaşık 90 kat sıkıştırarak token’lara çeviriyor; konuşma, müzik ve çevresel ses için tek bir evrensel model kullanıyor (Descript, DAC makalesi, NeurIPS 2023). 48 kHz stereo müzikte 6 kbps’deki EnCodec (256 kat sıkıştırma) 82,9 MUSHRA aldı; bu, 64 kbps’deki MP3 (24 kat sıkıştırma, 82,7) ile aynı algısal kalite aralığı.
Mühendisler için daha faydalı bulgu doygunluk. EnCodec’in stereo modeli 12 kbps’de 88,0, 24 kbps’de 87,5 aldı; yani bit hızını ikiye katlamak ölçülebilir bir şey kazandırmadı. İkinci bir kaldıraç entropi kodlaması: token’lar üzerinde çalışan küçük bir dil modeli, kaliteyi değiştirmeden bant genişliğinin %25 ila %40’ını kırpıyor; bedeli hız.
| Metrik | Değer | Kaynak |
|---|---|---|
| 8 kbps’de DAC’ın 44,1 kHz sese uyguladığı sıkıştırma | Yaklaşık 90 kat | Descript, DAC makalesi (NeurIPS 2023) |
| 44 kHz’de ViSQOL: 8 kbps’de DAC, 24 kbps’de EnCodec ve 24 kbps’de Opus | 4,18, 3,16 ve 4,15 | Descript, DAC makalesi (NeurIPS 2023) |
| 44 kHz’de ViSQOL: 1,78 kbps’de DAC ve 8 kbps’de Opus | 3,76 ve 2,06 | Descript, DAC makalesi (NeurIPS 2023) |
| MUSHRA, 48 kHz stereo müzik: 6 kbps’de EnCodec (256 kat), 12 kbps, 24 kbps ve 64 kbps’de MP3 (24 kat) | 82,9, 88,0, 87,5 ve 82,7 | Meta AI, EnCodec makalesi (TMLR 2023) |
| EnCodec token’larında entropi kodlayıcı olarak kullanılan bir dil modelinin tasarruf ettiği bant genişliği | Yaklaşık %25 ila %40 | Meta AI, EnCodec makalesi (TMLR 2023) |
| SoundStream token’larının entropi kodlamasıyla elde edilebilecek olası bit hızı tasarrufu | %7 ila %20 | Google, SoundStream makalesi (arXiv 2021) |
ViSQOL, algılanan kaliteyi sinyalden tahmin eden nesnel bir modeldir; DAC’ın kendi MUSHRA skorları yalnızca grafik olarak yayımlandığı için tabloda basılı ViSQOL rakamları kullanıldı. Opus karşılaştırması için bir uyarı: DAC makalesinde 8 kbps’deki Opus yalnızca 4 kHz ses bant genişliğiyle kodlandı, DAC ise tam 22,05 kHz’i korudu; yani farkın bir kısmı verimlilikten değil, bant genişliğinden kaynaklanıyor.
3. Konuşma İçin 1 kbps Altı Sınır
2025 nesli araştırma kodekleri mücadeleyi “Opus’u geç” noktasından “anlaşılır, doğal konuşmayı kaç bit taşıyabilir” noktasına taşıdı. 0,16 kbps’deki FocalCodec, temiz LibriSpeech üzerinde 4,22 UTMOS aldı; bu, sıkıştırılmamış referansın 4,09 değerinin üzerinde (Della Libera ve ark., FocalCodec, NeurIPS 2025). UTMOS, bir dinleyicinin ortalama görüş puanını (MOS) tahmin eden nöral bir modeldir; bu nedenle bir kodek, çok temiz sesli bir çıktı üreterek orijinali bu ölçekte “yenebilir”.
Anlaşılırlık ise öbür yarıyı anlatıyor. Aynı tablo dWER’i, yani bir ASR sisteminin yeniden sentezlenen konuşmada yaptığı ek kelime hata oranını bildiriyor: FocalCodec’in 0,16 kbps ayarı 7,94’e ulaşırken 0,65 kbps ayarı 2,18’de kaldı. Doğal ses artık ucuz; her kelimeyi ve konuşmacının kimliğini korumak ise hâlâ bit istiyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| UTMOS: 0,16 kbps’de FocalCodec ve sıkıştırılmamış referans (LibriSpeech temiz) | 4,22 ve 4,09 | Della Libera ve ark., FocalCodec makalesi (NeurIPS 2025) |
| dWER: 0,65 kbps’de FocalCodec ve 0,16 kbps’de | 2,18 ve 7,94 | Della Libera ve ark., FocalCodec makalesi (NeurIPS 2025) |
| UTMOS ve dWER: 1,04 kbps’de BigCodec | 4,11 ve 2,55 | Della Libera ve ark., FocalCodec makalesi (NeurIPS 2025) |
| UTMOS ve dWER: 1,5 kbps’de EnCodec | 1,58 ve 8,08 | Della Libera ve ark., FocalCodec makalesi (NeurIPS 2025) |
| PESQ: 400 bps’de TAAE ve 1.100 bps’de Mimi | 2,96 ve 3,01 | Parker ve ark., TAAE makalesi (ICLR 2025) |
| PESQ ve SI-SDR: 700 bps’de TAAE | 3,09 ve 4,73 dB | Parker ve ark., TAAE makalesi (ICLR 2025) |
| UTMOS: 0,9 kbps’de WavTokenizer (saniyede 75 token), 9 kbps’de DAC ve referans kayıt (ground truth) | 4,0486, 3,9097 ve 4,0562 | Ji ve ark., WavTokenizer makalesi (ICLR 2025) |
TAAE karşılaştırması iki kez okunmaya değer: 400 bps’de, kendisi de yalnızca birkaç yıllık bir kodek olan Mimi’nin 1.100 bps’deki PESQ değerine kabaca ulaştı (Parker ve ark., TAAE makalesi). Bu bölümdeki her rakamın temiz LibriSpeech veya LibriTTS okuma konuşması üzerinde ölçüldüğünü unutmayın; bu yüzden en iyi senaryo olarak değerlendirin.
4. Gecikme ve Hesaplama Maliyeti
Bit hızı yalnızca bir bütçedir; canlı çağrılar veya akış için bir kodeğin ayrıca bir gecikme bütçesi ve bir CPU bütçesi de vardır. Lyra V2, 20 ms’lik bir kareyi Pixel 6 Pro üzerinde 0,57 ms’de kodluyor ve çözüyor; bu, gerçek zamandan 35 kat hızlı ve gecikme Lyra V1’in 100 ms’sine karşı 20 ms (Google Open Source Blog, Lyra V2). 20 ms’lik karelerle çalışan akış tabanlı nöral kodekler, Opus standardının klasik kodlama için zaten izin verdiği gecikme aralığının içine sığıyor (tabloya bakın).
Model boyutunda nesiller ayrışıyor. Telefonları hedefleyen kodekler küçük ve hızlı kalırken, 1 kbps altı araştırma kodekleri hesaplamayı bitlerle takas ediyor: TAAE’nin yaklaşık 950M parametresi var ve SemantiCodec gerçek zamandan yavaş çalışıyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| Gecikme: Lyra V2 ve Lyra V1 | 20 ms ve 100 ms | Google Open Source Blog, Lyra V2 (2022) |
| 6 kbps’de bir MacBook Pro 2019 CPU iş parçacığında gerçek zaman faktörü, kodlayıcı ve kod çözücü (1’in üzeri = gerçek zamandan hızlı): EnCodec 24 kHz ve Lyra v2 | 9,8 ve 10,4; 27,4 ve 67,2 | Meta AI, EnCodec makalesi (TMLR 2023) |
| Opus algoritmik gecikme aralığı ve kare boyutları | 5 ila 65,2 ms; 2,5 ila 60 ms’lik kareler | IETF, RFC 6716 (2012) |
| Model parametreleri: DAC (kodlayıcı artı kod çözücü) | 76M (22M kodlayıcı, 54M kod çözücü) | Descript, DAC makalesi (NeurIPS 2023) |
| Model parametreleri: TAAE, Mimi ve EnCodec | 950M, 80M ve 14M | Parker ve ark., TAAE makalesi (ICLR 2025) |
| Gerçek zaman faktörü (1’in üzeri = gerçek zamandan hızlı): 0,16 kbps’de FocalCodec, BigCodec ve SemantiCodec | 208, 22 ve 0,62 | Della Libera ve ark., FocalCodec makalesi (NeurIPS 2025) |
Gerçek zaman faktörü makaleler arasında farklı raporlanıyor: EnCodec ve FocalCodec “gerçek zamandan kaç kat hızlı” ifadesini kullanıyor (yüksek olan iyidir); bu yüzden farklı makalelerdeki değerler satır satır karşılaştırılmamalı. Opus aralığı, Opus bit akışını hâlâ tanımlayan 2012 tarihli standart olan IETF’in RFC 6716 belgesinden geliyor; bu temel çizgi için mevcut en güncel veri 2012 tarihli RFC’dir ve bölüm 7’de ele alınan 2024 ve 2025 libopus sürümleriyle genişletilmiştir.
5. Konuşma ve Ses Dil Modellerindeki Kodek Token’ları
Nöral kodeklerin ikinci bir kariyeri var: dil modellerinin konuşmasını sağlayan tokenleştiriciler (tokenizer) oldular. Kyutai’nin Mimi kodeği, 24 kHz konuşmayı 12,5 Hz ve 1,1 kbps’de, her biri 2.048 girişli 8 kod defteri (codebook) kullanarak token’lara kodluyor; üzerine kurulu Moshi diyalog modeli 160 ms teorik ve pratikte 200 ms gecikme bildiriyor (Kyutai, Moshi makalesi). Özbağlanımlı (autoregressive) bir model genellikle her token karesi için bir adım çalıştırır; dolayısıyla kare hızı doğrudan hıza dönüşür. Bu temayı ajan tarafından ilk ses baytına kadar geçen süre istatistiklerimizde ele alıyoruz.
Bu yüzden yalnızca bit hızı değil, kare hızı da tasarım hedefi oldu. NVIDIA’nın Düşük Kare Hızlı Konuşma Kodeği (Low Frame-rate Speech Codec) saniyede 21,5 kare ve 1,89 kbps’de çalışıyor ve yazarlarına göre LLM tabanlı metinden konuşmaya çıkarımı yaklaşık üç kat hızlandırıyor. Ses klonlama yazılımı ve TTS üzerine kurulu ses ürünleri bu ödünleşimleri doğrudan devralır.
| Metrik | Değer | Kaynak |
|---|---|---|
| Mimi token hızı, bit hızı ve ses örnekleme hızı | 12,5 Hz, 1,1 kbps, 24 kHz | Kyutai, Moshi makalesi (arXiv 2024) |
| MUSHRA: 1,1 kbps’de Mimi, 4,0 kbps’de SpeechTokenizer ve 1,3 kbps’de SemantiCodec | 81,0, 74,3 ve 64,8 | Kyutai, Moshi makalesi (arXiv 2024) |
| Moshi diyalog gecikmesi, teorik ve pratikte | 160 ms ve 200 ms | Kyutai, Moshi makalesi (arXiv 2024) |
| NVIDIA’nın Düşük Kare Hızlı Konuşma Kodeği’nin kare hızı ve bit hızı | saniyede 21,5 kare, 1,89 kbps | NVIDIA, Low Frame-rate Speech Codec makalesi (arXiv 2024) |
| Bu düşük kare hızlı kodekle LLM metinden konuşmaya çıkarımında hızlanma | Yaklaşık 3 kat daha hızlı | NVIDIA, Low Frame-rate Speech Codec makalesi (arXiv 2024) |
| WavTokenizer’ın tek nicemleyicisiyle (quantizer) 24 kHz sesin saniye başına token sayısı | 40 veya 75 | Ji ve ark., WavTokenizer makalesi (ICLR 2025) |
| Nöral kodek kodlarıyla eğitilmiş bir TTS modeli olan VALL-E için eğitim verisi ve ses istemi | 60K saat İngilizce konuşma; 3 saniyelik istem | Microsoft, VALL-E makalesi (arXiv 2023) |
| MusicGen tokenleştiricisi: 32 kHz’de EnCodec, kod defterleri, token hızı, eğitim müziği | 2.048’lik 4 kod defteri, 50 Hz, 20K saat | Copet ve ark., MusicGen makalesi (arXiv 2023) |
VALL-E ve MusicGen için mevcut en güncel veri: 2023. MUSHRA satırı için bir uyarı: Mimi’nin 81,0 değeri yalnızca çekişmeli (adversarial) kayıplarla eğitilen varyanta aittir; bunlarsız eğitilen varyant 58,8 aldı; yani tokenleştiricinin eğitim tarifi, algılanan kaliteyi bit hızı kadar etkiliyor.
6. Kodeklerin Alt Görevler İçin Neyi Koruduğu
Dinleme skorları, bir transkripsiyon motorunun, bir konuşmacı kontrolünün veya bir duygu sınıflandırıcının çözülmüş ses üzerinde hâlâ çalışıp çalışmadığını söylemez. Codec-SUPERB’de 1,5 kbps’deki EnCodec, ASR kelime hata oranını %2,96’dan %9,21’e, konuşmacı doğrulama eşit hata oranını ise %0,86’dan %13,88’e çıkardı; 24 kbps’deki DAC ise kelime hata oranını tam olarak orijinal %2,96’da tuttu (Wu ve ark., Codec-SUPERB). Bu hata oranı kaymaları, sıkıştırılmış hatlarda konuşma tanıma halüsinasyonu ve hata oranlarını izleyen herkes için önemli.
Konuşmacı kimliği ve duygu, düşük bit hızlarının ilk kurbanları: konuşma içeriği, dilötesi (paralinguistik) katmandan daha uzun süre hayatta kalıyor. DASB kıyaslaması, model girdisi olarak kullanılan kodek token’ları için daha keskin bir sonuca varıyor: “Tüm alanlarda ve görevlerde sürekli temsiller ayrık token’lardan daha iyi performans gösteriyor” ve orta bit hızları en iyi sonucu verdi (Mousavi ve ark., DASB).
| Metrik | Değer | Kaynak |
|---|---|---|
| Codec-SUPERB’de değerlendirilen kodek modelleri ve model aileleri | 6 aileden 19 varyant | Wu ve ark., Codec-SUPERB makalesi (arXiv 2024) |
| ASR kelime hata oranı: orijinal ses ve 1,5 kbps’de EnCodec | %2,96 ve %9,21 | Wu ve ark., Codec-SUPERB makalesi (arXiv 2024) |
| Konuşmacı doğrulama eşit hata oranı: orijinal ses ve 1,5 kbps’de EnCodec | %0,86 ve %13,88 | Wu ve ark., Codec-SUPERB makalesi (arXiv 2024) |
| Duygu tanıma doğruluğu: orijinal ses ve 1,5 kbps’de EnCodec | %69,84 ve %58,84 | Wu ve ark., Codec-SUPERB makalesi (arXiv 2024) |
| ASR kelime hata oranı: 6 kbps’de DAC ve 24 kbps’de DAC | %3,26 ve %2,96 | Wu ve ark., Codec-SUPERB makalesi (arXiv 2024) |
| PESQ’in genel konuşma skoruyla korelasyonu | 0,97 | Wu ve ark., Codec-SUPERB makalesi (arXiv 2024) |
| Tokenleştiriciler için DASB bit hızı formülü | log2(sözlük boyutu) x kod defteri sayısı x token hızı | Mousavi ve ark., DASB kıyaslaması (arXiv 2024) |
Bağlam notu: eşit hata oranı (equal error rate), bir konuşmacı doğrulama sisteminin yanlış kabul ve yanlış reddi aynı oranda yaptığı noktadır; dolayısıyla %0,86’dan %13,88’e sıçrama, çözülmüş sesin sahibiyle eşleştirilmesinin çok daha zor hâle geldiği anlamına gelir. Codec-SUPERB’in PESQ korelasyonu pratik bir kestirme yol da öneriyor: konuşma için köklü PESQ ölçütü, kıyaslamanın genel hükmünü hâlâ yakından izliyor.
7. Klasik Kodekler Nöral Oluyor: Opus, EVS ve Standartlaşma Süreci
Klasik kodekler olduğu yerde durmadı. Opus 1.5 (4 Mart 2024), NoLACE iyileştiricisinin 9 kb/s konuşmayı, iyileştirilmemiş 12 kb/s’den daha iyi hâle getirdiğini ve çalışma zamanı maliyetinin yaklaşık %0,75 CPU olduğunu gösterdi (Xiph.Org, Opus 1.5 sürümü). Artık IETF standart yolunda olan Deep Redundancy (DRED) özelliği, her pakete bir saniyeye kadar yedek ses sığdırıyor; böylece “her 20 ms’lik paket fiilen 50 kez iletilmiş oluyor” ve sürüm notları “%90 kayıpta bile hâlâ iyi çalışıyor” diyor (burada “paket kaybı”, kaybolan ses dosyaları değil, ağda düşen veri paketleri anlamına gelir).
Sonuç: bölüm 1’de eski Opus yapılarına karşı ölçülen fark, klasik taraftan daralıyor. Opus 1.6 (15 Aralık 2025) daha da ileri giderek DRED modelini küçülttü ve nöral bant genişliği genişletme (bandwidth extension) ekledi; böylece 9 kb/s konuşma, 18 kb/s’deki Opus 1.4 tam bant (fullband) kalitesine ulaşıyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| Standardın tanımladığı Opus bit hızı aralığı | 6 kbit/s ila 510 kbit/s | IETF, RFC 6716 (2012) |
| EVS bit hızı aralığı ve azami ses bant genişliği | 5,9 ila 128 kbps, 20 kHz’e kadar | 3GPP, EVS kodeği haber duyurusu (2014) |
| NoLACE ile konuşmanın “mükemmel derecede kullanılabilir” olduğu en düşük Opus 1.5 bit hızı | 6 kb/s | Xiph.Org, Opus 1.5 sürümü (2024) |
| Opus 1.5’teki NoLACE ve LACE iyileştiricilerinin ve FARGAN nöral vokoderinin karmaşıklığı | NoLACE 400 MFLOPS (yaklaşık %0,75 CPU); LACE 100 MFLOPS (yaklaşık %0,15 CPU); FARGAN 600 MFLOPS (LPCNet’in 1/5’i) | Xiph.Org, Opus 1.5 sürümü (2024) |
| DRED model boyutu: Opus 1.6 ve Opus 1.5 | 600 kB ve 1.800 kB | Xiph.Org, Opus 1.6 sürümü (2025) |
| 9 kb/s’de NoLACE’li Opus 1.6 bant genişliği genişletmesinin denk geldiği kalite | 18 kb/s’de Opus 1.4 tam bant | Xiph.Org, Opus 1.6 sürümü (2025) |
| DRED yedeklilik bit hızı ve normal Opus bit hızı; karşılaştırma için bant içi LBRR | Yaklaşık 1/50 (DRED) ve yaklaşık 2/3 (LBRR) | IETF, draft-ietf-mlcodec-opus-dred-07 (4 Ağustos 2026) |
DRED şartnamesi hâlâ bir Internet-Draft aşamasında (IETF mlcodec çalışma grubu) ve 4 Ağustos 2026’da revize edildi; Opus 1.5 notları “Opus 1.5’e dahil edilen sürüm, nihai sürümle uyumlu olmayacak” uyarısında bulunmuştu. EVS rakamları 3GPP Release 12 duyurusundan geliyor; mevcut en güncel veri: 3GPP, 2014.
Özet: Rakamlarla Nöral Ses Kodeği Bit Hızı ve Kalite
| Metrik | Değer | Kaynak |
|---|---|---|
| MUSHRA, temiz konuşma: 6 kbps’de EnCodec ve 6 kbps’de Opus | 83,1 ve 30,1 | Meta AI, EnCodec makalesi (TMLR 2023) |
| 3 kbps’deki SoundStream’e denk gelmek için gereken Opus ve EVS bit hızı | Opus en az 12 kbps, EVS en az 9,6 kbps | Google, SoundStream makalesi (arXiv 2021) |
| Standardın tanımladığı Opus bit hızı aralığı | 6 ila 510 kbit/s | IETF, RFC 6716 (2012) |
| 8 kbps’de DAC’ın 44,1 kHz sese uyguladığı sıkıştırma | Yaklaşık 90 kat | Descript, DAC makalesi (NeurIPS 2023) |
| ViSQOL: 8 kbps’de DAC ve 24 kbps’de EnCodec | 4,18 ve 3,16 | Descript, DAC makalesi (NeurIPS 2023) |
| dWER: 0,65 kbps’de FocalCodec ve 0,16 kbps’de | 2,18 ve 7,94 | Della Libera ve ark., FocalCodec makalesi (NeurIPS 2025) |
| UTMOS: 0,16 kbps’de FocalCodec ve referans | 4,22 ve 4,09 | Della Libera ve ark., FocalCodec makalesi (NeurIPS 2025) |
| PESQ: 400 bps’de TAAE ve 1.100 bps’de Mimi | 2,96 ve 3,01 | Parker ve ark., TAAE makalesi (ICLR 2025) |
| UTMOS: 0,9 kbps’de WavTokenizer ve 9 kbps’de DAC | 4,0486 ve 3,9097 | Ji ve ark., WavTokenizer makalesi (ICLR 2025) |
| Duygu tanıma doğruluğu: orijinal ve 1,5 kbps’de EnCodec | %69,84 ve %58,84 | Wu ve ark., Codec-SUPERB makalesi (arXiv 2024) |
| Model parametreleri: TAAE ve EnCodec | 950M ve 14M | Parker ve ark., TAAE makalesi (ICLR 2025) |
| Mimi token hızı ve bit hızı | 12,5 Hz, 1,1 kbps | Kyutai, Moshi makalesi (arXiv 2024) |
| Moshi diyalog gecikmesi, pratikte | 200 ms | Kyutai, Moshi makalesi (arXiv 2024) |
| Saniyede 21,5 kareli bir kodekle LLM metinden konuşmaya hızlanma | Yaklaşık 3 kat | NVIDIA, Low Frame-rate Speech Codec makalesi (arXiv 2024) |
| ASR kelime hata oranı: orijinal ve 1,5 kbps’de EnCodec | %2,96 ve %9,21 | Wu ve ark., Codec-SUPERB makalesi (arXiv 2024) |
| MUSHRA: 1,1 kbps’de Mimi ve 4,0 kbps’de SpeechTokenizer | 81,0 ve 74,3 | Kyutai, Moshi makalesi (arXiv 2024) |
| 9 kb/s’de NoLACE ile iyileştirilmiş Opus, iyileştirilmemiş Opus ile karşılaştırıldığında | 12 kb/s’den daha iyi | Xiph.Org, Opus 1.5 sürümü (2024) |
| DRED model boyutu, Opus 1.6 ve Opus 1.5 | 600 kB ve 1.800 kB | Xiph.Org, Opus 1.6 sürümü (2025) |
Metodoloji ve Kaynaklar
- Google, SoundStream: An End-to-End Neural Audio Codec (arXiv 2107.03312, 2021; IEEE/ACM TASLP): Opus ve EVS’ye karşı MUSHRA bit hızı oranları, kare boyutu, entropi kodlaması tasarrufları.
- Google Open Source Blog, Lyra V2 (Eylül 2022): Opus eşdeğerliği, gecikme, Pixel 6 Pro süre ölçümü.
- Meta AI, High Fidelity Neural Audio Compression (EnCodec), TMLR 2023 (arXiv 2210.13438): MUSHRA tabloları, sıkıştırma oranları, gerçek zaman faktörleri, entropi kodlaması.
- Meta Engineering, MLow: Meta’s low bitrate audio codec (13 Haziran 2024): Opus ile üreticinin kendi POLQA karşılaştırması.
- Copet et al., Simple and Controllable Music Generation (MusicGen), arXiv 2023: EnCodec tokenleştirici yapılandırması ve eğitim saatleri.
- Descript, High-Fidelity Audio Compression with Improved RVQGAN (DAC), NeurIPS 2023: sıkıştırma katsayısı, ViSQOL tablosu, parametre sayısı.
- Kyutai, Moshi: a speech-text foundation model for real-time dialogue (arXiv 2410.00037, 2024): Mimi kodek şartnamesi, anlamsal tokenleştiricilere karşı MUSHRA, diyalog gecikmesi.
- NVIDIA, Low Frame-rate Speech Codec (arXiv 2409.12117, 2024): kare hızı, bit hızı, TTS çıkarım hızlanması.
- Microsoft, VALL-E: Neural Codec Language Models are Zero-Shot Text to Speech Synthesizers (arXiv 2301.02111, 2023): eğitim saatleri ve istem uzunluğu.
- Ji et al., WavTokenizer (ICLR 2025, arXiv 2408.16532): tek nicemleyicili token hızları ve UTMOS.
- Parker et al., Scaling Transformers for Low-Bitrate High-Quality Speech Coding (TAAE), ICLR 2025: 400 ve 700 bps sonuçları, parametre sayıları.
- Della Libera et al., FocalCodec (NeurIPS 2025, arXiv 2502.04465): UTMOS, dWER ve gerçek zaman faktörlerini içeren 1 kbps altı kıyaslama tablosu.
- Wu et al., Codec-SUPERB: An In-Depth Analysis of Sound Codec Models (arXiv 2402.13071, 2024): alt görev ASR, konuşmacı, duygu sonuçları.
- Mousavi et al., DASB: Discrete Audio and Speech Benchmark (arXiv 2406.14294, 21 Nisan 2026’da revize edildi): ayrık ve sürekli temsil bulguları.
- Xiph.Org, Opus 1.5 sürüm notları (4 Mart 2024) ve Opus 1.6 sürüm notları (15 Aralık 2025): LACE, NoLACE, DRED, FARGAN, bant genişliği genişletme.
- IETF, RFC 6716: Definition of the Opus Audio Codec (Eylül 2012) ve IETF, draft-ietf-mlcodec-opus-dred: Opus bit hızı ve gecikme aralıkları, DRED ek yükü.
- 3GPP, Enhanced Voice Services codec for LTE (Release 12, 7 Kasım 2014): EVS bit hızı aralığı ve bant genişliği.
- ITU-R BS.1534-3 (MUSHRA), Ekim 2015 ve ITU-T P.808 crowdsourced speech quality, Haziran 2021: MUSHRA ve kitle kaynaklı MOS rakamlarının arkasındaki dinleme testi yöntemleri.
- Veri notu: (1) MUSHRA, MOS, ViSQOL, UTMOS ve PESQ birbirinin yerine kullanılamaz ve bir skor yalnızca aynı testteki referans ve temel çizgilere göre anlam taşır; özellikle UTMOS bir kodeği orijinalin üzerinde puanlayabilir (FocalCodec 4,22 ve 4,09). (2) Meta’nın MLow blogu “POLQA MOS 1,89 ve 3,9” ifadesini hangi skorun hangi kodeğe ait olduğunu belirtmeden basıyor; makale bağlamı Opus için 1,89, MLow için 3,9 olduğunu ima ediyor ve kullanılan Opus sürümü belirtilmiyor. (3) Codec-SUPERB’in metni DAC 24 kbps duygu doğruluğunun “%0,38 düştüğünü” söylüyor, ancak tablo değerleri (%69,84’ten %69,56’ya) 0,28 puan veriyor ve makalenin veri kümesi sayısı 20 ile 21 arasında değişiyor; yalnızca tablo değerlerini bildiriyoruz. (4) WavTokenizer’ın 40 token’lık ayarı tablosunda 0,5 kbps, metninde 0,48 kbps olarak basılmış. (5) EnCodec’in arXiv sayfası hâlâ “Ön baskı” diyor, oysa TMLR 2023 kaydı dergi yayınını doğruluyor; Google, SoundStream’i IEEE/ACM TASLP altında 2021 tarihiyle listeliyor, diğer dizinler ise 2022 veriyor. (6) Aynı kodek için parametre sayıları kaynağa göre değişiyor: Mimi, TAAE makalesinde 80M, FocalCodec makalesinde 82M ve Kyutai’nin Hugging Face model kartında 96,2M olarak listeleniyor; bu muhtemelen hangi bileşenlerin sayıldığına bağlı. Gerçek zaman faktörü tanımları da makaleler arasında farklı olduğundan, makaleler arası hız satırları doğrudan karşılaştırılamaz. (7) Opus ile yapılan başa baş karşılaştırmaların çoğu, Opus 1.5 ve 1.6 nöral özelliklerinden öncesine ait ve nöral kodekler için Tier 1 pazar verisi bulunamadığından hiçbir pazar büyüklüğü rakamı dahil edilmedi.
- Son güncelleme: 31 Ekim 2026. Bu derlemeyi üç ayda bir güncelliyoruz ve bir sonraki yenilemenin, IETF mlcodec çalışma grubu draft-ietf-mlcodec-opus-dred taslağını RFC yayımlanmasına doğru ilerlettiğinde yapılması bekleniyor.