2021 Deep Noise Suppression (DNS) Challenge yarışmaları toplam algoritmik gecikmeyi 40 ms ile sınırlarken, 2025 tarihli bir hearables (kulak içi giyilebilir cihaz) çalışması düşük güçlü bir DSP üzerinde nöral gürültü bastırmayı 1,25 ms algoritmik gecikme ve uçtan uca 3,35 ms ile çalıştırdı (Microsoft Research, Interspeech 2021 DNS Challenge makalesi; Dementyev ve ark., arXiv 2025). Model boyutları üç büyüklük mertebesinden fazla bir aralığa yayılıyor: RNNoise 87.503 ağırlık kullanıyor, GTCRN 23,7K parametre bildiriyor, Interspeech 2025 URGENT’in en iyi sistemi ise yaklaşık 102M parametre kullandı. Dinleme testleri laboratuvar metriklerinin gözden kaçırdığı şeyi ortaya koymaya devam ediyor: tam PercepNet, son işlem filtresiz varyantından daha düşük PESQ’e sahipti (2,54 karşı 2,73) ancak daha yüksek dinleyici MOS’una (4,05 karşı 3,91). Gürültü bastırma, ses izolasyonu hikâyesinin yarısıdır; diğer yarısı, bir konuşmacıyı diğer konuşmacılardan ayırma, konuşma ayrıştırma ve kokteyl partisi istatistiklerimizde, bu araçların ticari tarafı ise kurumsal gürültü engelleme yazılımı istatistiklerimizde ele alınıyor. Microsoft Research’ün DNS Challenge makalelerinden, ITU-T’den, Mozilla ve Xiph.Org’un RNNoise çalışmasından, DeepFilterNet makalelerinden, URGENT yarışması organizatörlerinden, NVIDIA’nın Maxine belgelerinden ve bağımsız üniversite ile sektör araştırmacılarından veri derledik.
TL;DR
- 1,25 ms’lik bir nöral bastırıcı, uçtan uca 3,35 ms gecikmeyle düşük güçlü bir DSP üzerinde çalıştı (Dementyev ve ark., milisaniye altı gecikmeli hearables makalesi, arXiv 2025).
- RNNoise, bir x86 çekirdeğinin yaklaşık %1,3’üne denk gelen 87.503 ağırlıkla çalışıyor (Mozilla, RNNoise makalesi, MMSP 2018).
- GTCRN 23,7K parametre ve saniyede 39,6 MMAC bildiriyor (Rong ve ark., GTCRN, ICASSP 2024).
- DeepFilterNet2 2,306 M parametreye sahip ve bir Raspberry Pi 4 üzerinde bile gerçek zamanlı faktörü 0,42 (Schröter ve ark., DeepFilterNet2 makalesi 2022).
- Bir GPU denoiser’ı, dizüstü GPU’da 10 ms’lik bir çerçeveyi işlemek için 0,410 ms (p95) gerektiriyor (NVIDIA, Maxine AFX SDK performans kılavuzu, üretici beyanı).
- PercepNet, VCTK üzerinde gürültülü girdi için 3,40’a karşı 4,05 dinleyici MOS’u aldı (Valin ve ark., PercepNet makalesi, Interspeech 2020).
- Interspeech 2025 URGENT kazananı yaklaşık 102M parametre kullandı; bu, 8,5M’lik temel modelin yaklaşık 12 katı (Saijo ve ark., URGENT 2025 Challenge makalesi).
- 0 ms gecikmeye ulaşmak için ileriyi tahmin etmek SI-SDR’yi 2,8341 dB’den -3,6493 dB’ye düşürdü (Wang ve ark., IEEE/ACM TASLP 2022).
- Gürültü bastırıcılar için üç dereceli test olan ITU-T P.835’in yeni bir sürümü var: P.835 (07/26) (ITU-T Tavsiyesi P.835 sayfası, 2026).
- ICASSP 2026 URGENT Challenge, Kategori 1 için 80 kayıt ve 29 ekipten geçerli gönderim topladı (Li ve ark., ICASSP 2026 URGENT Challenge makalesi).
1. Gecikme Bütçeleri: Gerçek Zamanlı Gürültü Bastırma Ne Kadar Gecikmeye İzin Alıyor
Algoritmik gecikme, yöntemin kendisine yerleşik gecikmedir (analiz çerçevesinin uzunluğu artı gelecekteki sese yönelik herhangi bir ileri bakış), bu yüzden daha hızlı bir işlemci onu ortadan kaldıramaz. İşlem süresi ayrı bir konudur: gerçek zamanlı bir sistemin yalnızca her çerçeveyi bir sonrakinin gelmesinden önce bitirmesi gerekir. 2021 DNS Challenge yarışmaları toplam algoritmik gecikmeyi 40 ms ile sınırladı; bu, işitme cihazı standartlarına göre cömert, gelecekteki sesi görmek isteyen bir model için ise dar bir değerdir.
Bu 40 ms, ses bilgisayardan çıkmadan bile harcanır. Bir görüşmede bastırıcının gecikmesi yankı giderme, kodekler ve ağ ile üst üste biner; yankı denetiminin kendi bütçesi ve kıyaslamaları vardır, bunlar akustik yankı giderme istatistiklerimizde ele alınıyor. Kural Interspeech 2021 DNS Challenge makalesinde açıkça belirtilmiştir, tasarım rakamları ise PercepNet makalesinden ve DeepFilterNet3 makalesinden gelir.
| Metrik | Değer | Kaynak |
|---|---|---|
| DNS Challenge gerçek zamanlı kuralı: toplam algoritmik gecikme (çerçeve + adım + ileri bakış) ve çerçeve başına işlem süresi | 40 ms veya altı; 2,4 GHz Intel Core i5 dört çekirdekli işlemcide adım süresinin altında (16 ms adımlı 32 ms çerçeve, yani 48 ms, başarısız olur) | Microsoft Research, ICASSP 2021 ve Interspeech 2021 DNS Challenge makaleleri |
| RNNoise analiz penceresi, atlama ve ileri bakış | 20 ms pencere, 10 ms kaydırma; 10 ms ileri bakış | Mozilla, RNNoise makalesi, MMSP 2018; Xiph.Org RNNoise demo sayfası 2017 |
| PercepNet çerçeve boyutu ve ileri bakış | 10 ms çerçeve, 40 ms ileri bakış | Valin ve ark., PercepNet makalesi, Interspeech 2020 |
| DeepFilterNet3 algoritmik gecikmesi | 40 ms (20 ms pencere, 10 ms atlama, 2 çerçeve ileri bakış) | Schröter ve ark., DeepFilterNet3 makalesi, Interspeech 2023 |
| Çok düşük gecikmeli STFT tasarımı: pencere boyutları ve ortaya çıkan algoritmik gecikme | 16 ms giriş penceresi, 4 ms çıkış penceresi, 2 ms atlama; 4 ms gecikme veya bir çerçeve ileri tahminle 2 ms | Wang ve ark. (CMU, MERL), IEEE/ACM TASLP 2022 |
| Tipik ML konuşma iyileştirme algoritmik gecikmesi ve hearables hedefi | 16 ila 32 ms karşı uçtan uca 2 ms altı (algoritmik olarak yaklaşık 1 ms veya daha az) | Dementyev ve ark., milisaniye altı gecikmeli hearables makalesi, arXiv 2025 |
| Denoiser v2 GPU etkisi: çerçeve boyutu ve çerçeve başına yayın eşiği (satıcının kendi testi) | 10 ms çerçeve (16 kHz’de 160 örnek); p95 çerçeve süresi 10 ms bütçesinin altında kalmalı | NVIDIA, Maxine AFX SDK Windows performans kılavuzu (üretici beyanı) |
Yarışma kuralı için mevcut en güncel veri: 2021; sonraki DNS sürümleri milisaniye tanımlarını yarışma web sitesine bırakıyor. RNNoise ve PercepNet için mevcut en güncel veri: 2018 ve 2020 makaleleri.
2. Hesaplama ve Model Boyutu: 23,7K Parametreden 8 Milyona
GTCRN 23,7K parametre bildirirken PercepNet 8M ağırlık ve yaklaşık 800 MMACS kullanıyor; yani gerçek zamanlı da çalışan bir model için kabaca 340 kat daha fazla ağırlık (8.000.000 / 23.700). Gerçek zamanlı faktör (RTF), işlem süresinin ses süresine bölünmesidir; dolayısıyla 1’in altındaki bir RTF modelin canlı sese yetiştiği anlamına gelir.
Pratik okuma: nöral bastırmayı bir dizüstü bilgisayarda durduran şey artık hesaplama değil. RNNoise, Haswell dönemi bir dizüstü işlemcide bir çekirdeğin yaklaşık %1,3’üne, PercepNet ise bir çekirdeğin %5’inden azına ihtiyaç duydu. Açık soru telefonlar, kulaklıklar ve DSP’lerdir; orada bir Raspberry Pi 4 üzerinde 0,42 RTF hâlâ çok az pay bırakıyor. Rakamlar RNNoise makalesinden, DeepFilterNet2 makalesinden ve GTCRN makale sayfasından geliyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| RNNoise boyutu ve CPU yükü | 87.503 ağırlık; yaklaşık 40 MFLOPS; bir Intel i7-4800MQ çekirdeğinin yaklaşık %1,3’ü, bir Raspberry Pi 3 çekirdeğinin yaklaşık %14’ü | Mozilla, RNNoise makalesi, MMSP 2018 |
| 8 bit ağırlıklı ve 32 bit kayan noktalı RNNoise model dosyası ve hız | 85 kB karşı 340 kB; x86’da gerçek zamandan yaklaşık 60 kat hızlı, Raspberry Pi 3’te yaklaşık 7 kat | Xiph.Org, RNNoise demo sayfası 2017 |
| PercepNet boyutu ve CPU yükü | 8M ağırlık; yaklaşık 800 MMACS; bir Intel i7-8565U çekirdeğinin %5,2’si (10 ms çerçeve), %4,1’i (40 ms çerçeve) | Valin ve ark., PercepNet makalesi, Interspeech 2020 |
| DeepFilterNet ve DeepFilterNet2: parametreler, hesaplama, Core i5-8250U üzerinde RTF | 1,778 M karşı 2,306 M; 0,348 karşı 0,356 GMAC; RTF 0,11 karşı 0,04 (Raspberry Pi 4’te 0,42) | Schröter ve ark., DeepFilterNet2 makalesi 2022 |
| GTCRN boyutu ve hesaplaması | 23,7K parametre; saniyede 39,6 MMAC | Rong ve ark., GTCRN, ICASSP 2024 |
| UL-UNAS boyutu ve hesaplaması | 169k parametre; saniyede 34M MAC; 0 ms ileri bakış | Rong ve ark., UL-UNAS, Neural Networks 2025 |
| RTX 3500 Ada dizüstü GPU’sunda Denoiser v2 (satıcının kendi ölçümü) | 10 ms’lik çerçeve başına p95 0,410 ms; p50 verimi gerçek zamanın 26,74 katı; 215 MiB GPU belleği | NVIDIA, Maxine AFX SDK Windows performans kılavuzu (üretici beyanı) |
NVIDIA’nın denoiser belgeleri kendi uyarısını ekliyor: SNR değeri 5 dB’nin altındaki girdi bozuk çıktı üretebilir.
3. Kıyaslama Kalite Puanları: Adlandırılmış Modeller İçin PESQ ve DNSMOS
PESQ, işlenmiş sesi temiz bir referansla karşılaştırır; DNSMOS ise referansa ihtiyaç duymadan dinleyicilerin ne diyeceğini tahmin eden bir nöral modeldir. Yaygın VoiceBank+DEMAND test setinde PESQ, işlenmemiş gürültülü konuşma için 1,97’den DeepFilterNet3 için 3,17’ye çıktı; RNNoise ise nöral grubun alt ucunda yer aldı.
DNSMOS satırı daha yararlı uyarıyı taşıyor. DNS4 kör test setinde RNNoise, genel puanı yükseltirken tahmin edilen konuşma (SIG) puanını gürültülü girdinin altına düşürdü; bu klasik bir ödünleşimdir: daha az gürültü, biraz zarar görmüş ses. PercepNet’in kendi makalesi PESQ için tersi bir sorunu gösteriyor: dinleyicilerin en çok beğendiği sürümün PESQ’i daha düşüktü. Veriler DeepFilterNet3 makalesinden ve UL-UNAS makalesinden.
| Metrik | Değer | Kaynak |
|---|---|---|
| VoiceBank+DEMAND PESQ: gürültülü girdi, RNNoise ve DeepFilterNet2 (son işlem filtreli) | 1,97 karşı 2,33 karşı 3,03 | Schröter ve ark., DeepFilterNet2 makalesi 2022 |
| DeepFilterNet3’ün VoiceBank+DEMAND PESQ ve STOI değerleri | 3,17 ve 0,944 | Schröter ve ark., DeepFilterNet3 makalesi, Interspeech 2023 |
| DNS4 kör setinde DNSMOS, konuşma (SIG) ve genel (OVRL): gürültülü, RNNoise ve DeepFilterNet2 | SIG 4,144 karşı 3,884 karşı 4,196; OVRL 3,291 karşı 3,378 karşı 3,882 | Schröter ve ark., DeepFilterNet2 makalesi 2022 |
| VCTK-DEMAND PESQ: PESQ kaybıyla eğitilmiş GTCRN ve UL-UNAS | 2,87 karşı 3,09 | Rong ve ark., UL-UNAS, Neural Networks 2025 |
| DNS3 kör set PESQ ve ileri bakış: GTCRN, LiSenNet ve UL-UNAS | 2,10 (0 ms) karşı 2,23 (32 ms) karşı 2,28 (0 ms) | Rong ve ark., UL-UNAS, Neural Networks 2025 |
| PercepNet PESQ-WB, son işlem filtreli ve son işlem filtresiz | 2,54 karşı 2,73 | Valin ve ark., PercepNet makalesi, Interspeech 2020 |
| VCTK 48 kHz üzerinde P.808 dinleyici MOS: gürültülü, RNNoise ve PercepNet | 3,40 karşı 3,70 karşı 4,05 | Valin ve ark., PercepNet makalesi, Interspeech 2020 |
Bağlam: VoiceBank+DEMAND küçük, çoğunlukla sentetik bir test setidir; bu nedenle bu sıralamalar gerçek görüşmelerden çok göreli ilerleme hakkında bilgi verir. DNS3 satırı gecikmeyle ilgilenen okurların not etmesi gereken satırdır: sıfır ileri bakışlı bir model (2,28), PESQ’te 32 ms ileri bakışlı bir modelin (2,23) üzerinde puan aldı.
4. Yarışma Sonuçları: DNS 2021’den 2023’e ve URGENT 2025’ten 2026’ya
2020’den 2026’ya yarışma sonuçları, ölçülen kazanımların gürültülü girdiye kıyasla, kazananlar için bile küçük kaldığını gösteriyor. ICASSP 2021’de en iyi model gürültülü girdiden yalnızca 0,53 DMOS (ortalama görüş puanı farkı) daha iyiydi; organizatörler bunun mutlak MOS değerini 3,38 olarak verdi ve gönderimlerin yalnızca yarısı temel modeli geçti. Teams’in ses izolasyonu olarak sunduğu kişiselleştirilmiş bastırma, kullanıcının sesinden bir örneği kaydeder ve diğer konuşmacıları da kaldırır; ICASSP 2022 kişiselleştirilmiş kategorisinde hiçbir ekip konuşma puanını iyileştirmedi. Teams’te ses izolasyonu, yönetici politikasında varsayılan olarak etkindir ve ses profili kullanıcının cihazında saklanır (Microsoft Learn, Teams ses izolasyonu yönetici sayfası, 2026’da güncellendi).
URGENT (“evrensel” konuşma iyileştirme) gürültü bastırmadan daha geniştir: yankılanma, kırpılma, kodek kaybı, paket kaybı ve rüzgâr gürültüsü ekler ve 8 ila 48 kHz girdi alır. 2025 sonuçları, model boyutunun 2. bölümdekinin tersi yönde hareket ettiğini gösteriyor. Kaynaklar: ICASSP 2021 DNS makalesi, ICASSP 2022 DNS makalesi, ICASSP 2023 DNS makalesi, URGENT 2025 makalesi ve URGENT 2026 makalesi.
| Metrik | Değer | Kaynak |
|---|---|---|
| Interspeech 2020 DNS gerçek zamanlı kategorisi: PercepNet sırası ve gürültülü girdi ile temel modele karşı P.808 MOS | 2. sıra; 3,52 karşı 3,01 karşı 3,03 | Valin ve ark., PercepNet makalesi, Interspeech 2020 |
| ICASSP 2021 DNS Kategori 1: ekipler ve gürültülü girdiye karşı en iyi sonuç | 16 ekip; en iyi model gürültülüden 0,53 DMOS daha iyi (mutlak MOS 3,38); gönderimlerin yarısı temel modeli geçti | Microsoft Research, ICASSP 2021 DNS Challenge makalesi |
| Interspeech 2021 DNS: en iyi genel MOS ve kusursuz gürültü gidermeyle ulaşılabilecek üst sınır; konuşma puanları | Yaklaşık 3,78 karşı 3,92; ilk ikisi dışındaki çoğu ekip konuşma MOS’unda gürültülünün altında puan aldı | Microsoft Research, Interspeech 2021 DNS Challenge makalesi |
| ICASSP 2022 kişiselleştirilmiş (ses izolasyonu) kategorisi: kayıt süresi ve gürültülüye karşı sonuç | Konuşmacı başına 2,5 dakika; hiçbir ekip SIG’i iyileştirmedi; kelime doğruluğu %2 daha kötü | Microsoft Research, ICASSP 2022 DNS Challenge makalesi |
| ICASSP 2023 DNS: gönderimler ve gürültülü kör sete göre kazanan Skor artışı, kulaklık ve hoparlörlü telefon | 11 ve 11 gönderim; 0,145 karşı 0,141 | Microsoft Research, ICASSP 2023 DNS Challenge makalesi |
| Interspeech 2025 URGENT: gönderimler ve kazanan sistemin temel modele göre boyutu | 32 gönderim; yaklaşık 102M karşı yaklaşık 8,5M parametre | Saijo ve ark., Interspeech 2025 URGENT Challenge makalesi |
| Interspeech 2025 URGENT: tamamen üretken sistemin MOS’u, genel sırası ve Çince ile Japoncada karakter doğruluğu | En yüksek MOS (3,69) ancak 13. sırada; %20,1 ve %36,8 | Saijo ve ark., Interspeech 2025 URGENT Challenge makalesi |
| ICASSP 2026 URGENT: Kategori 1 kayıtları, geçerli ekipler, kör test boyutu | 80 kayıt; her iki kategoride geçerli gönderimi olan 29 ekip; 5 görülmemiş dil dahil 840 örnek | Li ve ark., ICASSP 2026 URGENT Challenge makalesi |
Interspeech 2021 satırındaki 3,92 üst sınırı organizatörlerin kendi hesabıdır: gürültü kusursuz 5 olarak derecelendirilse ve konuşma gürültülü klipteki kadar iyi kalsa, genel MOS en fazla bu değere ulaşırdı. 2021’e gelindiğinde kazananlar gürültünün çoğunu gidermişti ve kalan fark konuşma kalitesiydi. ICASSP 2023 Skoru 0,5 x [WAcc + 0,25 x (OVRL - 1)] olup kelime doğruluğuna ve dinleyici kalitesine eşit ağırlık verir.
5. Kaliteyi Ölçmek: ITU-T P.835, P.808 ve DNSMOS
ITU-T P.835, dinleyicilerden üç ayrı derecelendirme ister: konuşma sinyali (SIG), arka plan gürültüsü (BAK) ve genel kalite (OVRL). Bu ayrım gürültü bastırma için önemlidir, çünkü bir model aynı klipte gürültüde kazanıp seste kaybedebilir. DNSMOS, model başına 0,93 PCC ile insan derecelendirmelerini izledi; PESQ için bu değer 0,78, SDR için yalnızca 0,23 idi; DNS organizatörlerinin PESQ’e güvenmek yerine dinleyici derecelendirmeleriyle bir metrik eğitmesinin nedeni budur.
Püf noktası ayrıntı düzeyidir. DNSMOS’un P.835 sürümü, tek bir klipte tüm bir model üzerinden ortalama alındığındakinden çok daha zayıftır; bu yüzden tek bir klibin DNSMOS değerini kesin hüküm değil, ipucu olarak değerlendirin. Aynı mantık sentetik seslere de uygulanır; bunlar sentetik konuşma doğallığı MOS istatistiklerimizde ele alınıyor. Kaynaklar: ITU-T P.835 sayfası, ITU-T P.808 sayfası, DNSMOS makalesi ve DNSMOS P.835 makalesi.
| Metrik | Değer | Kaynak |
|---|---|---|
| ITU-T P.835 sürümleri | P.835 (07/26) yürürlükte, ön yayımlı; P.835 (11/03) yerini yenisine bıraktı | ITU-T Tavsiyesi P.835 sayfası, Ekim 2026’da erişildi |
| ITU-T P.808 sürümleri | P.808 (06/21) yürürlükte; P.808 (06/18) yerini yenisine bıraktı | ITU-T Tavsiyesi P.808 sayfası, Ekim 2026’da erişildi |
| Dinleyicilerle model başına DNSMOS korelasyonu (PCC) ile PESQ, POLQA, SDR karşılaştırması; DNSMOS P.835 genel, model düzeyi ve tek klip | 0,93 karşı 0,78, 0,79, 0,23; 0,98 karşı 0,82 | Reddy ve ark., Microsoft, DNSMOS (2020) ve DNSMOS P.835 (2021) makaleleri |
| PercepNet dinleme testleri: VCTK örnekleri ve örnek başına dinleyici; DNS testinde klip başına dinleyici | 824 örnek, her biri 8 dinleyici (%95 güven aralığı 0,04); her biri 10 dinleyici (%95 güven aralığı 0,02) | Valin ve ark., PercepNet makalesi, Interspeech 2020 |
| URGENT 2025 öznel test yöntemi ve kapsamı | Amazon Mechanical Turk üzerinde ITU-T P.808 mutlak kategori derecelendirmesi; yalnızca İngilizce veri | Saijo ve ark., Interspeech 2025 URGENT Challenge makalesi |
| ICASSP 2026 URGENT dinleme testleri ve MOS tahmin verisi | İlk 6 sistem P.808 ACR ve CCR ile derecelendirildi; 16 sistemden MOS etiketli 8.000 örnek | Li ve ark., ICASSP 2026 URGENT Challenge makalesi |
P.835 revizyonu buradaki en yeni unsurdur: 2003 sürümünün yerini P.835 (07/26) aldı ve başlığı artık “gürültü bastırma işlevi sağlayan” terminalleri kapsıyor. Tam metni baktığımızda henüz kamuya açık değildi; bu nedenle yöntemdeki değişiklikler yukarıdaki sayılara yansımıyor.
6. Gecikme ve Kalite Ödünleşimi
Gecikmeyi azaltmak aynı anda kaliteye ve hesaplamaya mal olur. 2025 tarihli bir hearables çalışmasında 1 ms’lik bir model 840 MIPS gerektirirken 16 ms’lik bir overlap-add (çakışmalı toplama) modeli 105 MIPS gerektirdi ve 16 ms’lik model yine de daha yüksek puan aldı (CHiME-2 üzerinde DNSMOS OVRL 2,35 karşı 2,13). Daha önceki bir CMU ve MERL çalışması PESQ için aynı örüntüyü buldu ve 0 ms’ye ulaşmak için sesin ilerisini tahmin etmeye çalışmanın SI-SDR’yi çökerttiğini gösterdi.
Hearables çalışmasının yanıtı pencereyi küçültmek yerine çıkış filtresini değiştirmekti: minimum fazlı bir FIR tasarımı SI-SDR’yi 0,32 ile 1,25 ms arasında kabaca sabit tuttu ve uçtan uca gecikmeyi 7,1 ms’den 3,35 ms’ye düşürdü. Canlı sohbet gecikmeye hearables’tan çok daha toleranslıdır, ancak bastırıcının gecikmesi yine de diğer her aşamaya eklenir, örneğin efektler bir Discord ses değiştirici zincirinde üst üste dizildiğinde. Veriler hearables makalesinden ve çok düşük gecikmeli STFT makalesinden.
| Metrik | Değer | Kaynak |
|---|---|---|
| CHiME-2 üzerinde DNSMOS OVRL: işlenmemiş, 1 ms, 2 ms, 4 ms ve 16 ms modeli | 1,3 karşı 2,13 karşı 2,25 karşı 2,28 karşı 2,35 | Dementyev ve ark., milisaniye altı gecikmeli hearables makalesi, arXiv 2025 |
| CHiME-2 üzerinde SI-SDR: 1 ms, 2 ms ve 16 ms modeli | 8,0 dB karşı 11,10 dB karşı 12,98 dB | Dementyev ve ark., milisaniye altı gecikmeli hearables makalesi, arXiv 2025 |
| 1 ms’lik modelin ve 16 ms’lik overlap-add modelinin hesaplama yükü | 840 MIPS karşı 105 MIPS | Dementyev ve ark., milisaniye altı gecikmeli hearables makalesi, arXiv 2025 |
| Önerilen 1,25 ms Deep FIR modeli: parametreler, hesaplama, NXP i.MX RT600 üzerinde uçtan uca gecikme | 626k parametre; 376 MIPS; 3,35 ms | Dementyev ve ark., milisaniye altı gecikmeli hearables makalesi, arXiv 2025 |
| Tek mikrofonlu PESQ, dikdörtgen pencereli sistem: işlenmemiş, 4 ms, 2 ms ve 0 ms (ileri tahminli) | 1,44 karşı 1,8997 karşı 1,84575 karşı 1,7138 | Wang ve ark. (CMU, MERL), IEEE/ACM TASLP 2022 |
| Tek mikrofonlu SI-SDR, dikdörtgen pencereli sistem, 4 ms ve 0 ms (ileri tahminli) | 2,8341 dB karşı -3,6493 dB | Wang ve ark. (CMU, MERL), IEEE/ACM TASLP 2022 |
| 4 ms ve 2 ms’de altı mikrofonlu PESQ (aynı iki aşamalı sistem) | 2,698490 karşı 2,47482 | Wang ve ark. (CMU, MERL), IEEE/ACM TASLP 2022 |
| DeepFilterNet pencere boyutu testi: karmaşık oran maskelerinin kaliteyi kaybetmeye başladığı yer | 20 ms veya daha kısa FFT pencereleri (derin filtreleme 5 ile 30 ms arasında kararlı kalır) | Schröter ve ark., DeepFilterNet makalesi, ICASSP 2022 |
Aykırı değer notu: hearables çalışmasındaki 1 ms ve daha kısa modeller hedef DSP üzerinde gerçek zamanlı çalışamadı; bu nedenle uçtan uca rakamları yazarların tahminleridir.
Özet: Rakamlarla Nöral Gürültü Bastırma ve Yapay Zekâ Ses İzolasyonu Gecikmesi
| Metrik | Değer | Kaynak |
|---|---|---|
| Düşük güçlü bir DSP üzerinde gerçek zamanlı çalışan Deep FIR hearables modeli | 1,25 ms algoritmik, 3,35 ms uçtan uca | Dementyev ve ark., arXiv 2025 |
| ICASSP 2026 URGENT kör test boyutu | 840 örnek, 5 görülmemiş dil dahil | Li ve ark., ICASSP 2026 URGENT Challenge makalesi |
| RNNoise ağırlıkları | 87.503 | Mozilla, RNNoise makalesi, MMSP 2018 |
| GTCRN parametreleri ve hesaplaması | 23,7K; saniyede 39,6 MMAC | Rong ve ark., GTCRN, ICASSP 2024 |
| UL-UNAS parametreleri ve ileri bakış | 169k; 0 ms | Rong ve ark., UL-UNAS, Neural Networks 2025 |
| VoiceBank+DEMAND PESQ, gürültülü girdi ve DeepFilterNet3 | 1,97 karşı 3,17 | Schröter ve ark., DeepFilterNet2 ve DeepFilterNet3 makaleleri |
| Dizüstü GPU’da 10 ms’lik çerçeve başına Denoiser v2 p95 süresi (üretici beyanı) | 0,410 ms | NVIDIA, Maxine AFX SDK performans kılavuzu |
| VCTK üzerinde PercepNet dinleyici MOS’u ve gürültülü girdi | 4,05 karşı 3,40 | Valin ve ark., PercepNet makalesi, Interspeech 2020 |
| URGENT 2025 kazananı ve temel model boyutu | Yaklaşık 102M karşı 8,5M parametre | Saijo ve ark., URGENT 2025 Challenge makalesi |
| URGENT 2025 üretken sistemi: dinleyici MOS’u ve genel sıra | 3,69 (en yüksek) karşı 13. | Saijo ve ark., URGENT 2025 Challenge makalesi |
| ICASSP 2026 URGENT geçerli ekipler | 29 | Li ve ark., ICASSP 2026 URGENT Challenge makalesi |
| 4 ms ve 0 ms gecikmede tek mikrofonlu PESQ | 1,8997 karşı 1,7138 | Wang ve ark., IEEE/ACM TASLP 2022 |
| En yeni ITU-T P.835 sürümü | P.835 (07/26), yürürlükte (ön yayımlı) | ITU-T Tavsiyesi P.835 sayfası |
| Yürürlükteki ITU-T P.808 sürümü | P.808 (06/21) | ITU-T Tavsiyesi P.808 sayfası |
| 8 bit ağırlıklı RNNoise model boyutu | 85 kB | Xiph.Org, RNNoise demo sayfası 2017 |
| x86’da RNNoise hızı | Gerçek zamandan yaklaşık 60 kat hızlı | Xiph.Org, RNNoise demo sayfası 2017 |
Metodoloji ve Kaynaklar
- Microsoft (Research makaleleri ve Learn belgeleri): ICASSP 2021 DNS Challenge makalesi (2020), Interspeech 2021 DNS Challenge makalesi (2021), ICASSP 2022 DNS Challenge makalesi (2022), ICASSP 2023 DNS Challenge makalesi (2023), Reddy ve ark. DNSMOS (2020) ve DNSMOS P.835 (2021) ile Teams ses izolasyonu yönetici sayfası (2026’da güncellendi).
- ITU-T, Tavsiye P.835 ve Tavsiye P.808, Ekim 2026’da erişildi.
- Mozilla, RNNoise makalesi (MMSP 2018) ve Xiph.Org RNNoise demo sayfası (2017).
- Valin ve ark., PercepNet makalesi (Interspeech 2020).
- Schröter ve ark., DeepFilterNet (ICASSP 2022), DeepFilterNet2 (2022) ve DeepFilterNet3 (Interspeech 2023).
- Rong ve ark., GTCRN (ICASSP 2024) ve UL-UNAS (Neural Networks 2025).
- Wang ve ark. (CMU, MERL), STFT-Domain Neural Speech Enhancement with Very Low Algorithmic Latency (IEEE/ACM TASLP 2022).
- Dementyev ve ark., Towards Sub-millisecond Latency Real-Time Speech Enhancement Models on Hearables (arXiv v2, Mart 2025).
- Saijo ve ark., Interspeech 2025 URGENT Challenge (2025) ve Li ve ark., ICASSP 2026 URGENT Challenge (2026).
- NVIDIA, Maxine AFX SDK performans kılavuzu ve denoiser efekt sayfası (üretici belgeleri, üretici beyanı olarak etiketlenmiştir).
- Veri notu: DNS Challenge verilerinin çoğu 2020 ile 2023 arasına aittir; ICASSP 2023 makalesi bulabildiğimiz en son DNS Challenge raporudur, dolayısıyla bu kıyaslama serisi için mevcut en güncel veridir. VoiceBank+DEMAND üzerinde RNNoise PESQ değeri DeepFilterNet2 tablosunda 2,33, PercepNet ve UL-UNAS tablolarında ise 2,29’dur. GTCRN, ICASSP 2024 özetinde 23,7K parametre ve 39,6 MMAC olarak geçer; ancak UL-UNAS makalesi güncellenmiş depo rakamlarını, yani 48k parametre ve 34 MMAC değerlerini aktarır. DeepFilterNet2 0,04, DeepFilterNet3 ise (tek iş parçacıklı) 0,19 RTF bildirir ve ikisi de aynı Core i5-8250U üzerindedir; yani iş parçacığı veya ölçüm ayarları farklıdır. Hearables makalesi en kısa gecikme için özetinde 0,32 ms, girişinde ise 0,34 ms verir. CMU ve MERL düşük gecikme makalesindeki değerler, tablolarında basıldığı hassasiyetle aktarılmıştır. Satıcının GPU rakamları tek bir dizüstü GPU’dan gelir ve garanti değildir. 2022 ve 2023 DNS sürümleri için ekip bazında SIG, BAK ve OVRL değerleri yalnızca grafik olarak mevcut olduğundan bunları aktarmadık. ITU-T P.835 (07/26) tam metni henüz kamuya açık değildi. Son güncelleme: 25 Ekim 2026. Bu derlemeyi üç ayda bir güncelliyoruz ve bir sonraki yenilemenin, ICASSP 2026 URGENT Challenge bildirileri ile ITU-T P.835 (07/26) yayımlanmış metni erişilebilir hale geldiğinde yapılması bekleniyor.