WSJ0-2mix kıyaslamasında iki konuşmacılı konuşma ayrıştırma, 2015’te derin kümelemeyle elde edilen yaklaşık 6 dB sinyal kazancından 2024’te 25,1 dB SI-SNRi’ye yükseldi (Hershey ve ark., arXiv 2015; SepReformer, NeurIPS 2024). Bu sıçrama, ‘kokteyl partisi problemini’ bir laboratuvar merakından, piyasadaki işitme cihazı ve kulaklık özelliklerine dönüştürdü. İşin püf noktası, temiz kıyaslamaların modelleri olduğundan iyi göstermesi: Conv-TasNet, karışıma gürültü ve yankılanma eklendiğinde 15,3 dB’den 8,3 dB’ye düşüyor (MossFormer2 makalesi, arXiv 2312.11825, karşılaştırma tabloları). Talep tarafı da çok büyük: 430 milyon kişi engelleyici işitme kaybı nedeniyle rehabilitasyona ihtiyaç duyuyor (DSÖ bilgi notu, Mart 2026). Verileri arXiv, IEEE ICASSP, Interspeech ve NeurIPS’teki hakemli makalelerden, Microsoft’un DNS ve NOTSOFAR-1 yarışmalarından, Google Research, MERL, DSÖ, FDA, MarkeTrak 2025 ile Washington Üniversitesi ve Columbia Üniversitesi araştırma gruplarından derledik. Aynı teknolojinin tüketici tarafı için yapay zeka ses ayırıcı istatistikleri yazımıza bakın.
TL;DR
- WSJ0-2mix üzerindeki en iyi iki konuşmacılı sonuç: 25,1 dB SI-SNRi (dinamik karıştırmalı SepReformer-L, NeurIPS 2024; TF-Locoformer L, MERL 2024).
- Derin kümeleme, 2015’te konuşmacı karışımlarında yaklaşık 6 dB iyileşme sağladı (Hershey ve ark., arXiv 1508.04306).
- Conv-TasNet, 5,1 M parametre ve 2 ms asgari gecikmeyle 15,3 dB SI-SNRi’ye ulaştı (Luo ve Mesgarani, IEEE/ACM TASLP 2019).
- SepReformer-B, 39,8 GMACs/s ile 23,8 dB’ye ulaşırken TF-GridNet 460,8 GMACs/s ile 23,5 dB alıyor (SepReformer, NeurIPS 2024).
- SepFormer’ın eğitimde tepe bellek ihtiyacı 35,3 GB; SepMamba (S) için bu değer 2,0 GB (SepMamba makalesi, 2024).
- Conv-TasNet temiz karışımda 15,3 dB, gürültülüde (WHAM!) 12,7 dB, gürültülü ve yankılıda (WHAMR!) 8,3 dB alıyor (MossFormer2 makalesi, 2024).
- Ayrıştırma, LibriCSS’te yüzde 40 örtüşmedeki kelime hata oranını yüzde 43,3’ten yüzde 21,7’ye düşürdü (Chen ve ark., Microsoft, 2020).
- En iyi çok kanallı NOTSOFAR-1 sistemi: yüzde 28,3’lük temel çizgiye karşı yüzde 10,8 tcpWER (NOTSOFAR-1 özeti, 2025).
- Cihaz içi 2,2 MB’lık VoiceFilter-Lite modeli, üst üste binen konuşmada WER’i yüzde 25,1 iyileştirdi (Google Research, 2020).
- 430 milyon kişi engelleyici işitme kaybı nedeniyle rehabilitasyona ihtiyaç duyuyor; bu sayı 2050’ye kadar 700 milyonu geçecek (DSÖ, Mart 2026).
- İşitme güçlüğü olan Amerikalılarda işitme cihazı kullanımı yüzde 51,3’e ulaştı; 2022’de bu oran yüzde 46,9’du (MarkeTrak 2025).
- UW Target Speech Hearing: 21 katılımcı kaydedilen sesi filtrelenmemiş sese göre neredeyse iki kat daha net buldu (Washington Üniversitesi, CHI 2024).
1. WSJ0-2mix Üzerinde On Yıllık Kıyaslama İlerlemesi
WSJ0-2mix kıyaslaması, konuşma ayrıştırma için ImageNet’in görüntü işleme için yaptığını yaptı: on yıllık ilerlemeyi ölçülebilir kılan sabit bir hedef. En iyi iki konuşmacılı skor, 2015’teki yaklaşık 6 dB sinyal iyileşmesinden 2024’te 25,1 dB SI-SNRi’ye çıktı; desibel ölçeği logaritmik olduğu için her ek 3 dB, kalan girişim enerjisini kabaca yarıya indirir. En önemli sıçrama, Conv-TasNet’in spektrogram maskelerini bırakıp ham dalga biçimleri üzerinde çalıştığı 2018’de yaşandı. Uzun süre pratik tavan sayılan ideal zaman-frekans maskelerini geçen ilk sistem oldu (Conv-TasNet, Luo ve Mesgarani).
O zamandan beri eğri yataylaştı. 2021 ile 2024 arasındaki kazançlar yaklaşık 1 dB’lik adımlarla geldi ve 2024’ün en iyi iki modeli 25,1 dB’de eşitleniyor. Alan, kendi kıyaslamasını fiilen doyurdu; bu yüzden son makaleler verimlilik ve dayanıklılık üzerinden yarışıyor (bölüm 2 ve 3).
| Metrik | Değer | Kaynak |
|---|---|---|
| Derin kümeleme, konuşmacı karışımları (2015) | Yaklaşık 6 dB iyileşme | Hershey ve ark., Deep Clustering, arXiv 2015 |
| Geliştirilmiş derin kümeleme, iki konuşmacı (2016) | 10,3 dB SDR iyileşmesi (temel çizgi 6,0 dB) | Isik ve ark., arXiv 1607.02173, 2016 |
| Conv-TasNet (2018) | 15,3 dB SI-SNRi, 15,6 dB SDRi | Luo ve Mesgarani, IEEE/ACM TASLP 2019 |
| DPRNN (2019) | 18,8 dB SI-SDRi | Luo, Chen ve Yoshioka, ICASSP 2020 |
| Dinamik karıştırmalı SepFormer (2020) | 22,3 dB SI-SNRi | Subakan ve ark., ICASSP 2021 |
| TF-GridNet, veri artırma yok (2022) | 23,5 dB SI-SDRi | TF-GridNet makalesi, arXiv 2211.12433 |
| MossFormer2 (2023) | 24,1 dB SI-SDRi | MossFormer2 makalesi, arXiv 2312.11825 |
| SepReformer-L ve TF-Locoformer (L), ikisi de dinamik karıştırmalı (2024) | 25,1 dB SI-SNRi | SepReformer, NeurIPS 2024; Saijo ve ark., MERL 2024 |
İdeal maske karşılaştırması, Conv-TasNet’i bir dönüm noktası yapan şeydir. Aynı test kümesinde ideal ikili maske 13,0 dB SI-SNRi, ideal oran maskesi 12,2 dB ve Wiener filtresi benzeri maske 13,4 dB aldı; hepsi Conv-TasNet’in 15,3 dB’sinin altında kaldı. İnsan dinleyiciler de aynı fikirdeydi: Conv-TasNet çıktısı 4,03 ortalama görüş puanı alırken ideal oran maskesi 3,51 aldı.
| Metrik | Değer | Kaynak |
|---|---|---|
| İdeal ikili maske (IBM) | 13,0 dB SI-SNRi | Conv-TasNet makalesi, 2019 |
| İdeal oran maskesi (IRM) | 12,2 dB SI-SNRi | Conv-TasNet makalesi, 2019 |
| Wiener filtresi benzeri maske (WFM) | 13,4 dB SI-SNRi | Conv-TasNet makalesi, 2019 |
| Dinleyici MOS: Conv-TasNet ve IRM | 4,03 ve 3,51 | Conv-TasNet makalesi, 2019 |
| WSJ0-2mix boyutu | 30 sa eğitim, 10 sa doğrulama, 5 sa test | Conv-TasNet makalesi, 2019 |
| Karıştırma aralığı | -5 ile 5 dB arasında rastgele SNR | Conv-TasNet makalesi, 2019 |
Bağlam notu: ‘dinamik karıştırma’ (DM), eğitim karışımlarını anında üretir ve yaklaşık 1 ile 2 dB ekler. SepFormer, DM ile 22,3 dB, DM olmadan 20,4 dB alıyor; bu yüzden makaleler arası karşılaştırmalarda önce bu bayrağın kontrol edilmesi gerekir (SepFormer, arXiv 2010.13154). 2015 ile 2019 arasındaki temel çizgilere ilişkin mevcut en güncel veri, özgün makalelerden geliyor.
2. Verimlilik: Parametreler, Hesaplama, Bellek ve Gecikme
Doğruluk durağanlaştı, bu yüzden silahlanma yarışı maliyete kaydı. SepReformer-B, saniyelik ses başına 39,8 GMACs ile 23,8 dB SI-SNRi’ye ulaşırken TF-GridNet, 23,5 dB için 460,8 GMACs/s gerektiriyor; biraz daha iyi bir skor için on bir kattan fazla hesaplama farkı var (SepReformer, NeurIPS 2024). Parametre sayıları da benzer bir hikaye anlatıyor: DPRNN, 2019’da önceki en iyi sistemden 20 kat daha küçük bir modelle en gelişmiş düzeye denk geldi.
Bellek, bu modelleri kimin eğitebileceğini belirleyen gizli maliyettir. SepFormer 35,3 GB belleğe çıkarken, 21,2 dB alan SepMamba (S) için bu değer 2,0 GB (SepMamba, Danimarka Teknik Üniversitesi ve WS Audiology, 2024). Telefonda, kulaklıkta veya işitme cihazında çalışacak her şey için bu fark, bir tasarımın üretime girip giremeyeceğini belirler.
| Metrik | Değer | Kaynak |
|---|---|---|
| SepReformer-T | 3,7 M parametrede 22,4 dB, 10,4 GMACs/s | SepReformer, NeurIPS 2024 |
| SepReformer-B | 14,2 M parametrede 23,8 dB, 39,8 GMACs/s | SepReformer, NeurIPS 2024 |
| DM’li SepReformer-L | 55,3 M parametrede 25,1 dB, 155,5 GMACs/s | SepReformer, NeurIPS 2024 |
| TF-GridNet | 14,5 M parametrede 23,5 dB, 460,8 GMACs/s | SepReformer, NeurIPS 2024 (karşılaştırma tablosu) |
| QDPN | 200,0 M parametre | TF-GridNet makalesi, 2022 |
| MossFormer2 | 55,7 M parametre, gerçek zaman faktörü 0,053 | MossFormer2 makalesi, 2023 |
| DPRNN | 2,6 M parametre, önceki en iyiden 20 kat küçük | Luo ve ark., ICASSP 2020 |
| Conv-TasNet asgari gecikme | 2 ms (32 ms’lik STFT penceresine karşı) | Conv-TasNet makalesi, 2019 |
| Metrik | Değer | Kaynak |
|---|---|---|
| SepFormer tepe bellek | 35,30 GB | SepMamba makalesi, 2024 |
| DM’li MossFormer2 tepe bellek | 12,30 GB | SepMamba makalesi, 2024 |
| SepMamba (S) | 21,2 dB, 7,2 M parametre, 2,00 GB tepe bellek | SepMamba makalesi, 2024 |
| SepMamba (M) | 22,7 dB, 22 M parametre, 3,04 GB tepe bellek | SepMamba makalesi, 2024 |
| EConv-TasNet (Eylül 2026) | 3,8 M parametrede 18,4 dB | Liu, Novatek, arXiv 2609.11342 |
| EConv-TasNet ve Conv-TasNet | %22,4 daha küçük, %18,9 daha hızlı çıkarım | Liu, arXiv 2609.11342 |
Aykırı değer notu: bu derlemedeki en yeni makale olan, çip üreticisi Novatek’in EConv-TasNet çalışması (Eylül 2026), 25 dB rekorunu hiç hedeflemiyor. Uç cihazlara dağıtımı hedefliyor ve Conv-TasNet’e daha az parametreyle 3,1 dB ekliyor (EConv-TasNet). Bu, ticari ilginin nerede toplandığına dair iyi bir işaret.
3. Gerçek Dünya Dayanıklılığı: Gürültü, Yankılanma ve Daha Fazla Konuşmacı
Kontrollü seviyelerde karıştırılmış, stüdyoda okunmuş temiz konuşma bir restoran değildir. Conv-TasNet, test karışımlarına gerçek ortam gürültüsü ve yankılanma eklendiğinde 7 dB kaybediyor: WSJ0-2mix üzerinde 15,3 dB, WHAM! üzerinde 12,7 dB ve WHAMR! üzerinde 8,3 dB (MossFormer2 karşılaştırma tabloları). WHAM!, San Francisco Körfez Bölgesi’ndeki kahve dükkanlarında, restoranlarda ve barlarda kaydedilen gürültüyü ekliyor; yazarları, ayrıştırma çalışmalarının çoğunun düşük örnekleme hızları ve arka plan gürültüsü olmayan kısıtlı bir düzenek kullandığını belirtiyor (WHAM!, Interspeech 2019).
Yeni modeller bu farkın büyük bölümünü kapatıyor ama tamamını değil. En iyi yankılı sonuçlar 17 ile 18,5 dB’de duruyor ve temiz kıyaslamanın hâlâ 6 ile 7 dB gerisinde. Üçüncü bir konuşmacı aynı model için 1,9 ile 2,8 dB daha kaybettiriyor (MossFormer2: 24,1’den 22,2’ye; SepFormer: 22,3’ten 19,5’e) ve LibriMix yazarları, WSJ0-2mix üzerinde eğitilen modellerin benzer veri setlerinde önemli performans düşüşleri yaşadığını gösterdi; LibriMix bu yüzden LibriSpeech konuşması artı WHAM! gürültüsünden oluşturuldu (LibriMix, Interspeech 2020).
| Metrik | Değer | Kaynak |
|---|---|---|
| Conv-TasNet: WSJ0-2mix / WHAM! / WHAMR! | 15,3 / 12,7 / 8,3 dB SI-SDRi | MossFormer2 makalesi, 2023 |
| SepFormer: WHAM! / WHAMR! | 16,4 / 14,0 dB | MossFormer2 makalesi, 2023 |
| MossFormer2: WHAM! / WHAMR! | 18,1 / 17,0 dB | MossFormer2 makalesi, 2023 |
| DM’li SepReformer-L: WHAM! / WHAMR! | 18,5 / 17,2 dB | SepReformer, NeurIPS 2024 |
| TF-Locoformer (M): WHAMR! | 18,5 dB | Saijo ve ark., MERL 2024 |
| TF-GridNet, 6 kanallı SMS-WSJ (tam işlem hattı) | 22,8 dB SI-SDR, PESQ 4,08 | TF-GridNet makalesi, 2022 |
| Metrik | Değer | Kaynak |
|---|---|---|
| Üç konuşmacı, Conv-TasNet (WSJ0-3mix) | 12,7 dB SI-SNRi | Conv-TasNet makalesi, 2019 |
| Üç konuşmacı, SepFormer (WSJ0-3mix) | 19,5 dB SI-SNRi | SepFormer makalesi, 2020 |
| Üç konuşmacı, MossFormer2 (WSJ0-3mix) | 22,2 dB SI-SDRi | MossFormer2 makalesi, 2023 |
| Üç konuşmacı, geliştirilmiş derin kümeleme (2016) | 7,1 dB SDR iyileşmesi | Isik ve ark., 2016 |
| Libri2Mix: Conv-TasNet / SepFormer / MossFormer2 | 14,7 / 19,2 / 21,7 dB | MossFormer2 makalesi, 2023 |
| Libri2Mix: SepReformer-M / TF-Locoformer (M) | 22,1 / 22,1 dB | SepReformer, 2024; Saijo ve ark., 2024 |
Uyarı: kıyaslamanın kendisinde bir kusur var. IEEE ASRU’da kabul edilen 2025 tarihli bir çalışma, WSJ0-2mix referans sinyallerindeki gürültünün ulaşılabilir SI-SDR değerini sınırladığını ve SI-SDR’nin test kümeleri genelinde algılanan gürültülülükle negatif korelasyon gösterdiğini buldu (Jepsen ve ark., arXiv 2508.14623). ‘İlerlemenin’ son desibelinin bir kısmı, modellerin gürültülü referansları yeniden üretmeyi öğrenmesinden kaynaklanıyor olabilir.
4. Toplantılar ve Konuşma Tanıma için Ayrıştırma
Yazıya dökme için desibeller değil, kelimeler önemlidir. Microsoft’un LibriCSS veri setinde, tanımadan önce ayrıştırma çalıştırmak yüzde 40 konuşmacı örtüşmesinde kelime hata oranını yüzde 43,3’ten yüzde 21,7’ye düşürdü; örtüşmesiz seslerde sonuç neredeyse değişmedi (yüzde 11,8’den yüzde 8,4’e) (Chen ve ark., Continuous Speech Separation, 2020). Aynı yazarlar, sinyal düzeyindeki metriklerin ASR doğruluğu veya algılanan kaliteyle yalnızca zayıf ilişkili olduğu konusunda uyarıyor; toplantı kıyaslamalarının SI-SNR değil kelime puanlaması yapmasının nedeni bu. Yapay zeka toplantı asistanı istatistiklerimiz, bu doğruluğa bağlı pazarın ne kadar hızlı büyüdüğünü gösteriyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| LibriCSS boyutu | 10 saat, 10 oturum, örtüşme %0 ile %40 | Chen ve ark., Microsoft, 2020 |
| %10 örtüşmede WER: ayrıştırma yok ve ayrıştırma var | %18,8 ve %11,6 | Chen ve ark., 2020 (ifade bazlı, 7 kanallı) |
| %20 örtüşmede WER | %27,2 ve %15,8 | Chen ve ark., 2020 |
| %30 örtüşmede WER | %35,6 ve %18,7 | Chen ve ark., 2020 |
| %40 örtüşmede WER | %43,3 ve %21,7 | Chen ve ark., 2020 |
| %40 örtüşmede WER, sürekli girdi | %40,5 ve %21,9 | Chen ve ark., 2020 |
| İki konuşmacılı karışımlarda derin kümeleme ASR | WER %89,1’den %30,8’e düştü | Isik ve ark., 2016 |
Gerçek toplantılar, simüle edilenlerden daha zordur. Microsoft’un CHiME-8 içinde yürütülen NOTSOFAR-1 yarışması, 30 odada 4 ile 8 katılımcılı toplantıları kaydetti. Kazanan tek kanallı sistem yine de kelimelerin yüzde 22,2’sini yanlış anladı (zaman kısıtlı tcpWER); en iyi çok kanallı sistemde bu oran yüzde 10,8 oldu (NOTSOFAR-1 özeti, arXiv 2501.17304). Mikrofon dizileri hâlâ tek başına en büyük kaldıraç ve organizatörler, kazanan işlem hatlarında yönlendirmeli kaynak ayrıştırmanın hâlâ baskın ayrıştırma tekniği olduğunu tespit etti.
| Metrik | Değer | Kaynak |
|---|---|---|
| NOTSOFAR-1 kaydedilen toplantılar | 315 benzersiz İngilizce toplantı, 30 oda, 4-8 katılımcı | NOTSOFAR-1 özeti, 2025 |
| Simüle edilmiş eğitim verisi | Yaklaşık 1.000 saat, 15.000 gerçek akustik transfer fonksiyonu | NOTSOFAR-1 özeti, 2025 |
| Tek kanallı: en iyi ve temel çizgi tcpWER | %22,2 ve %41,4 | NOTSOFAR-1 özeti, 2025 |
| Çok kanallı: en iyi ve temel çizgi tcpWER | %10,8 ve %28,3 | NOTSOFAR-1 özeti, 2025 |
| Gönderimler: tek kanallı / çok kanallı kategori | 9 / 5 | NOTSOFAR-1 özeti, 2025 |
| VoiceFilter-Lite cihaz içi model boyutu | 2,2 MB (nicemlenmiş) | Google Research, Kasım 2020 |
| VoiceFilter-Lite WER iyileşmesi, üst üste binen konuşma | %25,1 (yankılanmayla %14,7) | Google Research, Kasım 2020 |
Bağlam notu: Google’ın VoiceFilter-Lite sonuçları (2020), büyük bir platformdan mevcut en güncel kamuya açık cihaz içi rakamlardır. O zamandan beri piyasaya sürülen sistemler nadiren kelime düzeyinde kıyaslama yayımlıyor.
5. İşitme Sağlığındaki Riskler
Kokteyl partisi problemi, onunla yaşayan insanlar için akademik bir mesele değil. DSÖ, dünya nüfusunun yüzde 5’inden fazlasını oluşturan 430 milyon kişinin engelleyici işitme kaybı nedeniyle rehabilitasyona ihtiyaç duyduğunu tahmin ediyor ve 2050’ye kadar 700 milyondan fazlasını öngörüyor (DSÖ Sağırlık ve işitme kaybı bilgi notu, Mart 2026). Tek başına yükseltme, kalabalık bir odadaki her konuşmacıyı aynı anda yükseltir; DNN tabanlı ayrıştırmanın üst segment işitme cihazlarının öne çıkan özelliği olmasının nedeni bu. İşitme cihazı istatistiklerimiz, cihaz pazarının kendisini kapsıyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| Engelleyici işitme kaybı nedeniyle rehabilitasyona ihtiyaç duyanlar | 430 milyon (dünya nüfusunun %5’inden fazlası) | DSÖ bilgi notu, Mart 2026 |
| Engelleyici işitme kaybı olan çocuklar | 34 milyon | DSÖ bilgi notu, Mart 2026 |
| 2050’ye kadar bir miktar işitme kaybı olanlar | Yaklaşık 2,5 milyar | DSÖ bilgi notu, Mart 2026 |
| 2050’ye kadar rehabilitasyona ihtiyaç duyanlar | 700 milyondan fazla (10 kişide 1) | DSÖ bilgi notu, Mart 2026 |
| 60 yaş üzerinde engelleyici işitme kaybı | %25’ten fazla | DSÖ bilgi notu, Mart 2026 |
| Ele alınmayan işitme kaybının yıllık küresel maliyeti | Neredeyse 1 trilyon ABD doları | DSÖ bilgi notu, Mart 2026 |
| Düşük ve orta gelirli ülkelerde yaşayanların payı | Neredeyse %80 | DSÖ bilgi notu, Mart 2026 |
Benimseme artıyor. 2024’ün Ekim ve Kasım aylarında 16.148 ABD hanesi ve 42.982 bireyle yapılan MarkeTrak 2025 araştırması, kendi bildirdiği işitme güçlüğü olan kişilerde işitme cihazı kullanımının yüzde 51,3’e ulaştığını, 2022’de bunun yüzde 46,9 olduğunu ve genel cihaz memnuniyetinin yüzde 83 olduğunu buldu (MarkeTrak 2025, Seminars in Hearing). Tüketici kulaklıkları da bu kategoriye giriyor: Eylül 2024’te FDA, reçetesiz satılan ilk işitme cihazı yazılımını, Apple’ın AirPods Pro için İşitme Cihazı Özelliği’ni onayladı (FDA basın bülteni).
| Metrik | Değer | Kaynak |
|---|---|---|
| ABD’de işitme cihazı kullanımı, işitme güçlüğü olanlar | %51,3 (2022’de %46,9) | MarkeTrak 2025 |
| Kendi bildirdiği işitme güçlüğü, ABD | %9,1 | MarkeTrak 2025 |
| İşitme cihazı sahibi memnuniyeti | %83 | MarkeTrak 2025 |
| Reçetesiz işitme cihazı yazılımı için FDA klinik çalışması | 118 katılımcı, hafif ile orta düzey kayıp | FDA, 12 Eylül 2024 |
| Phonak Spheric Speech Clarity 2.0 (DNN) | Gerçek dünya senaryolarında 10,2 dB SNR iyileşmesi | AudiologyOnline uzman makalesi, 2026 |
| Phonak Spheric Speech Clarity 2.0 | Dinleme eforunda %37’ye varan azalma, %30 daha verimli | AudiologyOnline uzman makalesi, 2026 |
| Mayo Clinic ve Sonova çalışması, 10 dB SNR’de DNN gürültü azaltma | Konuşma tanımada +23 ve +32 yüzde puanı | Audiology Research, 2024 |
| Aynı çalışma, yüksek gürültü programında SNR kazancı | 4,8 ile 5,0 dB | Audiology Research, 2024 |
Uyarı: üreticilerin SNR iddiaları, satıcının kendi yürüttüğü testlerden geliyor ve bağımsız Mayo Clinic ve Sonova çalışmasında yalnızca 10 katılımcı vardı. Phonak’ın rakamları hakemli bir makale değil, bir AudiologyOnline uzman soru-cevabı üzerinden aktarılıyor.
6. Sınır: Hangi Sesi Duyacağını Seçmek
Her sesi ayırmak sorunun yalnızca yarısı; cihazın dinleyicinin hangisini istediğini de bilmesi gerekiyor. Washington Üniversitesi’nin Target Speech Hearing prototipi, kullanıcı bir konuşmacıya 3 ile 5 saniye baktıktan sonra o konuşmacıyı kaydediyor ve 21 test katılımcısı bu sesin netliğini filtrelenmemiş sese göre neredeyse iki kat yüksek puanladı (UW News, Mayıs 2024). Aralık 2025’teki bir devam çalışması bakışı da ortadan kaldırdı: ‘proaktif işitme asistanı’, 2 ile 4 saniyelik sesteki konuşma sırası ritminden sohbet ortaklarını tespit ediyor (UW News, Aralık 2025).
Başka ipuçları da deneniyor. Google’ın 2018 tarihli Looking to Listen modeli dudak hareketlerini kullandı ve 100.000 YouTube videosundan alınan klipler üzerinde eğitildi (Google Research blogu). Columbia Üniversitesi’nin beyinle kontrol edilen yaklaşımı, ayrıştırılmış sesleri nöral sinyallerle karşılaştırıyor: 2019 sürümü üç beyin cerrahisi hastası üzerinde test edildi (Science Advances, 2019) ve Mayıs 2026 tarihli bir Nature Neuroscience çalışması, gerçek zamanlı bir sistemin ilk insan testlerini bildirdi (Columbia Zuckerman Enstitüsü, EurekAlert aracılığıyla). Kişiselleştirilmiş kayıt, iletişimde de standart: Microsoft’un beşinci Deep Noise Suppression Yarışması, modellerden 10 ile 30 saniyelik bir kayıt klibiyle çevredeki konuşmacıları bastırmasını istedi (ICASSP 2023 DNS Yarışması). Aynı konuşmacıya duyarlı temizleme, bir ev arkadaşı arka planda konuşurken bile bir Discord sesli sohbetinin anlaşılır kalmasını sağlayan şeydir.
| Metrik | Değer | Kaynak |
|---|---|---|
| UW Target Speech Hearing: kayıt süresi | Konuşmacıya 3 ile 5 saniye bakmak | Washington Üniversitesi, CHI 2024 |
| UW Target Speech Hearing: katılımcılar ve netlik puanı | 21 katılımcı, filtrelenmemişe göre neredeyse 2 kat daha net | Washington Üniversitesi, CHI 2024 |
| UW Target Speech Hearing: yön toleransı | 16 derecelik hata payı | Washington Üniversitesi, 2024 |
| UW proaktif işitme asistanı: gereken ses | 2 ile 4 saniye | Washington Üniversitesi, EMNLP 2025 |
| UW proaktif işitme asistanı: ortaklar ve test edenler | 1 ile 4 ortak; 11 katılımcı 2 kattan fazla daha olumlu puanladı | Washington Üniversitesi, Aralık 2025 |
| UW proaktif işitme asistanı: eğitim dilleri | İngilizce, Mandarin, Japonca | Washington Üniversitesi, Aralık 2025 |
| Google Looking to Listen: eğitim kaynağı | 100.000 video, yaklaşık 2.000 saat temiz klip | Google Research blogu, Nisan 2018 |
| Columbia beyinle kontrol edilen işitme (2019) | 3 beyin cerrahisi hastası | Han ve ark., Science Advances, 2019 |
| Metrik | Değer | Kaynak |
|---|---|---|
| ICASSP 2023’teki DNS Yarışması sürümü | 5. | Dubey ve ark., Microsoft, 2023 |
| DNS 2023 ses formatı | Tam bant 48 kHz | Dubey ve ark., 2023 |
| DNS 2023 kayıt klibi | Ana konuşmacıdan 10 ile 30 saniye | Dubey ve ark., 2023 |
| DNS 2023 kazanan skorun gürültülü girdiye göre kazancı | 0,145 (kulaklık) ve 0,141 (hoparlörlü telefon) | Dubey ve ark., 2023 |
| DNS 2020 iyileştirmesinde TF-Locoformer (M) | 23,3 dB SI-SNR, STOI 98,8, PESQ-WB 3,72 | Saijo ve ark., MERL 2024 |
Aykırı değer notu: UW ekibi, proaktif sistemin en çok konuşmaların dinamikleştiği, katılımcıların birbirinin sözünü kestiği durumlarda zorlandığını söylüyor; bu, tam olarak kokteyl partisi senaryosudur. Gürültü engelleyici kulaklıklara duyulan ilgi, bu özelliklere hazır bir donanım tabanı sağlıyor.
Özet: Rakamlarla Konuşma Ayrıştırma ve Kokteyl Partisi Problemi
| Metrik | Değer | Kaynak |
|---|---|---|
| En iyi WSJ0-2mix skoru | 25,1 dB SI-SNRi | SepReformer-L, NeurIPS 2024; TF-Locoformer (L), MERL 2024 |
| Derin kümeleme, 2015 | Yaklaşık 6 dB iyileşme | Hershey ve ark., 2015 |
| Conv-TasNet, 2018 | 15,3 dB SI-SNRi, 5,1 M parametre | Luo ve Mesgarani, 2019 |
| Dinamik karıştırmalı / karıştırmasız SepFormer | 22,3 / 20,4 dB | SepFormer, 2021; TF-GridNet, 2022 |
| MossFormer2 | 24,1 dB, 55,7 M parametre | MossFormer2, 2023 |
| Conv-TasNet asgari gecikme | 2 ms | Conv-TasNet makalesi, 2019 |
| TF-GridNet ve SepReformer-B hesaplama | 460,8 ve 39,8 GMACs/s | SepReformer, NeurIPS 2024 |
| SepFormer ve SepMamba (S) tepe bellek | 35,3 GB ve 2,0 GB | SepMamba, 2024 |
| Conv-TasNet temiz / gürültülü / yankılı | 15,3 / 12,7 / 8,3 dB | MossFormer2, 2023 |
| En iyi WHAMR! (gürültülü, yankılı) | 18,5 dB | TF-Locoformer (M), MERL 2024 |
| WSJ0-3mix, MossFormer2 | 22,2 dB | MossFormer2, 2023 |
| %40 örtüşmede LibriCSS WER, ayrıştırma yok ve ayrıştırma var | %43,3 ve %21,7 | Microsoft, Chen ve ark., 2020 |
| NOTSOFAR-1 en iyi çok kanallı tcpWER | %10,8 (temel çizgi %28,3) | NOTSOFAR-1 özeti, 2025 |
| NOTSOFAR-1 en iyi tek kanallı tcpWER | %22,2 (temel çizgi %41,4) | NOTSOFAR-1 özeti, 2025 |
| Üst üste binen konuşmada VoiceFilter-Lite WER kazancı | 2,2 MB’ta %25,1 | Google Research, 2020 |
| İşitme rehabilitasyonuna ihtiyaç duyanlar | 430 milyon, 2050’ye kadar 700 milyondan fazla | DSÖ, Mart 2026 |
| İşitme güçlüğü olanlarda ABD işitme cihazı kullanımı | %51,3 | MarkeTrak 2025 |
| Phonak DNN SNR iyileşmesi | 10,2 dB | AudiologyOnline, 2026 |
| UW Target Speech Hearing kaydı | 3 ile 5 saniye, 21 katılımcı | Washington Üniversitesi, 2024 |
| EConv-TasNet uç cihaz modeli | 3,8 M parametrede 18,4 dB | Novatek, Eylül 2026 |
Metodoloji ve Kaynaklar
Yukarıdaki her kıyaslama rakamı, onu bildiren makaleden veya belirtilen yerlerde sonraki bir makalenin karşılaştırma tablosundan alındı. Yalnızca arama özetlerinde, ikincil özetlerde veya açamadığımız satıcı pazarlama materyallerinde görünen rakamları dışarıda bıraktık. Lider tablosu toplayıcıları yalnızca daha yüksek bir WSJ0-2mix sonucunun yayımlanmadığını doğrulamak için kullanıldı.
- 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 ve Mesgarani: Conv-TasNet, IEEE/ACM TASLP (2019); tam metin tabloları ar5iv üzerinden okundu
- Luo, Chen, Yoshioka: Dual-path RNN, ICASSP 2020
- Subakan ve ark.: Attention Is All You Need in Speech Separation (SepFormer), ICASSP 2021
- TF-GridNet: Integrating Full- and Sub-Band Modeling for Speech Separation (2022)
- MossFormer2 (Aralık 2023)
- Separate and Reconstruct: Asymmetric Encoder-Decoder for Speech Separation (SepReformer), NeurIPS 2024
- Saijo, Wichern, Germain, Pan, Le Roux (MERL): TF-Locoformer (2024)
- Avenstrup ve ark. (DTU, WS Audiology): SepMamba (2024)
- Liu (Novatek): EConv-TasNet (Eylül 2026)
- Wichern ve ark.: WHAM!, Interspeech 2019
- Cosentino ve ark.: LibriMix, Interspeech 2020
- Jepsen, Christensen, Jensen: Gürültülü referanslarla SI-SDR, IEEE ASRU 2025
- Chen ve ark. (Microsoft): Continuous Speech Separation: Dataset and Analysis (LibriCSS) (2020)
- Abramovski ve ark. (Microsoft): Summary of the NOTSOFAR-1 Challenge (2025); Cornell ve ark.: CHiME-8 DASR Challenge (2024)
- Google Research: VoiceFilter-Lite (2020) ve Looking to Listen (2018)
- Dubey ve ark. (Microsoft): ICASSP 2023 Deep Noise Suppression Challenge
- DSÖ: Sağırlık ve işitme kaybı bilgi notu (Mart 2026)
- Dobyan ve Kihm: MarkeTrak 2025, Seminars in Hearing
- FDA: reçetesiz satılan ilk işitme cihazı yazılımı onayı (Eylül 2024)
- Saoji ve ark. (Mayo Clinic, Sonova): DNN noise reduction and cochlear implant candidacy, Audiology Research 2024
- AudiologyOnline: How has AI evolved with Phonak Infinio devices?
- Washington Üniversitesi: Target Speech Hearing (2024) ve proaktif işitme asistanı (2025)
- Columbia Üniversitesi: Han ve ark., Science Advances (2019) ve Nature Neuroscience çalışmasının EurekAlert üzerinden duyurusu (Mayıs 2026)
- Veri notu: Makaleler temel çizgi rakamlarında çelişiyor. QDPN, TF-GridNet makalesinde 22,1 dB, MossFormer2 makalesinde ise 23,6 dB olarak listeleniyor; Libri2Mix üzerinde Conv-TasNet 14,7 dB (MossFormer2) ve 12,1 dB (EConv-TasNet) olarak görünüyor; SepFormer’ın hesaplama yükü 86,9 GMACs/s (SepReformer) ve 257,94 GMACs/s (SepMamba) olarak, parametre sayısı ise 25,7 M veya 26,0 M olarak bildiriliyor. Farklı makaleler farklı girdi uzunlukları, örnekleme hızları ve sayım araçları kullanıyor; bu yüzden rakamları tablolar arasında değil, tek bir tablo içinde karşılaştırın. Bu literatürde SI-SNRi ve SI-SDRi birbirinin yerine kullanılıyor; 2015 ve 2016 derin kümeleme rakamları yalın SDR iyileşmesini kullanıyor ve sonraki SI-SNRi skorlarıyla doğrudan karşılaştırılamaz. NOTSOFAR-1 özeti 280 kayıtlı toplantıdan söz ederken, makalenin gövdesi eğitim, geliştirme ve değerlendirme kümelerine bölünmüş 315 benzersiz toplantıyı anlatıyor. Konuşma ayrıştırmaya özgü güvenilir bir kamuya açık pazar büyüklüğü tahmini bulunamadı, bu yüzden hiçbiri eklenmedi. Conv-TasNet, derin kümeleme, Looking to Listen ve VoiceFilter-Lite rakamları üç yıldan eski olup mevcut en güncel veri olarak gösteriliyor. Columbia’nın 2026 duyurusu nicel sonuç vermiyor; yalnızca varlığı ve yayın yeri için kaynak gösteriyoruz.
Son güncelleme: 3 Ekim 2026. Bu derlemeyi üç ayda bir güncelliyoruz ve bir sonraki yenilemenin, ICASSP 2027 kabul edilen makaleleri ve bir sonraki CHiME yarışması sonuçları yayımlandığında yapılması bekleniyor.