Con số về bộ triệt tiếng vọng được trích dẫn nhiều nhất, ERLE, chỉ tương quan Pearson 0,31 với người nghe thực, trong khi chỉ số nơ-ron AECMOS của Microsoft đạt 0,99 trên đánh giá tiếng vọng đầu xa (Microsoft, các bài báo AEC Challenge ICASSP 2021 và ICASSP 2023). Về phía tiêu chuẩn, ITU-T G.168 cho bộ triệt tiếng vọng mạng khoảng 1 giây để hội tụ, 3GPP TS 26.131 yêu cầu tai nghe có tổn hao tiếng vọng tối thiểu 46 dB, và cuộc thi của Microsoft đã giảm một nửa mức trễ cho phép từ 40 ms xuống 20 ms giữa năm 2021 và 2023. Tiếng vọng cũng là vấn đề thúc đẩy người ta tìm đến thiết bị phòng họp tốt hơn, mà chúng tôi đã đề cập từ phía micro trong thống kê định dạng chùm tia micro trần phòng họp. Chúng tôi tổng hợp dữ liệu từ ITU-T, 3GPP, bốn bài báo AEC Challenge của Microsoft Research, Amazon Web Services, ByteDance, Tongyi Lab của Alibaba, các nhà nghiên cứu độc lập trên arXiv và HEAD acoustics.
Tóm tắt nhanh
- Bộ triệt tiếng vọng mạng phải đạt tổn hao kết hợp yêu cầu trong khoảng 1 giây ở Bài thử 2A (ITU-T G.168, 04/2015).
- Tai nghe cần tổn hao ghép nối đầu cuối có trọng số tối thiểu 46 dB ở mọi mức âm lượng, khuyến nghị 55 dB ở âm lượng danh định (3GPP TS 26.131, Rel-19).
- ERLE tương quan với đánh giá của người nghe ở PCC 0,31 và SRCC 0,23 (Microsoft, bài báo AEC Challenge ICASSP 2021).
- AECMOS tương quan với đánh giá tiếng vọng đầu xa ở PCC 0,99 (Microsoft, bài báo AEC Challenge ICASSP 2023).
- Giới hạn độ trễ của cuộc thi giảm từ 40 ms độ trễ thuật toán năm 2021 xuống 20 ms độ trễ thuật toán cộng đệm năm 2023 (các bài báo và kho mã AEC Challenge của Microsoft).
- Bài dự thi điểm cao nhất tại INTERSPEECH 2021 đạt trung bình 4,43 so với mức cơ sở 3,87 (Microsoft, kết quả AEC Challenge INTERSPEECH 2021).
- Thiết bị di động có điểm thấp hơn máy tính để bàn 0,75 MOS về suy giảm khi nói đồng thời (Microsoft, bài báo AEC Challenge ICASSP 2022).
- WebRTC AEC3 loại bỏ khoảng 30 dB tiếng vọng so với 40,8 dB của bộ ức chế bằng nơ-ron (ByteDance, arXiv 2020).
- Một mô hình đầu cuối tháng 1 năm 2026 đạt ERLE 78,69 dB với 1,2 triệu tham số (Alibaba Tongyi Lab, E2E-AEC arXiv 2026).
- Một mô hình nơ-ron nhỏ cho tiếng vọng và tạp âm chạy trong 0,14 ms mỗi khung, hệ số thời gian thực là 0,014 (Microsoft, DeepVQE Interspeech 2023).
- Thiết bị đầu cuối rảnh tay thuộc hạng mục nói đồng thời tốt nhất (hạng mục 1) làm suy giảm giọng nói được gửi đi tối đa 3 dB khi nói đồng thời (HEAD acoustics, mô tả ITU-T P.340).
1. Bộ Quy tắc ITU-T: Hội tụ, Nói đồng thời và Bài thử Rò rỉ
Các quy tắc viễn thông cốt lõi cho bộ triệt tiếng vọng đã cũ nhưng vẫn còn hiệu lực. “Tiếng vọng” ở đây là giọng của chính bạn quay lại sau khi đi đến đầu xa và rò vào đường hồi về. G.168 cho bộ triệt khoảng một giây để đạt tổn hao yêu cầu, rồi tiếp tục kiểm tra xem nó có giữ được tổn hao đó khi cả hai người nói cùng lúc (“nói đồng thời”) và khi đường truyền im lặng trong nhiều phút hay không. Bộ xử lý phi tuyến (NLP) là tầng cuối cùng ức chế phần tiếng vọng dư mà bộ lọc thích nghi để lại; một số bài thử tắt nó đi để đo riêng bộ lọc.
Các đường tiếng vọng thực tế mà các bài thử này mô hình hóa là ngắn. Trong dữ liệu thực địa được tái hiện trong ITU-T G.168 (04/2015), 101 cuộc gọi đường dài từ Montreal đi khắp Bắc Mỹ (tháng 6 năm 1998 đến tháng 4 năm 1999) đã được đo; biểu đồ tần suất của 88 cuộc trong số đó cho thời gian phân tán trung bình 6,02 ms, và không cuộc gọi nào vượt quá 12 ms. Bản tương ứng về âm học, G.167, đã bị hủy bỏ và nội dung được chuyển sang P.340 và G.161.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Phiên bản Khuyến nghị về bộ triệt tiếng vọng mạng đang có hiệu lực | G.168 (04/2015), cộng Corrigendum 1 (12/2022) | ITU-T G.168 |
| Tổn hao hồi tiếng vọng tối thiểu (tổn hao do chính đường tiếng vọng mang lại) dùng trong các bài thử; số mô hình đường tiếng vọng chuẩn | Tối thiểu 6 dB; 8 mô hình (m1 đến m8), với mức tối thiểu 6,55 dB, 11,06 dB và 9,27 dB cho m2, m7 và m8 | ITU-T G.168 (04/2015), Phụ lục D |
| Hội tụ Bài thử 2A, bật bộ xử lý phi tuyến | Tổn hao kết hợp yêu cầu trong 1 s cộng độ trễ đường tiếng vọng và độ lệch khởi đầu; đỉnh không vượt quá giới hạn quá 5 dB | ITU-T G.168 (04/2015) |
| Bài thử 3A, nói đồng thời với tín hiệu đầu gần thấp hơn mức đầu xa 15 dB (đầu xa -25 đến 0 dBm0) | Phải hội tụ trong 5 s | ITU-T G.168 (04/2015) |
| Bài thử 3B(a) và Bài thử 4: mức tăng tiếng vọng dư cho phép khi nói đồng thời, và 2 phút sau khi tín hiệu đầu xa dừng (bài thử rò rỉ) | Không quá 10 dB trên yêu cầu ở trạng thái ổn định trong cả hai trường hợp | ITU-T G.168 (04/2015) |
| Tình trạng của G.167, Khuyến nghị gốc về bộ điều khiển tiếng vọng âm học (03/1993) | Đã hủy bỏ; được thay bằng P.340 (2000) cho điều khoản 1-5 và G.161 (2002) cho điều khoản 6 | Hồ sơ ITU-T G.167 |
| Phiên bản mới nhất của Khuyến nghị về thiết bị đầu cuối rảnh tay bao gồm hiệu năng tiếng vọng và nói đồng thời | P.340 (07/2026) | Tóm tắt ITU-T P.340 2026 |
| Dải tần của Khuyến nghị rảnh tay băng rộng trên xe hơi | 50 đến 7.000 Hz; phiên bản có hiệu lực P.1110 (10/2025) | ITU-T P.1110 |
Ghi chú bối cảnh: dBm0 là mức tín hiệu so với một điểm tham chiếu trong mạng, nên “-25 đến 0 dBm0” nghĩa là người nói đầu xa từ nhỏ đến to. Bản sửa đổi P.340 năm 2026 là mới; toàn văn chưa công khai tại thời điểm viết, vì vậy bài tổng hợp này chỉ trích dẫn phần tóm tắt đã công bố.
2. Mục tiêu Tổn hao Tiếng vọng cho Tai nghe, Thiết bị Rảnh tay và Mạng
Tổn hao ghép nối đầu cuối (TCLw) là mức giọng nói đầu xa, phát qua loa hoặc tai nghe của thiết bị, bị suy giảm trước khi rò ngược vào micro của chính thiết bị đó và bị gửi trả lại. Các tiêu chuẩn di động đặt 46 dB làm ngưỡng tối thiểu cho tai nghe ở mọi mức âm lượng, và mục tiêu khuyến nghị 55 dB đi kèm lời thừa nhận rằng có thể không đo được trên mọi thiết bị do tạp âm nền của chính thiết bị.
Khoảng cách thú vị nằm ở thiết bị rảnh tay. Một loa thoại để bàn có thể giảm xuống 40 dB ở âm lượng tối đa mà vẫn đạt chuẩn, đó là lý do hành vi nói đồng thời của thiết bị rảnh tay có các hạng mục riêng: thiết bị hạng mục 1 hầu như không làm nhỏ giọng bạn khi bên kia nói (tối đa 3 dB), trong khi thiết bị hạng mục 3 cắt giọng bạn hơn 12 dB, gần với hành vi bộ đàm khi mỗi lúc chỉ nghe được một bên.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Tổn hao ghép nối đầu cuối có trọng số của tai nghe: ở mọi mức âm lượng và mức khuyến nghị ở âm lượng danh định | Tối thiểu 46 dB và tối thiểu 55 dB | 3GPP TS 26.131 (Rel-19) |
| Tổn hao ghép nối đầu cuối có trọng số của thiết bị rảnh tay để bàn: ở mọi mức âm lượng và ở âm lượng danh định trong điều kiện trường tự do | Tối thiểu 40 dB và tối thiểu 46 dB | 3GPP TS 26.131 (Rel-19) |
| Mục tiêu hiệu năng khuyến nghị cho thiết bị rảnh tay để bàn ở âm lượng danh định | Tối thiểu 55 dB (có thể không đo được do tạp âm kênh khi nghỉ) | 3GPP TS 26.131 (Rel-19) |
| Tổn hao tiếng vọng mà mạng GSM, 3G, LTE hoặc NR đưa ra tại điểm kết nối liên mạng, nói đơn | Tối thiểu 46 dB | 3GPP TS 26.132 (Rel-19) |
| Giọng nói bị loại ở đầu bài thử tổn hao tiếng vọng để bộ triệt tiếng vọng kịp hội tụ; mức tín hiệu thử | 17,0 s đầu tiên; 10 dBm0 | 3GPP TS 26.132 (Rel-19) |
| Hướng dẫn tổn hao ghép nối đầu cuối: từ đầu vào số đến đầu ra (theo P.341), điều kiện thực địa (theo P.342) và mức mong muốn cho các mục tiêu tiếng vọng người nói G.131 | Tối thiểu 35 dB, rồi trên 40 dB, rồi trên 45 dB | ITU-T G.168 (04/2015), Phụ lục I |
| Các hạng mục nói đồng thời cho thiết bị đầu cuối rảnh tay và mức suy giảm giọng nói được gửi đi | 5 hạng mục (1, 2a, 2b, 2c, 3): tối đa 3 dB cho hạng mục 1, tối đa 9 dB cho hạng mục 2b, trên 12 dB cho hạng mục 3 | Tài liệu kỹ thuật HEAD acoustics ACOPT 32, mô tả ITU-T P.340 |
Ghi chú bối cảnh: các giá trị 3GPP được đọc từ văn bản Rel-19 của TS 26.131 và TS 26.132; TS 26.132 có một tệp Rel-20 mới hơn đề ngày tháng 7 năm 2026 trong kho lưu trữ 3GPP. Tài liệu của HEAD acoustics là tài liệu kỹ thuật của thiết bị thử nghiệm, nhắc lại các hạng mục của P.340; nó không nêu giới hạn của hạng mục 2a và 2c.
3. Ngân sách Độ trễ: Bộ triệt Tiếng vọng Được Phép Dùng Bao Nhiêu Mili giây
Mỗi mili giây bộ triệt tiếng vọng dùng để đệm âm thanh là một mili giây cộng thêm vào cuộc hội thoại. Chuẩn đối sánh nghiên cứu đã thay đổi mạnh ở điểm này: cuộc thi của Microsoft cho phép độ trễ thuật toán 40 ms vào năm 2021 và giảm một nửa mức cho phép xuống 20 ms gồm độ trễ thuật toán cộng đệm vào năm 2023, còn mô hình của chính ban tổ chức hầu như không mất gì về điểm tiếng vọng ở giới hạn chặt hơn. Bài báo ICASSP 2023 nêu mục tiêu đầu cuối dưới 50 ms (ngưỡng chênh lệch vừa đủ nhận biết) và mục tiêu tương lai dưới 5 ms cho thuật toán cộng đệm (Microsoft, bài báo AEC Challenge ICASSP 2023).
Tính toán là ngân sách còn lại. Một mô hình nơ-ron chỉ cần một phần nhỏ mili giây mỗi khung có thể chạy trên mọi laptop trong cuộc họp; mô hình cần gần hết một nhân CPU thì không. Để xem phần còn lại của ngân sách trễ được tiêu thụ bởi bộ đệm jitter và codec như thế nào, xem thống kê bộ đệm jitter VoIP và chất lượng giọng nói của chúng tôi.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Độ trễ một chiều từ miệng đến tai cho khả năng tương tác về cơ bản trong suốt và mức trần cho quy hoạch mạng chung | Dưới 150 ms và 400 ms | ITU-T G.114 (05/2003) |
| Giới hạn độ trễ thuật toán của AEC Challenge, ICASSP 2021 | Tối đa 40 ms (cho phép khung 20 ms với bước 10 ms, tức 30 ms) | Microsoft, bài báo AEC Challenge ICASSP 2021 |
| Giới hạn độ trễ của AEC Challenge, ICASSP 2023 | 20 ms gồm độ trễ thuật toán cộng đệm | Kho mã AEC-Challenge của Microsoft |
| Giới hạn tính toán của AEC Challenge, ICASSP 2023 | Hệ số thời gian thực tối đa 0,5 trên Intel Core i5 bốn nhân 2,4 GHz, một luồng | Microsoft, bài báo AEC Challenge ICASSP 2023 |
| Mô hình Microsoft ở 20 ms so với người thắng cuộc thi 2022 ở 40 ms: MOS tiếng vọng đầu xa; MOS tiếng vọng khi nói đồng thời | 4,65 so với 4,66; 4,68 so với 4,68 | Microsoft, bài báo AEC Challenge ICASSP 2023 |
| Mô hình đầy đủ DeepVQE so với mô hình nhỏ DeepVQE-S: tham số và thời gian CPU mỗi khung | 7,5M và 3,66 ms so với 0,59M và 0,14 ms (hệ số thời gian thực 0,014) | Microsoft, DeepVQE, Interspeech 2023 |
| Bộ triệt tiếng vọng tuyến tính kết hợp bộ ức chế tiếng vọng dư bằng nơ-ron, bài dự thi 16 kHz | 5,5% của một nhân Intel i7-8565U, 0,55 ms mỗi khung 10 ms | Amazon Web Services, kiểm soát tiếng vọng PercepNet, arXiv 2021 |
Dữ liệu mới nhất hiện có về các giới hạn của cuộc thi: Microsoft, 2023. Kho mã AEC-Challenge vẫn liệt kê ICASSP 2023 là phiên bản mới nhất, nên đây vẫn là các quy tắc đối sánh công khai mới nhất của chuỗi này.
4. Bảng Điểm AEC Challenge, 2021 đến 2023
AEC Challenge của Microsoft là thứ gần nhất với một bảng xếp hạng công khai của lĩnh vực này. Các bài dự thi được người nghe crowdsourcing chấm theo thang từ 1 đến 5 (MOS cho chất lượng giọng nói đầu gần, DMOS, điểm suy giảm, cho tiếng vọng và các nhiễu khác). Tại INTERSPEECH 2021, bài dự thi điểm cao nhất đạt trung bình 4,43 so với mức cơ sở 3,87 (bốn bài đứng đầu hòa nhau về mặt thống kê, nên Microsoft xếp hạng chúng theo độ phức tạp tính toán), và gần như toàn bộ mức cải thiện đến từ việc loại bỏ tiếng vọng và nói đồng thời (kịch bản mà các bộ triệt cũ hoặc để lọt tiếng vọng, hoặc cắt xén người nói đầu gần), chứ không phải từ chất lượng giọng nói đầu gần, vốn chỉ nhích từ 4,18 lên 4,25.
Bộ dữ liệu lớn dần qua mỗi vòng: hơn 2.500 môi trường và thiết bị thực cho ICASSP 2021 (Microsoft, bài báo AEC Challenge ICASSP 2021), 5.000 cho INTERSPEECH 2021, và hơn 10.000 cho vòng 2023 (số liệu năm 2022 khác nhau giữa các bài báo của Microsoft, xem Phương pháp luận). Dữ liệu công khai về tần suất tiếng vọng thực sự đến tay người dùng trong các cuộc gọi thực tế vẫn còn thiếu: các bài báo của Microsoft chỉ mô tả tiếng vọng là “một trong những nguồn chính gây điểm chất lượng giọng nói kém”, không kèm tỷ lệ phần trăm.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| ICASSP 2021: mức cơ sở so với hệ thống hạng nhất, trung bình bốn bài thử chủ quan | 3,68 so với 4,11 (17 bài nộp) | Amazon Web Services, kiểm soát tiếng vọng PercepNet, arXiv 2021 |
| ICASSP 2021: mức cơ sở so với hệ thống hạng nhất, suy giảm giọng nói đầu gần khi nói đồng thời (DMOS) | 3,28 so với 4,07 | Amazon Web Services, kiểm soát tiếng vọng PercepNet, arXiv 2021 |
| INTERSPEECH 2021: bài dự thi điểm cao nhất (ERCESI) so với mức cơ sở, điểm trung bình | 4,43 so với 3,87 | Microsoft, kết quả AEC Challenge INTERSPEECH 2021 |
| INTERSPEECH 2021: bài dự thi điểm cao nhất so với mức cơ sở, DMOS tiếng vọng khi đầu xa nói đơn; DMOS các suy giảm khác khi nói đồng thời | 4,59 so với 3,82; 4,18 so với 3,45 | Microsoft, kết quả AEC Challenge INTERSPEECH 2021 |
| INTERSPEECH 2021: bài dự thi của các đội được xếp hạng có điểm trung bình trên mức cơ sở | 10 trên 14 (đếm từ bảng kết quả) | Microsoft, kết quả AEC Challenge INTERSPEECH 2021 |
| ICASSP 2022: số bài nộp; chênh lệch giữa di động và máy tính để bàn về suy giảm khi nói đồng thời | 18 bài nộp; di động thấp hơn 0,75 MOS | Microsoft, bài báo AEC Challenge ICASSP 2022 |
| ICASSP 2023: số bài dự thi; điểm của người thắng và kích thước mô hình | 20 bài dự thi (17 không cá nhân hóa, 3 cá nhân hóa); 0,854 với 1,5M tham số | Microsoft, bài báo AEC Challenge ICASSP 2023 |
| ICASSP 2023: mức cơ sở so với người thắng, điểm cuối cùng và độ chính xác từ của nhận dạng giọng nói | 0,736 so với 0,852; 64,9% so với 82,3% | Microsoft, DeepVQE, Interspeech 2023 |
Ghi chú bối cảnh: điểm cuối cùng năm 2023 là điểm tổng hợp từ 0 đến 1, lấy trung bình năm điểm chủ quan đã đổi thang cùng độ chính xác từ, nên không so sánh được với điểm MOS trung bình năm 2021. Hai bài báo của Microsoft in điểm của người thắng năm 2023 hơi khác nhau (xem Phương pháp luận). Dữ liệu mới nhất hiện có: Microsoft, 2023.
5. Đo Tiếng vọng: Vì Sao ERLE Mất Vị thế Trước Các Chỉ số Cảm nhận
ERLE (echo return loss enhancement, độ cải thiện tổn hao hồi tiếng vọng) là số đề-xi-ben mà bộ triệt tiếng vọng loại bỏ khỏi tín hiệu micro. Nó dễ tính, nên vẫn đứng đầu các tài liệu kỹ thuật, nhưng ERLE chỉ tương quan 0,31 (Pearson) với đánh giá của người nghe, vì một bộ triệt có thể đạt ERLE rất lớn bằng cách tắt tiếng đường truyền và phá hỏng giọng người nói đầu gần. PESQ, một chỉ số chất lượng giọng nói xâm nhập cũ hơn, so sánh đầu ra với một tham chiếu sạch, làm tốt hơn với 0,67.
AECMOS, bộ ước lượng bằng nơ-ron của Microsoft, không cần tham chiếu sạch và dự đoán điểm tiếng vọng cùng suy giảm mà người nghe sẽ chấm. Thay đổi thực tế: các nhóm giờ có thể xếp hạng mô hình mà không phải trả tiền cho một bài nghe thử mỗi lần. Điều đó quan trọng với bất kỳ ai từng so sánh thiết bị trong phòng thí nghiệm thay vì trong phòng thực, một khoảng cách mà chúng tôi đã đề cập trong thống kê thử nghiệm âm học phòng không dội của chúng tôi.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| ERLE so với đánh giá chủ quan: tương quan Pearson (PCC) và Spearman (SRCC) | 0,31 và 0,23 | Microsoft, bài báo AEC Challenge ICASSP 2021 |
| PESQ so với đánh giá chủ quan: PCC và SRCC | 0,67 và 0,57 | Microsoft, bài báo AEC Challenge ICASSP 2021 |
| AECMOS (phiên bản 2023), tương quan Pearson với đánh giá của người nghe: tiếng vọng khi đầu xa nói đơn; tiếng vọng khi nói đồng thời; các suy giảm khác khi nói đồng thời | 0,99 (SRCC 0,92); 0,99; 0,96 | Microsoft, bài báo AEC Challenge ICASSP 2023 |
| Tập huấn luyện AECMOS gốc; số phiếu crowdsourcing mỗi đoạn | 64.013 đoạn (145,8 giờ); 5 phiếu mỗi đoạn | Microsoft, bài báo AECMOS, ICASSP 2022 |
| Xếp hạng chồng AECMOS gốc: số mô hình được xếp hạng; PCC theo từng thí sinh trên tiếng vọng khi đầu xa nói đơn | 22 mô hình (14 thí sinh, 4 mô hình sâu và 4 mô hình DSP của các tác giả); 0,996 | Microsoft, bài báo AECMOS, ICASSP 2022 |
| Độ chính xác từ của nhận dạng giọng nói so với điểm chủ quan trung bình trên các bài dự thi ICASSP 2022 (PCC) | 0,85 | Microsoft, bài báo AEC Challenge ICASSP 2022 |
| Số người nghe mỗi câu trong các bài thử chủ quan ICASSP 2021; khoảng tin cậy 95% | 10 người nghe; 0,01 MOS | Amazon Web Services, kiểm soát tiếng vọng PercepNet, arXiv 2021 |
Ghi chú giá trị ngoại lai: tương quan theo từng đoạn yếu hơn nhiều so với theo từng mô hình. Bài báo AECMOS gốc nêu PCC theo đoạn là 0,582 cho tiếng vọng khi nói đồng thời, nên chỉ số này đáng tin để xếp hạng hệ thống, không đáng tin để đánh giá một bản ghi đơn lẻ.
6. Kiểm soát Tiếng vọng bằng Nơ-ron So Với Tuyến tính: Các Phép So sánh Trực tiếp Cho Thấy Gì
Bộ lọc thích nghi tuyến tính mô hình hóa đường tiếng vọng như một hệ thống đường thẳng, nên gặp khó với tiếng vọng bị méo bởi loa laptop rẻ tiền chạy quá tải. Trong năm hệ thống hàng đầu của ICASSP 2022, đa số hệ thống nơ-ron được xây dựng trên nền một bộ lọc tuyến tính thay vì thay thế nó. Trong một thử nghiệm của ByteDance, WebRTC AEC3 loại bỏ khoảng 30 dB tiếng vọng trong khi bộ ức chế dư bằng nơ-ron đạt 40,8 dB, và AEC3 thực sự làm chất lượng giọng nói khi nói đồng thời tệ hơn so với không xử lý gì ở tỷ số tín hiệu trên tiếng vọng 0 dB (tiếng vọng to bằng giọng đầu gần).
Hãy xem các con số ERLE với sự thận trọng đã giải thích ở phần 5: ERLE 78,69 dB cho biết đường truyền rất yên lặng khi đầu xa nói, chứ không phải giọng đầu gần còn nguyên vẹn. Về phía nhà cung cấp, Microsoft cho biết mô hình tiếng vọng của Teams được huấn luyện trên 30.000 giờ mẫu giọng nói (Microsoft 365 Blog 2022, tuyên bố của chính nhà cung cấp), và các nhà nghiên cứu DeepVQE của họ cho biết mô hình nhỏ được thử nghiệm trong Teams cho hàng trăm triệu người dùng.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| ERLE, đầu xa nói đơn có giọng nói: bộ lọc thích nghi tuyến tính so với WebRTC AEC3 so với bộ lọc thích nghi cộng bộ ức chế dư bằng nơ-ron | 16,612 dB so với 29,976 dB so với 40,786 dB | ByteDance, ức chế tiếng vọng dư, arXiv 2020 |
| ERLE, đầu xa nói đơn có giọng nói cộng nhạc: WebRTC AEC3 so với bộ ức chế dư bằng nơ-ron | 25,376 dB so với 43,144 dB | ByteDance, ức chế tiếng vọng dư, arXiv 2020 |
| PESQ khi nói đồng thời ở tỷ số tín hiệu trên tiếng vọng 0 dB: chưa xử lý so với WebRTC AEC3 so với bộ ức chế dư bằng nơ-ron | 1,908 so với 1,610 so với 2,816 | ByteDance, ức chế tiếng vọng dư, arXiv 2020 |
| ERLE: Speex so với WebRTC so với bộ lọc thích nghi kết hợp mạng nơ-ron hồi quy | 25 dB so với 40 dB so với 68 dB | Ma và cộng sự, arXiv 2020 |
| Bộ triệt tiếng vọng LSTM tín hiệu kép (DTLN-aec): mức tăng MOS so với mức cơ sở của AEC Challenge; dữ liệu huấn luyện | 0,30 MOS; 60 giờ kịch bản tiếng vọng thật và tổng hợp | Westhausen và Meyer, DTLN-aec, arXiv 2020 |
| 5 hệ thống hàng đầu ICASSP 2022: thiết kế lai tuyến tính cộng nơ-ron; dải tham số | 3 trên 5; 1,5M đến 55,5M tham số | Microsoft, bài báo AEC Challenge ICASSP 2022 |
| Các bài dự thi ICASSP 2023: tương quan của điểm cuối cùng với kích thước mô hình; với việc dùng thiết kế lai (PCC) | -0,54; 0,10 | Microsoft, bài báo AEC Challenge ICASSP 2023 |
| Bộ triệt tiếng vọng nơ-ron đầu cuối (tháng 1 năm 2026): ERLE với mặt nạ phát hiện hoạt động giọng nói; tham số; mức tăng MOS trung bình từ một chiến lược huấn luyện | 78,69 dB; 1,2M tham số; 4,31 đến 4,38 | Alibaba Tongyi Lab, E2E-AEC, arXiv 2026 |
Ghi chú bối cảnh: các kết quả này đến từ các bộ thử khác nhau, nên chúng xếp hạng phương pháp trong từng bài báo, không phải giữa các bài báo. Dữ liệu mới nhất hiện có cho các so sánh AEC3 và Speex: ByteDance và Ma và cộng sự, 2020.
Tổng kết: Triệt Tiêu Tiếng vọng Âm học qua các Con số
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Thời gian hội tụ Bài thử 2A của G.168 | Khoảng 1 s cộng độ trễ đường tiếng vọng | ITU-T G.168 (04/2015) |
| Tổn hao ghép nối đầu cuối có trọng số của tai nghe, mọi mức âm lượng so với danh định | Tối thiểu 46 dB so với tối thiểu 55 dB | 3GPP TS 26.131 (Rel-19) |
| Tổn hao tiếng vọng của mạng tại điểm kết nối liên mạng | Tối thiểu 46 dB | 3GPP TS 26.132 (Rel-19) |
| Các hạng mục nói đồng thời của thiết bị rảnh tay | 5; hạng mục 1 làm suy giảm giọng nói được gửi đi tối đa 3 dB | HEAD acoustics, mô tả ITU-T P.340 |
| Khuyến nghị về thiết bị đầu cuối rảnh tay, phiên bản mới nhất | P.340 (07/2026) | Tóm tắt ITU-T P.340 2026 |
| Độ trễ một chiều cho khả năng tương tác trong suốt | Dưới 150 ms | ITU-T G.114 (05/2003) |
| Mức trần độ trễ của AEC Challenge, 2023 | 20 ms gồm độ trễ thuật toán cộng đệm | Kho mã AEC-Challenge của Microsoft |
| ERLE so với đánh giá của người nghe | PCC 0,31 | Microsoft, bài báo AEC Challenge ICASSP 2021 |
| AECMOS so với đánh giá tiếng vọng đầu xa | PCC 0,99 | Microsoft, bài báo AEC Challenge ICASSP 2023 |
| Tập huấn luyện AECMOS gốc | 64.013 đoạn, 145,8 giờ | Microsoft, bài báo AECMOS, ICASSP 2022 |
| Mức cơ sở ICASSP 2021 so với người thắng | 3,68 so với 4,11 | Amazon Web Services, kiểm soát tiếng vọng PercepNet, arXiv 2021 |
| Bài dự thi điểm cao nhất INTERSPEECH 2021 so với mức cơ sở | 4,43 so với 3,87 | Microsoft, kết quả AEC Challenge INTERSPEECH 2021 |
| Di động so với máy tính để bàn, suy giảm khi nói đồng thời | Di động thấp hơn 0,75 MOS | Microsoft, bài báo AEC Challenge ICASSP 2022 |
| Thời gian CPU mỗi khung của DeepVQE-S | 0,14 ms (hệ số thời gian thực 0,014) | Microsoft, DeepVQE, Interspeech 2023 |
| WebRTC AEC3 so với bộ ức chế dư bằng nơ-ron, ERLE | 29,976 dB so với 40,786 dB | ByteDance, ức chế tiếng vọng dư, arXiv 2020 |
| Speex so với WebRTC so với RNN lai, ERLE | 25 dB so với 40 dB so với 68 dB | Ma và cộng sự, arXiv 2020 |
| Mức tăng của DTLN-aec so với mức cơ sở của cuộc thi | 0,30 MOS | Westhausen và Meyer, DTLN-aec, arXiv 2020 |
| AEC nơ-ron đầu cuối, ERLE (2026) | 78,69 dB với 1,2M tham số | Alibaba Tongyi Lab, E2E-AEC, arXiv 2026 |
Phương pháp luận và Nguồn
- ITU-T: G.168, Bộ triệt tiếng vọng mạng số (04/2015, Corrigendum 12/2022), G.167, Bộ điều khiển tiếng vọng âm học (03/1993, đã hủy bỏ), tóm tắt P.340 (07/2026), P.1110, Truyền thông rảnh tay băng rộng trên xe cơ giới (10/2025), G.114, Thời gian truyền một chiều (05/2003)
- 3GPP: TS 26.131, Đặc tính âm học của thiết bị đầu cuối cho điện thoại; Yêu cầu (Rel-19) và TS 26.132, Đặc tả thử nghiệm âm học thiết bị đầu cuối điện thoại thoại và video (Rel-19)
- HEAD acoustics: tài liệu kỹ thuật ACOPT 32 Nói đồng thời dựa trên giọng nói (nhắc lại các hạng mục của ITU-T P.340)
- Microsoft Research: bài báo AEC Challenge ICASSP 2021, kết quả AEC Challenge INTERSPEECH 2021, bài báo AEC Challenge ICASSP 2022, bài báo AEC Challenge ICASSP 2023, bài báo AECMOS, DeepVQE, Interspeech 2023, kho mã AEC-Challenge
- Amazon Web Services: Low-complexity joint neural echo control and speech enhancement based on PercepNet (2021)
- ByteDance: Residual acoustic echo suppression based on efficient multi-task convolutional neural network (2020)
- Ma, Huang, Zhao và Su: Acoustic echo cancellation by combining adaptive digital filter and recurrent neural network (2020)
- Westhausen và Meyer: Acoustic echo cancellation with the dual-signal transformation LSTM network (2020)
- Alibaba Tongyi Lab: E2E-AEC, an end-to-end neural network approach for acoustic echo cancellation (tháng 1 năm 2026)
- Microsoft 365 Blog: How Microsoft Teams uses AI and machine learning to improve calls and meetings (2022, tuyên bố của nhà cung cấp)
- Lưu ý về dữ liệu: chưa có nền tảng nào công bố tỷ lệ tiếng vọng dựa trên dữ liệu đo từ xa trong các cuộc gọi thực, nên bài tổng hợp này không nêu tỷ lệ nào; các bài báo của Microsoft chỉ mô tả tiếng vọng một cách định tính là phàn nàn hàng đầu. Hai nguồn của Microsoft hơi khác nhau về người thắng năm 2023: bài báo cuộc thi ICASSP 2023 ghi điểm hạng nhất là 0,854, trong khi bảng trong bài báo DeepVQE ghi người thắng AEC là 0,852. Các nguồn của Microsoft cũng khác nhau về bộ dữ liệu ICASSP 2022: bài báo ICASSP 2022 nêu hơn 10.000 môi trường và thiết bị, còn bài báo ICASSP 2023 ghi 7.500 cho vòng đó. Các tương quan ERLE 0,31 và PESQ 0,67 giống nhau trong các bài báo cuộc thi 2021, 2022 và 2023, cho thấy đây là một nghiên cứu nền chứ không phải ba phép đo độc lập. Tương quan AECMOS thay đổi theo phiên bản mô hình (bài báo ICASSP 2022 nêu PCC 0,828 cho tiếng vọng đầu xa, bài báo 2023 nêu 0,99). Bài báo INTERSPEECH 2021 nói gần như mọi thí sinh đều vượt mức cơ sở, trong khi bảng kết quả công khai cho thấy 10 trên 14 bài dự thi được xếp hạng nằm trên điểm trung bình của mức cơ sở. Các giá trị ERLE trong so sánh Speex và WebRTC năm 2020 đến từ bộ thử và thiết lập riêng của từng bài báo. Phần lớn dữ liệu AEC Challenge thuộc giai đoạn 2021 đến 2023 vì kho mã AEC-Challenge liệt kê ICASSP 2023 là phiên bản mới nhất; toàn văn P.340 (07/2026) và tệp 3GPP TS 26.132 Rel-20 là các bản cập nhật tiếp theo cần kiểm tra.
Cập nhật lần cuối: ngày 24 tháng 10 năm 2026. Chúng tôi cập nhật bài tổng hợp này hàng quý, và lần cập nhật tiếp theo dự kiến sẽ diễn ra khi toàn văn ITU-T P.340 (07/2026) được công bố.