Ở 6 kbps, codec nơ-ron EnCodec của Meta đạt 83,1 trên thang nghe MUSHRA cho giọng nói sạch, trong khi Opus ở cùng 6 kbps đạt 30,1 và bản gốc ẩn đạt 95,5 (Meta AI, bài báo EnCodec, TMLR 2023). Khoảng cách đó tóm gọn toàn bộ câu chuyện mã hóa âm thanh nơ-ron trong một dòng: cùng số bit, điểm số cao hơn 53 điểm (83,1 trừ 30,1). SoundStream của Google ở 3 kbps đạt chất lượng mà EVS cần ít nhất 9,6 kbps và Opus cần ít nhất 12 kbps mới đạt được (Google, bài báo SoundStream 2021), và các codec nghiên cứu hiện đẩy giọng nói còn dùng được xuống dưới 1 kbps, thấp đến 0,16 kbps (Della Libera và cộng sự, FocalCodec, NeurIPS 2025). Các codec cổ điển đáp lại bằng những phần bổ sung nơ-ron của riêng mình: Opus 1.5 giúp giọng nói “hoàn toàn dùng được xuống tới 6 kb/s” nhờ một bộ tăng cường 400 MFLOPS (Xiph.Org, bản phát hành Opus 1.5 2024), điều này quan trọng với bất kỳ ai tinh chỉnh chất lượng cuộc gọi cùng với bộ đệm jitter và điểm POLQA. Chúng tôi tổng hợp dữ liệu từ Google, Meta AI, Descript, Kyutai, Xiph.Org, IETF, 3GPP, ITU và các bộ đánh giá chuẩn đã qua bình duyệt như Codec-SUPERB, DASB, WavTokenizer, TAAE và FocalCodec.
Tóm tắt nhanh
- EnCodec ở 6 kbps đạt 83,1 MUSHRA trên giọng nói sạch so với 30,1 của Opus ở 6 kbps (Meta AI, bài báo EnCodec 2023).
- SoundStream ở 3 kbps đạt chất lượng mà EVS cần ít nhất 9,6 kbps và Opus cần 12 kbps (Google, bài báo SoundStream 2021).
- Lyra V2 ở 3,2 kbps được đánh giá ngang với Opus ở 10 kbps trong các bài kiểm tra MUSHRA (Google Open Source Blog, Lyra V2 2022).
- Descript Audio Codec nén âm thanh 44,1 kHz khoảng 90 lần thành token 8 kbps (Descript, bài báo DAC, NeurIPS 2023).
- FocalCodec ở 0,16 kbps đạt UTMOS 4,22 so với 4,09 của bản tham chiếu chưa nén (Della Libera và cộng sự, NeurIPS 2025).
- Codec TAAE cho PESQ 2,96 ở 400 bps, gần với 3,01 của Mimi ở 1.100 bps (Parker và cộng sự, ICLR 2025).
- VALL-E học được TTS zero-shot từ 60K giờ giọng nói tiếng Anh được mã hóa thành token codec nơ-ron, chỉ cần một lời nhắc giọng nói 3 giây (Microsoft, bài báo VALL-E 2023).
- Bộ tăng cường NoLACE của Opus 1.5 ở 9 kb/s vượt Opus không tăng cường ở 12 kb/s, với khoảng 0,75% CPU (Xiph.Org, bản phát hành Opus 1.5 2024).
- Mimi của Kyutai mã hóa giọng nói ở 12,5 Hz và 1,1 kbps, cho phép một mô hình hội thoại có độ trễ thực tế 200 ms (Kyutai, bài báo Moshi 2024).
- EnCodec ở 1,5 kbps làm tỷ lệ lỗi từ của ASR tăng hơn gấp ba, từ 2,96% lên 9,21% (Wu và cộng sự, Codec-SUPERB 2024).
1. Số Bit Cần Có để Ngang Bằng Codec Cổ Điển trong Bài Kiểm Tra Nghe
Kết quả nổi bật của thế hệ codec nơ-ron đầu tiên không phải là “âm thanh hay hơn”, mà là “cùng chất lượng với một phần nhỏ số bit”. SoundStream ở 3 kbps đạt mức chất lượng mà EVS cần ít nhất 9,6 kbps và Opus cần ít nhất 12 kbps mới ngang bằng, tức gấp 3,2 và 4 lần số bit (9,6 / 3 = 3,2; 12 / 3 = 4) (Google, bài báo SoundStream). Lợi thế thu hẹp khi ngân sách tăng: ở tốc độ bit trung bình và cao, các codec cổ điển cần nhiều hơn 2,2 đến 2,6 lần rồi chỉ còn 1,3 đến 1,6 lần số bit.
MUSHRA, bài kiểm tra nghe được dùng trong hầu hết các bài báo này, được định nghĩa trong ITU-R BS.1534-3: người nghe chấm điểm song song nhiều phiên bản đã mã hóa của một đoạn âm thanh cùng với một bản sao ẩn của bản gốc, vì vậy điểm của một codec tốt nhất nên được đọc so với điểm của bản gốc ẩn trong cùng bài kiểm tra. Quy luật nhất quán giữa các nhà cung cấp: tốc độ bit càng thấp, lợi thế của nơ-ron càng lớn, một phần vì Opus ở 6 kbps rơi trở lại âm thanh băng hẹp.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Tốc độ bit Opus và EVS cần để ngang bằng SoundStream ở 3 kbps | Opus ít nhất 12 kbps, EVS ít nhất 9,6 kbps | Google, bài báo SoundStream (arXiv 2021) |
| Số bit bổ sung EVS và Opus cần để ngang bằng SoundStream ở tốc độ bit trung bình (6 kbps) | Nhiều hơn 2,2 đến 2,6 lần | Google, bài báo SoundStream (arXiv 2021) |
| Tốc độ bit Opus được đánh giá ngang với Lyra V2 ở 3,2, 6 và 9,2 kbps (MUSHRA) | 10, 13 và 14 kbps | Google Open Source Blog, Lyra V2 (2022) |
| MUSHRA, giọng nói sạch: EnCodec ở 6 kbps, Opus ở 6 kbps và bản gốc ẩn | 83,1, 30,1 và 95,5 | Meta AI, bài báo EnCodec (TMLR 2023) |
| MUSHRA, bộ nhạc 1: EnCodec ở 3 kbps và Opus ở 12 kbps | 89,6 và 77,8 | Meta AI, bài báo EnCodec (TMLR 2023) |
| POLQA MOS ở 6 kbps băng rộng, MLow và Opus (tuyên bố của chính nhà cung cấp) | 3,9 và 1,89 | Meta Engineering, blog MLow (2024) |
Dữ liệu mới nhất hiện có: SoundStream (2021), Lyra V2 (2022) và EnCodec (bản tiền ấn phẩm 2022, bản tạp chí 2023). Đây vẫn là các so sánh tham chiếu được các bài báo mới hơn trích dẫn, nhưng chúng có trước các cải tiến nơ-ron của Opus 1.5 (xem phần 7), nên đường cơ sở của codec cổ điển cũ hơn libopus hiện nay. Các số liệu MLow đến từ blog kỹ thuật của Meta, nơi ghi chú rằng Opus chạy ở chế độ băng hẹp (0 đến 4 kHz) ở 6 kbps; đây là tuyên bố của chính nhà cung cấp từ một codec gọi điện đang vận hành, được đưa vào như một điểm tham chiếu chứ không phải một phép đo độc lập.
2. Tỷ Lệ Nén và Điểm Chất Lượng Ngừng Cải Thiện
Tỷ lệ nén là nơi các codec nơ-ron trông ấn tượng nhất. Descript Audio Codec (DAC) nén âm thanh 44,1 kHz khoảng 90 lần thành token ở 8 kbps với một mô hình phổ quát duy nhất cho giọng nói, âm nhạc và âm thanh môi trường (Descript, bài báo DAC, NeurIPS 2023). Với nhạc stereo 48 kHz, EnCodec ở 6 kbps (nén 256 lần) đạt 82,9 MUSHRA, cùng dải chất lượng cảm nhận với MP3 ở 64 kbps (nén 24 lần, 82,7).
Phát hiện hữu ích hơn cho các kỹ sư là sự bão hòa. Mô hình stereo của EnCodec đạt 88,0 ở 12 kbps và 87,5 ở 24 kbps, nên tăng gấp đôi tốc độ bit không mang lại gì đo được. Đòn bẩy thứ hai là mã hóa entropy: một mô hình ngôn ngữ nhỏ chạy trên các token cắt giảm 25% đến 40% băng thông mà không đổi chất lượng, đổi lại là tốc độ.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Mức nén âm thanh 44,1 kHz của DAC ở 8 kbps | Khoảng 90 lần | Descript, bài báo DAC (NeurIPS 2023) |
| ViSQOL ở 44 kHz: DAC ở 8 kbps, EnCodec ở 24 kbps và Opus ở 24 kbps | 4,18, 3,16 và 4,15 | Descript, bài báo DAC (NeurIPS 2023) |
| ViSQOL ở 44 kHz: DAC ở 1,78 kbps và Opus ở 8 kbps | 3,76 và 2,06 | Descript, bài báo DAC (NeurIPS 2023) |
| MUSHRA, nhạc stereo 48 kHz: EnCodec ở 6 kbps (256 lần), ở 12 kbps, ở 24 kbps và MP3 ở 64 kbps (24 lần) | 82,9, 88,0, 87,5 và 82,7 | Meta AI, bài báo EnCodec (TMLR 2023) |
| Băng thông tiết kiệm được khi dùng mô hình ngôn ngữ làm bộ mã hóa entropy trên token EnCodec | Khoảng 25% đến 40% | Meta AI, bài báo EnCodec (TMLR 2023) |
| Mức tiết kiệm tốc độ tiềm năng từ mã hóa entropy token SoundStream | 7% đến 20% | Google, bài báo SoundStream (arXiv 2021) |
ViSQOL là mô hình khách quan dự đoán chất lượng cảm nhận từ tín hiệu; điểm MUSHRA của chính DAC chỉ được công bố dưới dạng biểu đồ, nên bảng dùng các số liệu ViSQOL đã in. Một lưu ý về so sánh với Opus: trong bài báo DAC, Opus ở 8 kbps chỉ được mã hóa với 4 kHz băng thông âm thanh, trong khi DAC giữ nguyên 22,05 kHz, nên một phần khoảng cách là do băng thông chứ không phải hiệu quả.
3. Ranh Giới Dưới 1 kbps cho Giọng Nói
Thế hệ codec nghiên cứu năm 2025 đã chuyển cuộc đua từ “đánh bại Opus” sang “cần ít bit đến mức nào để mang giọng nói dễ hiểu và tự nhiên”. FocalCodec ở 0,16 kbps đạt UTMOS 4,22 trên LibriSpeech sạch, cao hơn 4,09 của bản tham chiếu chưa nén (Della Libera và cộng sự, FocalCodec, NeurIPS 2025). UTMOS là mô hình nơ-ron dự đoán điểm ý kiến trung bình (MOS) của người nghe, nên một codec có thể “đánh bại” bản gốc trên thang này đơn giản bằng cách tạo ra đầu ra nghe rất sạch.
Độ dễ hiểu kể nửa câu chuyện còn lại. Cùng bảng đó báo cáo dWER, tỷ lệ lỗi từ bổ sung mà hệ thống ASR mắc phải trên giọng nói được tổng hợp lại: thiết lập 0,16 kbps của FocalCodec đạt 7,94, trong khi thiết lập 0,65 kbps giữ ở 2,18. Âm thanh tự nhiên giờ đã rẻ; giữ nguyên từng từ và danh tính người nói vẫn tốn bit.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| UTMOS: FocalCodec ở 0,16 kbps và bản tham chiếu chưa nén (LibriSpeech sạch) | 4,22 và 4,09 | Della Libera và cộng sự, bài báo FocalCodec (NeurIPS 2025) |
| dWER: FocalCodec ở 0,65 kbps và ở 0,16 kbps | 2,18 và 7,94 | Della Libera và cộng sự, bài báo FocalCodec (NeurIPS 2025) |
| UTMOS và dWER: BigCodec ở 1,04 kbps | 4,11 và 2,55 | Della Libera và cộng sự, bài báo FocalCodec (NeurIPS 2025) |
| UTMOS và dWER: EnCodec ở 1,5 kbps | 1,58 và 8,08 | Della Libera và cộng sự, bài báo FocalCodec (NeurIPS 2025) |
| PESQ: TAAE ở 400 bps và Mimi ở 1.100 bps | 2,96 và 3,01 | Parker và cộng sự, bài báo TAAE (ICLR 2025) |
| PESQ và SI-SDR: TAAE ở 700 bps | 3,09 và 4,73 dB | Parker và cộng sự, bài báo TAAE (ICLR 2025) |
| UTMOS: WavTokenizer ở 0,9 kbps (75 token mỗi giây), DAC ở 9 kbps và bản ghi gốc chuẩn (ground truth) | 4,0486, 3,9097 và 4,0562 | Ji và cộng sự, bài báo WavTokenizer (ICLR 2025) |
So sánh với TAAE đáng đọc hai lần: ở 400 bps, nó đạt xấp xỉ PESQ của Mimi ở 1.100 bps, một codec mà bản thân nó cũng chỉ mới vài năm tuổi (Parker và cộng sự, bài báo TAAE). Lưu ý rằng mọi số liệu trong phần này đều được đo trên giọng nói đọc sạch của LibriSpeech hoặc LibriTTS, vì vậy hãy coi đó là trường hợp tốt nhất.
4. Độ Trễ và Chi Phí Tính Toán
Tốc độ bit chỉ là một ngân sách; codec cho cuộc gọi trực tiếp hoặc phát trực tuyến còn có ngân sách độ trễ và ngân sách CPU. Lyra V2 mã hóa và giải mã một khung 20 ms trong 0,57 ms trên Pixel 6 Pro, nhanh gấp 35 lần thời gian thực, với độ trễ 20 ms so với 100 ms của Lyra V1 (Google Open Source Blog, Lyra V2). Các codec nơ-ron phát trực tuyến làm việc với khung 20 ms nằm gọn trong dải độ trễ mà chuẩn Opus vốn đã cho phép với mã hóa cổ điển (xem bảng).
Kích thước mô hình là nơi các thế hệ phân hóa. Các codec nhắm đến điện thoại giữ nhỏ và nhanh, trong khi các codec nghiên cứu dưới 1 kbps đánh đổi tính toán lấy số bit: TAAE có khoảng 950M tham số, và SemantiCodec chạy chậm hơn thời gian thực.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Độ trễ: Lyra V2 và Lyra V1 | 20 ms và 100 ms | Google Open Source Blog, Lyra V2 (2022) |
| Hệ số thời gian thực trên một luồng CPU MacBook Pro 2019 ở 6 kbps, bộ mã hóa và bộ giải mã (trên 1 = nhanh hơn thời gian thực): EnCodec 24 kHz và Lyra v2 | 9,8 và 10,4; 27,4 và 67,2 | Meta AI, bài báo EnCodec (TMLR 2023) |
| Dải độ trễ thuật toán của Opus và kích thước khung | 5 đến 65,2 ms; khung 2,5 đến 60 ms | IETF, RFC 6716 (2012) |
| Số tham số mô hình: DAC (bộ mã hóa cộng bộ giải mã) | 76M (22M bộ mã hóa, 54M bộ giải mã) | Descript, bài báo DAC (NeurIPS 2023) |
| Số tham số mô hình: TAAE, Mimi và EnCodec | 950M, 80M và 14M | Parker và cộng sự, bài báo TAAE (ICLR 2025) |
| Hệ số thời gian thực (trên 1 = nhanh hơn thời gian thực): FocalCodec ở 0,16 kbps, BigCodec và SemantiCodec | 208, 22 và 0,62 | Della Libera và cộng sự, bài báo FocalCodec (NeurIPS 2025) |
Hệ số thời gian thực được báo cáo khác nhau giữa các bài báo: EnCodec và FocalCodec dùng “nhanh hơn thời gian thực bao nhiêu lần” (càng cao càng tốt), nên không nên so sánh từng dòng giá trị giữa các bài báo khác nhau. Dải của Opus lấy từ RFC 6716 của IETF, chuẩn năm 2012 vẫn định nghĩa luồng bit Opus; dữ liệu mới nhất hiện có cho đường cơ sở đó là RFC năm 2012, được mở rộng bởi các bản libopus 2024 và 2025 nêu ở phần 7.
5. Token Codec trong Mô Hình Ngôn Ngữ Giọng Nói và Âm Thanh
Các codec nơ-ron nay có sự nghiệp thứ hai: chúng là bộ tách token giúp mô hình ngôn ngữ biết nói. Mimi của Kyutai mã hóa giọng nói 24 kHz thành token ở 12,5 Hz và 1,1 kbps, dùng 8 sổ mã (codebook) mỗi sổ 2.048 mục, và mô hình hội thoại Moshi xây dựng trên nó báo cáo độ trễ lý thuyết 160 ms và 200 ms trong thực tế (Kyutai, bài báo Moshi). Một mô hình tự hồi quy nhìn chung chạy một bước cho mỗi khung token, nên tần số khung chuyển thẳng thành tốc độ, một chủ đề chúng tôi đã trình bày từ phía tác tử trong thống kê thời gian đến byte âm thanh đầu tiên.
Đó là lý do tần số khung, chứ không chỉ tốc độ bit, trở thành mục tiêu thiết kế. Low Frame-rate Speech Codec của NVIDIA chạy ở 21,5 khung mỗi giây và 1,89 kbps và, theo các tác giả, giúp suy luận chuyển văn bản thành giọng nói bằng LLM nhanh hơn khoảng ba lần. Các sản phẩm giọng nói xây dựng trên phần mềm nhân bản giọng nói và TTS thừa hưởng trực tiếp những đánh đổi này.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Tần số token, tốc độ bit và tần số lấy mẫu âm thanh của Mimi | 12,5 Hz, 1,1 kbps, 24 kHz | Kyutai, bài báo Moshi (arXiv 2024) |
| MUSHRA: Mimi ở 1,1 kbps, SpeechTokenizer ở 4,0 kbps và SemantiCodec ở 1,3 kbps | 81,0, 74,3 và 64,8 | Kyutai, bài báo Moshi (arXiv 2024) |
| Độ trễ hội thoại của Moshi, lý thuyết và thực tế | 160 ms và 200 ms | Kyutai, bài báo Moshi (arXiv 2024) |
| Tần số khung và tốc độ bit của Low Frame-rate Speech Codec của NVIDIA | 21,5 khung mỗi giây, 1,89 kbps | NVIDIA, bài báo Low Frame-rate Speech Codec (arXiv 2024) |
| Mức tăng tốc suy luận chuyển văn bản thành giọng nói bằng LLM với codec tần số khung thấp đó | Nhanh hơn khoảng 3 lần | NVIDIA, bài báo Low Frame-rate Speech Codec (arXiv 2024) |
| Số token mỗi giây của âm thanh 24 kHz với bộ lượng tử hóa đơn của WavTokenizer | 40 hoặc 75 | Ji và cộng sự, bài báo WavTokenizer (ICLR 2025) |
| Dữ liệu huấn luyện và lời nhắc giọng nói của VALL-E, một mô hình TTS huấn luyện trên mã codec nơ-ron | 60K giờ giọng nói tiếng Anh; lời nhắc 3 giây | Microsoft, bài báo VALL-E (arXiv 2023) |
| Bộ tách token của MusicGen: EnCodec ở 32 kHz, sổ mã, tần số token, nhạc huấn luyện | 4 sổ mã mỗi sổ 2.048, 50 Hz, 20K giờ | Copet và cộng sự, bài báo MusicGen (arXiv 2023) |
Dữ liệu mới nhất hiện có cho VALL-E và MusicGen: 2023. Một lưu ý cho dòng MUSHRA: 81,0 của Mimi là biến thể chỉ được huấn luyện với hàm mất mát đối kháng; biến thể huấn luyện không có chúng đạt 58,8, nên công thức huấn luyện của bộ tách token làm thay đổi chất lượng cảm nhận nhiều ngang với tốc độ bit của nó.
6. Những Gì Codec Giữ Lại cho Các Tác Vụ Hạ Nguồn
Điểm nghe không cho biết một công cụ phiên âm, một phép kiểm tra người nói hay một bộ phân loại cảm xúc có còn hoạt động trên âm thanh đã giải mã hay không. Trong Codec-SUPERB, EnCodec ở 1,5 kbps làm tăng tỷ lệ lỗi từ của ASR từ 2,96% lên 9,21% và tỷ lệ lỗi cân bằng xác minh người nói từ 0,86% lên 13,88%, trong khi DAC ở 24 kbps giữ tỷ lệ lỗi từ đúng bằng mức gốc 2,96% (Wu và cộng sự, Codec-SUPERB). Những thay đổi tỷ lệ lỗi này quan trọng với bất kỳ ai theo dõi ảo giác và tỷ lệ lỗi của nhận dạng giọng nói trong các đường dẫn bị nén.
Danh tính người nói và cảm xúc là nạn nhân đầu tiên của tốc độ bit thấp: nội dung lời nói tồn tại lâu hơn lớp phi ngôn ngữ. Bộ đánh giá chuẩn DASB đi đến kết luận sắc nét hơn cho token codec được dùng làm đầu vào mô hình: “Trên mọi lĩnh vực và tác vụ, biểu diễn liên tục vượt trội token rời rạc”, và tốc độ bit trung bình hoạt động tốt nhất (Mousavi và cộng sự, DASB).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Các mô hình codec và họ mô hình được đánh giá trong Codec-SUPERB | 19 biến thể từ 6 họ | Wu và cộng sự, bài báo Codec-SUPERB (arXiv 2024) |
| Tỷ lệ lỗi từ của ASR: âm thanh gốc và EnCodec ở 1,5 kbps | 2,96% và 9,21% | Wu và cộng sự, bài báo Codec-SUPERB (arXiv 2024) |
| Tỷ lệ lỗi cân bằng xác minh người nói: âm thanh gốc và EnCodec ở 1,5 kbps | 0,86% và 13,88% | Wu và cộng sự, bài báo Codec-SUPERB (arXiv 2024) |
| Độ chính xác nhận dạng cảm xúc: âm thanh gốc và EnCodec ở 1,5 kbps | 69,84% và 58,84% | Wu và cộng sự, bài báo Codec-SUPERB (arXiv 2024) |
| Tỷ lệ lỗi từ của ASR: DAC ở 6 kbps và DAC ở 24 kbps | 3,26% và 2,96% | Wu và cộng sự, bài báo Codec-SUPERB (arXiv 2024) |
| Tương quan của PESQ với điểm giọng nói tổng thể | 0,97 | Wu và cộng sự, bài báo Codec-SUPERB (arXiv 2024) |
| Công thức tốc độ bit DASB cho bộ tách token | log2(kích thước từ vựng) x sổ mã x tần số token | Mousavi và cộng sự, bộ đánh giá DASB (arXiv 2024) |
Ghi chú bối cảnh: tỷ lệ lỗi cân bằng là điểm mà tại đó một hệ thống xác minh người nói chấp nhận sai và từ chối sai với cùng một tỷ lệ, nên bước nhảy từ 0,86% lên 13,88% nghĩa là giọng nói đã giải mã khó khớp với chủ nhân của nó hơn nhiều. Tương quan PESQ của Codec-SUPERB cũng gợi ý một lối tắt thực tế: với giọng nói, thước đo PESQ lâu đời vẫn bám sát phán quyết tổng thể của bộ đánh giá chuẩn.
7. Codec Cổ Điển Chuyển Sang Nơ-ron: Opus, EVS và Lộ Trình Chuẩn Hóa
Các codec cổ điển không đứng yên. Opus 1.5 (4 tháng 3 năm 2024) cho thấy bộ tăng cường NoLACE làm giọng nói 9 kb/s tốt hơn bản 12 kb/s không tăng cường, với chi phí chạy khoảng 0,75% CPU (Xiph.Org, bản phát hành Opus 1.5). Tính năng Deep Redundancy (DRED) của nó, nay nằm trong lộ trình chuẩn của IETF, nhồi tới một giây âm thanh dự phòng vào mỗi gói, nên “mỗi gói 20 ms thực tế được truyền 50 lần”, và ghi chú phát hành cho biết nó “vẫn hoạt động tốt ngay cả khi mất 90%” (ở đây “mất gói” nghĩa là gói dữ liệu bị rơi trên mạng, không phải tệp âm thanh bị mất).
Hệ quả: khoảng cách đo được ở phần 1 so với các bản dựng Opus cũ hơn đang thu hẹp từ phía cổ điển. Opus 1.6 (15 tháng 12 năm 2025) tiến xa hơn, thu nhỏ mô hình DRED và bổ sung mở rộng băng thông nơ-ron để giọng nói 9 kb/s đạt chất lượng của Opus 1.4 toàn băng ở 18 kb/s.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Dải tốc độ bit Opus do chuẩn quy định | 6 kbit/s đến 510 kbit/s | IETF, RFC 6716 (2012) |
| Dải tốc độ bit EVS và băng thông âm thanh tối đa | 5,9 đến 128 kbps, tới 20 kHz | 3GPP, thông cáo về codec EVS (2014) |
| Tốc độ bit Opus 1.5 thấp nhất mà giọng nói “hoàn toàn dùng được” với NoLACE | 6 kb/s | Xiph.Org, bản phát hành Opus 1.5 (2024) |
| Độ phức tạp của bộ tăng cường NoLACE và LACE và vocoder nơ-ron FARGAN trong Opus 1.5 | NoLACE 400 MFLOPS (khoảng 0,75% CPU); LACE 100 MFLOPS (khoảng 0,15% CPU); FARGAN 600 MFLOPS (1/5 của LPCNet) | Xiph.Org, bản phát hành Opus 1.5 (2024) |
| Kích thước mô hình DRED: Opus 1.6 và Opus 1.5 | 600 kB và 1.800 kB | Xiph.Org, bản phát hành Opus 1.6 (2025) |
| Mở rộng băng thông của Opus 1.6 với NoLACE ở 9 kb/s ngang bằng | Opus 1.4 toàn băng ở 18 kb/s | Xiph.Org, bản phát hành Opus 1.6 (2025) |
| Tốc độ bit dự phòng DRED so với tốc độ bit Opus thông thường, và LBRR trong băng để so sánh | Khoảng 1/50 (DRED) và khoảng 2/3 (LBRR) | IETF, draft-ietf-mlcodec-opus-dred-07 (4 tháng 8 năm 2026) |
Đặc tả DRED vẫn là một Internet-Draft (nhóm làm việc mlcodec của IETF), được sửa đổi vào ngày 4 tháng 8 năm 2026; ghi chú Opus 1.5 đã cảnh báo rằng “phiên bản có trong Opus 1.5 sẽ không tương thích với phiên bản cuối cùng”. Các số liệu EVS lấy từ thông báo 3GPP Release 12; dữ liệu mới nhất hiện có: 3GPP, 2014.
Tổng kết: Tốc Độ Bit và Chất Lượng Codec Âm Thanh Nơ-ron qua Các Con Số
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| MUSHRA, giọng nói sạch: EnCodec ở 6 kbps và Opus ở 6 kbps | 83,1 và 30,1 | Meta AI, bài báo EnCodec (TMLR 2023) |
| Tốc độ bit Opus và EVS cần để ngang bằng SoundStream ở 3 kbps | Opus ít nhất 12 kbps, EVS ít nhất 9,6 kbps | Google, bài báo SoundStream (arXiv 2021) |
| Dải tốc độ bit Opus do chuẩn quy định | 6 đến 510 kbit/s | IETF, RFC 6716 (2012) |
| Mức nén của DAC với âm thanh 44,1 kHz ở 8 kbps | Khoảng 90 lần | Descript, bài báo DAC (NeurIPS 2023) |
| ViSQOL: DAC ở 8 kbps và EnCodec ở 24 kbps | 4,18 và 3,16 | Descript, bài báo DAC (NeurIPS 2023) |
| dWER: FocalCodec ở 0,65 kbps và ở 0,16 kbps | 2,18 và 7,94 | Della Libera và cộng sự, bài báo FocalCodec (NeurIPS 2025) |
| UTMOS: FocalCodec ở 0,16 kbps và bản tham chiếu | 4,22 và 4,09 | Della Libera và cộng sự, bài báo FocalCodec (NeurIPS 2025) |
| PESQ: TAAE ở 400 bps và Mimi ở 1.100 bps | 2,96 và 3,01 | Parker và cộng sự, bài báo TAAE (ICLR 2025) |
| UTMOS: WavTokenizer ở 0,9 kbps và DAC ở 9 kbps | 4,0486 và 3,9097 | Ji và cộng sự, bài báo WavTokenizer (ICLR 2025) |
| Độ chính xác nhận dạng cảm xúc: bản gốc và EnCodec ở 1,5 kbps | 69,84% và 58,84% | Wu và cộng sự, bài báo Codec-SUPERB (arXiv 2024) |
| Số tham số mô hình: TAAE và EnCodec | 950M và 14M | Parker và cộng sự, bài báo TAAE (ICLR 2025) |
| Tần số token và tốc độ bit của Mimi | 12,5 Hz, 1,1 kbps | Kyutai, bài báo Moshi (arXiv 2024) |
| Độ trễ hội thoại thực tế của Moshi | 200 ms | Kyutai, bài báo Moshi (arXiv 2024) |
| Mức tăng tốc chuyển văn bản thành giọng nói bằng LLM nhờ codec 21,5 khung mỗi giây | Khoảng 3 lần | NVIDIA, bài báo Low Frame-rate Speech Codec (arXiv 2024) |
| Tỷ lệ lỗi từ của ASR: bản gốc và EnCodec ở 1,5 kbps | 2,96% và 9,21% | Wu và cộng sự, bài báo Codec-SUPERB (arXiv 2024) |
| MUSHRA: Mimi ở 1,1 kbps và SpeechTokenizer ở 4,0 kbps | 81,0 và 74,3 | Kyutai, bài báo Moshi (arXiv 2024) |
| Opus được NoLACE tăng cường ở 9 kb/s so với Opus không tăng cường | Tốt hơn 12 kb/s | Xiph.Org, bản phát hành Opus 1.5 (2024) |
| Kích thước mô hình DRED, Opus 1.6 và Opus 1.5 | 600 kB và 1.800 kB | Xiph.Org, bản phát hành Opus 1.6 (2025) |
Phương Pháp Luận và Nguồn
- Google, SoundStream: An End-to-End Neural Audio Codec (arXiv 2107.03312, 2021; IEEE/ACM TASLP): tỷ lệ tốc độ bit MUSHRA so với Opus và EVS, kích thước khung, mức tiết kiệm nhờ mã hóa entropy.
- Google Open Source Blog, Lyra V2 (tháng 9 năm 2022): mức tương đương với Opus, độ trễ, thời gian đo trên Pixel 6 Pro.
- Meta AI, High Fidelity Neural Audio Compression (EnCodec), TMLR 2023 (arXiv 2210.13438): các bảng MUSHRA, tỷ lệ nén, hệ số thời gian thực, mã hóa entropy.
- Meta Engineering, MLow: Meta’s low bitrate audio codec (13 tháng 6 năm 2024): so sánh POLQA của chính nhà cung cấp với Opus.
- Copet et al., Simple and Controllable Music Generation (MusicGen), arXiv 2023: cấu hình bộ tách token EnCodec và số giờ huấn luyện.
- Descript, High-Fidelity Audio Compression with Improved RVQGAN (DAC), NeurIPS 2023: hệ số nén, bảng ViSQOL, số tham số.
- Kyutai, Moshi: a speech-text foundation model for real-time dialogue (arXiv 2410.00037, 2024): đặc tả codec Mimi, MUSHRA so với bộ tách token ngữ nghĩa, độ trễ hội thoại.
- NVIDIA, Low Frame-rate Speech Codec (arXiv 2409.12117, 2024): tần số khung, tốc độ bit, mức tăng tốc suy luận TTS.
- Microsoft, VALL-E: Neural Codec Language Models are Zero-Shot Text to Speech Synthesizers (arXiv 2301.02111, 2023): số giờ huấn luyện và độ dài lời nhắc.
- Ji et al., WavTokenizer (ICLR 2025, arXiv 2408.16532): tần số token của bộ lượng tử hóa đơn và UTMOS.
- Parker et al., Scaling Transformers for Low-Bitrate High-Quality Speech Coding (TAAE), ICLR 2025: kết quả 400 và 700 bps, số tham số.
- Della Libera et al., FocalCodec (NeurIPS 2025, arXiv 2502.04465): bảng đánh giá chuẩn dưới 1 kbps với UTMOS, dWER và hệ số thời gian thực.
- Wu et al., Codec-SUPERB: An In-Depth Analysis of Sound Codec Models (arXiv 2402.13071, 2024): kết quả hạ nguồn về ASR, người nói, cảm xúc.
- Mousavi et al., DASB: Discrete Audio and Speech Benchmark (arXiv 2406.14294, sửa đổi ngày 21 tháng 4 năm 2026): phát hiện về biểu diễn rời rạc so với liên tục.
- Xiph.Org, ghi chú phát hành Opus 1.5 (4 tháng 3 năm 2024) và ghi chú phát hành Opus 1.6 (15 tháng 12 năm 2025): LACE, NoLACE, DRED, FARGAN, mở rộng băng thông.
- IETF, RFC 6716: Definition of the Opus Audio Codec (tháng 9 năm 2012) và IETF, draft-ietf-mlcodec-opus-dred: dải tốc độ bit và độ trễ của Opus, chi phí phụ trội của DRED.
- 3GPP, Enhanced Voice Services codec for LTE (Release 12, 7 tháng 11 năm 2014): dải tốc độ bit và băng thông của EVS.
- ITU-R BS.1534-3 (MUSHRA), tháng 10 năm 2015 và ITU-T P.808 crowdsourced speech quality, tháng 6 năm 2021: các phương pháp kiểm tra nghe đằng sau số liệu MUSHRA và MOS thu thập cộng đồng.
- Lưu ý về dữ liệu: (1) MUSHRA, MOS, ViSQOL, UTMOS và PESQ không thể thay thế cho nhau, và một điểm số chỉ có ý nghĩa so với bản tham chiếu và đường cơ sở trong cùng một bài kiểm tra; riêng UTMOS có thể chấm một codec cao hơn bản gốc (FocalCodec 4,22 so với 4,09). (2) Blog MLow của Meta in “POLQA MOS 1,89 so với 3,9” mà không ghi rõ điểm nào thuộc codec nào; ngữ cảnh bài viết ngụ ý Opus 1,89 và MLow 3,9, và phiên bản Opus được dùng không được nêu. (3) Văn bản của Codec-SUPERB nói độ chính xác cảm xúc của DAC 24 kbps giảm “0,38%”, nhưng các giá trị trong bảng (69,84% xuống 69,56%) cho 0,28 điểm, và số tập dữ liệu trong bài báo dao động giữa 20 và 21; chúng tôi chỉ báo cáo các giá trị trong bảng. (4) Thiết lập 40 token của WavTokenizer được in là 0,5 kbps trong bảng và 0,48 kbps trong văn bản. (5) Trang arXiv của EnCodec vẫn ghi “Tiền ấn phẩm” trong khi danh mục TMLR 2023 xác nhận đã xuất bản trên tạp chí; Google liệt kê SoundStream trong IEEE/ACM TASLP với ngày 2021 còn các chỉ mục khác ghi 2022. (6) Số tham số của cùng một codec khác nhau theo nguồn: Mimi được liệt kê là 80M trong bài báo TAAE, 82M trong bài báo FocalCodec và 96,2M trên thẻ mô hình Hugging Face của Kyutai, có thể tùy theo thành phần nào được tính. Định nghĩa hệ số thời gian thực cũng khác nhau giữa các bài báo, nên các dòng tốc độ giữa các bài báo không thể so sánh trực tiếp. (7) Hầu hết các so sánh đối đầu với Opus có trước các tính năng nơ-ron của Opus 1.5 và 1.6, và không có số liệu quy mô thị trường nào được đưa vào vì không tìm thấy dữ liệu thị trường Tier 1 cho codec nơ-ron.
- Cập nhật lần cuối: ngày 31 tháng 10 năm 2026. Chúng tôi cập nhật bài tổng hợp này hàng quý, và lần làm mới tiếp theo dự kiến diễn ra khi nhóm làm việc mlcodec của IETF đưa draft-ietf-mlcodec-opus-dred tiến tới công bố RFC.