Các cuộc thi Deep Noise Suppression (DNS) Challenge năm 2021 giới hạn tổng độ trễ thuật toán ở 40 ms, trong khi một nghiên cứu về thiết bị nghe đeo (hearables) năm 2025 đã chạy khử nhiễu nơ-ron với độ trễ thuật toán 1,25 ms và độ trễ đầu cuối 3,35 ms trên một DSP công suất thấp (Microsoft Research, bài báo DNS Challenge Interspeech 2021; Dementyev và cộng sự, arXiv 2025). Kích thước mô hình trải rộng hơn ba bậc độ lớn: RNNoise dùng 87.503 trọng số và GTCRN báo cáo 23,7K tham số, trong khi hệ thống URGENT hàng đầu của Interspeech 2025 dùng khoảng 102M tham số. Các bài kiểm tra nghe liên tục phơi bày những gì chỉ số phòng thí nghiệm bỏ sót: PercepNet đầy đủ có PESQ thấp hơn biến thể không có post-filter (2,54 so với 2,73) nhưng MOS của người nghe lại cao hơn (4,05 so với 3,91). Khử nhiễu chỉ là một nửa câu chuyện về cô lập giọng nói; nửa còn lại, tách một người nói khỏi những người nói khác, được đề cập trong thống kê tách tiếng nói và hiệu ứng cocktail party của chúng tôi, còn khía cạnh kinh doanh của các công cụ này nằm trong thống kê phần mềm chống ồn doanh nghiệp. Chúng tôi tổng hợp dữ liệu từ các bài báo DNS Challenge của Microsoft Research, ITU-T, công trình RNNoise của Mozilla và Xiph.Org, các bài báo DeepFilterNet, ban tổ chức cuộc thi URGENT, tài liệu Maxine của NVIDIA, cùng các nhà nghiên cứu độc lập từ đại học và ngành công nghiệp.
Tóm tắt nhanh
- Một bộ khử nhiễu nơ-ron 1,25 ms đã chạy trên DSP công suất thấp với độ trễ đầu cuối 3,35 ms (Dementyev và cộng sự, bài báo hearables dưới mili giây, arXiv 2025).
- RNNoise chạy với 87.503 trọng số, khoảng 1,3% một lõi x86 (Mozilla, bài báo RNNoise, MMSP 2018).
- GTCRN báo cáo 23,7K tham số và 39,6 MMAC mỗi giây (Rong và cộng sự, GTCRN, ICASSP 2024).
- DeepFilterNet2 có 2,306 M tham số và hệ số thời gian thực 0,42 ngay cả trên Raspberry Pi 4 (Schröter và cộng sự, bài báo DeepFilterNet2 2022).
- Một bộ khử nhiễu GPU cần 0,410 ms (p95) để xử lý khung 10 ms trên GPU laptop (NVIDIA, hướng dẫn hiệu năng Maxine AFX SDK, tuyên bố của nhà cung cấp).
- PercepNet đạt MOS của người nghe là 4,05 so với 3,40 của đầu vào có nhiễu trên VCTK (Valin và cộng sự, bài báo PercepNet, Interspeech 2020).
- Người thắng URGENT Interspeech 2025 dùng khoảng 102M tham số, gấp khoảng 12 lần mô hình cơ sở 8,5M (Saijo và cộng sự, bài báo URGENT 2025 Challenge).
- Dự đoán trước để đạt độ trễ 0 ms làm SI-SDR giảm từ 2,8341 dB xuống -3,6493 dB (Wang và cộng sự, IEEE/ACM TASLP 2022).
- ITU-T P.835, bài kiểm tra ba đánh giá dành cho bộ khử nhiễu, có phiên bản mới là P.835 (07/26) (trang Khuyến nghị ITU-T P.835, 2026).
- ICASSP 2026 URGENT Challenge thu hút 80 lượt đăng ký Track 1 và các bài nộp hợp lệ từ 29 đội (Li và cộng sự, bài báo ICASSP 2026 URGENT Challenge).
1. Ngân Sách Độ Trễ: Khử Nhiễu Thời Gian Thực Được Phép Trễ Bao Nhiêu
Độ trễ thuật toán là độ trễ vốn có của chính phương pháp (độ dài khung phân tích cộng với mọi look-ahead về phía âm thanh tương lai), nên một CPU nhanh hơn không thể loại bỏ nó. Thời gian xử lý là chuyện riêng: một hệ thống thời gian thực chỉ cần xử lý xong mỗi khung trước khi khung tiếp theo đến. Các cuộc thi DNS Challenge năm 2021 giới hạn tổng độ trễ thuật toán ở 40 ms, mức này rộng rãi so với chuẩn của máy trợ thính và chặt chẽ đối với một mô hình muốn nhìn thấy âm thanh tương lai.
Khoảng 40 ms đó đã bị tiêu tốn trước cả khi âm thanh rời khỏi máy tính. Trong một cuộc gọi, độ trễ của bộ khử nhiễu cộng dồn với triệt tiếng vọng, codec và mạng; kiểm soát tiếng vọng có ngân sách và các chỉ số tham chiếu riêng, được đề cập trong thống kê triệt tiếng vọng âm học của chúng tôi. Quy tắc này được nêu rõ trong bài báo DNS Challenge Interspeech 2021, còn các con số thiết kế đến từ bài báo PercepNet và bài báo DeepFilterNet3.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Quy tắc thời gian thực của DNS Challenge: tổng độ trễ thuật toán (khung + bước dịch + look-ahead) và thời gian xử lý mỗi khung | 40 ms hoặc ít hơn; dưới thời gian bước dịch trên Intel Core i5 bốn lõi 2,4 GHz (khung 32 ms với bước dịch 16 ms, tức 48 ms, không đạt) | Microsoft Research, các bài báo DNS Challenge ICASSP 2021 và Interspeech 2021 |
| Cửa sổ phân tích, bước nhảy và look-ahead của RNNoise | cửa sổ 20 ms, độ lệch 10 ms; look-ahead 10 ms | Mozilla, bài báo RNNoise, MMSP 2018; trang demo RNNoise của Xiph.Org 2017 |
| Kích thước khung và look-ahead của PercepNet | khung 10 ms, look-ahead 40 ms | Valin và cộng sự, bài báo PercepNet, Interspeech 2020 |
| Độ trễ thuật toán của DeepFilterNet3 | 40 ms (cửa sổ 20 ms, bước nhảy 10 ms, 2 khung look-ahead) | Schröter và cộng sự, bài báo DeepFilterNet3, Interspeech 2023 |
| Thiết kế STFT độ trễ rất thấp: kích thước cửa sổ và độ trễ thuật toán kết quả | cửa sổ đầu vào 16 ms, cửa sổ đầu ra 4 ms, bước nhảy 2 ms; độ trễ 4 ms, hoặc 2 ms với dự đoán trước một khung | Wang và cộng sự (CMU, MERL), IEEE/ACM TASLP 2022 |
| Độ trễ thuật toán điển hình của tăng cường tiếng nói bằng học máy so với mục tiêu của hearables | 16 đến 32 ms so với dưới 2 ms đầu cuối (khoảng 1 ms hoặc ít hơn về thuật toán) | Dementyev và cộng sự, bài báo hearables dưới mili giây, arXiv 2025 |
| Hiệu ứng GPU của Denoiser v2: kích thước khung và ngưỡng giải phóng mỗi khung (thử nghiệm của chính nhà cung cấp) | khung 10 ms (160 mẫu ở 16 kHz); thời gian khung p95 phải nằm dưới ngân sách 10 ms | NVIDIA, hướng dẫn hiệu năng Maxine AFX SDK cho Windows (tuyên bố của nhà cung cấp) |
Dữ liệu mới nhất hiện có cho quy tắc của cuộc thi: 2021; các phiên bản DNS sau đó chuyển phần định nghĩa mili giây sang trang web của cuộc thi. Dữ liệu mới nhất hiện có cho RNNoise và PercepNet: các bài báo năm 2018 và 2020.
2. Tính Toán và Kích Thước Mô Hình: Từ 23,7K Tham Số Đến 8 Triệu
GTCRN báo cáo 23,7K tham số, trong khi PercepNet dùng 8M trọng số và khoảng 800 MMACS, nhiều hơn khoảng 340 lần trọng số (8.000.000 / 23.700) cho một mô hình cũng chạy được theo thời gian thực. Hệ số thời gian thực (RTF) là thời gian xử lý chia cho thời lượng âm thanh, vì vậy RTF dưới 1 nghĩa là mô hình theo kịp âm thanh trực tiếp.
Cách hiểu thực tế: tính toán không còn là thứ ngăn khử nhiễu nơ-ron chạy trên laptop. RNNoise cần khoảng 1,3% một lõi trên CPU laptop thời Haswell và PercepNet cần dưới 5% một lõi. Câu hỏi còn bỏ ngỏ là điện thoại, tai nghe nhét tai và DSP, nơi RTF 0,42 trên Raspberry Pi 4 vẫn để lại rất ít dư địa. Các con số lấy từ bài báo RNNoise, bài báo DeepFilterNet2 và trang bài báo GTCRN.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Kích thước và tải CPU của RNNoise | 87.503 trọng số; khoảng 40 MFLOPS; khoảng 1,3% một lõi Intel i7-4800MQ, khoảng 14% một lõi Raspberry Pi 3 | Mozilla, bài báo RNNoise, MMSP 2018 |
| Tệp mô hình RNNoise với trọng số 8 bit so với số thực 32 bit, và tốc độ | 85 kB so với 340 kB; nhanh hơn thời gian thực khoảng 60 lần trên x86, khoảng 7 lần trên Raspberry Pi 3 | Xiph.Org, trang demo RNNoise 2017 |
| Kích thước và tải CPU của PercepNet | 8M trọng số; khoảng 800 MMACS; 5,2% một lõi Intel i7-8565U (khung 10 ms), 4,1% (khung 40 ms) | Valin và cộng sự, bài báo PercepNet, Interspeech 2020 |
| DeepFilterNet so với DeepFilterNet2: tham số, tính toán, RTF trên Core i5-8250U | 1,778 M so với 2,306 M; 0,348 so với 0,356 GMAC; RTF 0,11 so với 0,04 (0,42 trên Raspberry Pi 4) | Schröter và cộng sự, bài báo DeepFilterNet2 2022 |
| Kích thước và tính toán của GTCRN | 23,7K tham số; 39,6 MMAC mỗi giây | Rong và cộng sự, GTCRN, ICASSP 2024 |
| Kích thước và tính toán của UL-UNAS | 169k tham số; 34M MAC mỗi giây; look-ahead 0 ms | Rong và cộng sự, UL-UNAS, Neural Networks 2025 |
| Denoiser v2 trên GPU laptop RTX 3500 Ada (số đo của chính nhà cung cấp) | p95 0,410 ms mỗi khung 10 ms; thông lượng p50 26,74x thời gian thực; 215 MiB bộ nhớ GPU | NVIDIA, hướng dẫn hiệu năng Maxine AFX SDK cho Windows (tuyên bố của nhà cung cấp) |
Tài liệu về denoiser của NVIDIA nêu thêm một lưu ý riêng: đầu vào có SNR dưới 5 dB có thể cho ra đầu ra bị méo.
3. Điểm Chất Lượng Chuẩn Đánh Giá: PESQ và DNSMOS Cho Các Mô Hình Có Tên
PESQ so sánh âm thanh đã xử lý với một bản tham chiếu sạch; DNSMOS là một mô hình nơ-ron dự đoán người nghe sẽ nói gì mà không cần bản tham chiếu. Trên bộ kiểm tra phổ biến VoiceBank+DEMAND, PESQ tăng từ 1,97 cho tiếng nói có nhiễu chưa xử lý lên 3,17 cho DeepFilterNet3, với RNNoise ở cuối nhóm nơ-ron.
Dòng DNSMOS chứa lời cảnh báo hữu ích hơn. Trên bộ kiểm tra mù DNS4, RNNoise hạ điểm tiếng nói dự đoán (SIG) xuống dưới đầu vào có nhiễu trong khi nâng điểm tổng thể, đó là sự đánh đổi kinh điển: ít nhiễu hơn, giọng bị hỏng nhẹ. Bài báo của chính PercepNet cho thấy vấn đề ngược lại với PESQ, khi phiên bản được người nghe ưa thích nhất lại có PESQ thấp hơn. Dữ liệu từ bài báo DeepFilterNet3 và bài báo UL-UNAS.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| PESQ VoiceBank+DEMAND: đầu vào có nhiễu so với RNNoise so với DeepFilterNet2 (có post-filter) | 1,97 so với 2,33 so với 3,03 | Schröter và cộng sự, bài báo DeepFilterNet2 2022 |
| PESQ và STOI của DeepFilterNet3 trên VoiceBank+DEMAND | 3,17 và 0,944 | Schröter và cộng sự, bài báo DeepFilterNet3, Interspeech 2023 |
| DNSMOS trên bộ mù DNS4, tiếng nói (SIG) và tổng thể (OVRL): có nhiễu so với RNNoise so với DeepFilterNet2 | SIG 4,144 so với 3,884 so với 4,196; OVRL 3,291 so với 3,378 so với 3,882 | Schröter và cộng sự, bài báo DeepFilterNet2 2022 |
| PESQ VCTK-DEMAND: GTCRN so với UL-UNAS huấn luyện bằng hàm mất mát PESQ | 2,87 so với 3,09 | Rong và cộng sự, UL-UNAS, Neural Networks 2025 |
| PESQ bộ mù DNS3 và look-ahead: GTCRN so với LiSenNet so với UL-UNAS | 2,10 (0 ms) so với 2,23 (32 ms) so với 2,28 (0 ms) | Rong và cộng sự, UL-UNAS, Neural Networks 2025 |
| PESQ-WB của PercepNet có và không có post-filter | 2,54 so với 2,73 | Valin và cộng sự, bài báo PercepNet, Interspeech 2020 |
| MOS của người nghe theo P.808 trên VCTK 48 kHz: có nhiễu so với RNNoise so với PercepNet | 3,40 so với 3,70 so với 4,05 | Valin và cộng sự, bài báo PercepNet, Interspeech 2020 |
Bối cảnh: VoiceBank+DEMAND là một bộ kiểm tra nhỏ, phần lớn là tổng hợp, nên các bảng xếp hạng này nói lên tiến bộ tương đối nhiều hơn là các cuộc gọi thực tế. Dòng DNS3 là dòng mà độc giả quan tâm đến độ trễ nên ghi nhớ: một mô hình không có look-ahead (2,28) đạt PESQ cao hơn mô hình có look-ahead 32 ms (2,23).
4. Kết Quả Các Cuộc Thi: DNS 2021 Đến 2023 và URGENT 2025 Đến 2026
Kết quả các cuộc thi từ 2020 đến 2026 cho thấy mức cải thiện đo được so với đầu vào có nhiễu vẫn nhỏ, kể cả với những người thắng cuộc. Tại ICASSP 2021, mô hình tốt nhất chỉ hơn đầu vào có nhiễu 0,53 DMOS (chênh lệch điểm ý kiến trung bình), mà ban tổ chức xác định ở MOS tuyệt đối 3,38, và chỉ một nửa số bài nộp vượt được mô hình cơ sở. Khử nhiễu cá nhân hóa, mà Teams cung cấp dưới tên cô lập giọng nói, đăng ký một mẫu giọng của người dùng và cũng loại bỏ những người nói khác; trong nhánh cá nhân hóa của ICASSP 2022, không đội nào cải thiện được điểm tiếng nói. Trong Teams, cô lập giọng nói được bật theo mặc định trong chính sách quản trị và hồ sơ giọng nói được lưu trên thiết bị của người dùng (Microsoft Learn, trang quản trị cô lập giọng nói của Teams, cập nhật năm 2026).
URGENT (tăng cường tiếng nói “phổ quát”) rộng hơn khử nhiễu: nó bổ sung tiếng vang, méo cắt đỉnh, mất mát do codec, mất gói tin và tiếng gió, đồng thời nhận đầu vào từ 8 đến 48 kHz. Kết quả năm 2025 của nó cho thấy kích thước mô hình đi theo hướng ngược lại với phần 2. Nguồn: bài báo DNS ICASSP 2021, bài báo DNS ICASSP 2022, bài báo DNS ICASSP 2023, bài báo URGENT 2025 và bài báo URGENT 2026.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Nhánh thời gian thực DNS Interspeech 2020: hạng của PercepNet và MOS P.808 so với đầu vào có nhiễu và mô hình cơ sở | Hạng 2; 3,52 so với 3,01 so với 3,03 | Valin và cộng sự, bài báo PercepNet, Interspeech 2020 |
| DNS ICASSP 2021 Track 1: số đội và kết quả tốt nhất so với đầu vào có nhiễu | 16 đội; mô hình tốt nhất hơn đầu vào có nhiễu 0,53 DMOS (MOS tuyệt đối 3,38); một nửa số bài nộp vượt mô hình cơ sở | Microsoft Research, bài báo DNS Challenge ICASSP 2021 |
| DNS Interspeech 2021: MOS tổng thể tốt nhất so với ngưỡng trần khi loại nhiễu hoàn hảo; điểm tiếng nói | Khoảng 3,78 so với 3,92; hầu hết các đội ngoài hai đội đầu có MOS tiếng nói thấp hơn đầu vào có nhiễu | Microsoft Research, bài báo DNS Challenge Interspeech 2021 |
| Nhánh cá nhân hóa (cô lập giọng nói) ICASSP 2022: thời lượng đăng ký giọng nói và kết quả so với đầu vào có nhiễu | 2,5 phút mỗi người nói; không đội nào cải thiện SIG; độ chính xác từ kém hơn 2% | Microsoft Research, bài báo DNS Challenge ICASSP 2022 |
| DNS ICASSP 2023: số bài nộp và mức tăng Điểm số của đội thắng trên bộ mù có nhiễu, tai nghe so với loa ngoài | 11 và 11 bài nộp; 0,145 so với 0,141 | Microsoft Research, bài báo DNS Challenge ICASSP 2023 |
| URGENT Interspeech 2025: số bài nộp và kích thước hệ thống thắng cuộc so với mô hình cơ sở | 32 bài nộp; khoảng 102M so với khoảng 8,5M tham số | Saijo và cộng sự, bài báo URGENT Challenge Interspeech 2025 |
| URGENT Interspeech 2025: MOS của hệ thống thuần tạo sinh, hạng chung cuộc và độ chính xác ký tự ở tiếng Trung và tiếng Nhật | MOS cao nhất (3,69) nhưng xếp hạng 13; 20,1% và 36,8% | Saijo và cộng sự, bài báo URGENT Challenge Interspeech 2025 |
| URGENT ICASSP 2026: lượt đăng ký Track 1, số đội hợp lệ, quy mô bộ kiểm tra mù | 80 lượt đăng ký; 29 đội có bài nộp hợp lệ ở cả hai nhánh; 840 mẫu gồm 5 ngôn ngữ chưa từng thấy | Li và cộng sự, bài báo URGENT Challenge ICASSP 2026 |
Ngưỡng trần 3,92 ở dòng Interspeech 2021 là phép tính của chính ban tổ chức: nếu nhiễu được chấm hoàn hảo 5 và tiếng nói vẫn tốt như trong đoạn có nhiễu, MOS tổng thể sẽ dừng ở mức đó. Đến năm 2021, những người thắng cuộc đã loại bỏ phần lớn nhiễu và khoảng cách còn lại nằm ở chất lượng tiếng nói. Điểm số của ICASSP 2023 là 0,5 x [WAcc + 0,25 x (OVRL - 1)], nên nó cho độ chính xác từ và chất lượng theo người nghe trọng số ngang nhau.
5. Đo Lường Chất Lượng: ITU-T P.835, P.808 và DNSMOS
ITU-T P.835 yêu cầu người nghe đưa ra ba đánh giá riêng biệt: tín hiệu tiếng nói (SIG), nhiễu nền (BAK) và chất lượng tổng thể (OVRL). Sự tách biệt này quan trọng đối với khử nhiễu vì một mô hình có thể thắng ở nhiễu mà thua ở giọng nói trong cùng một đoạn. DNSMOS bám sát đánh giá của con người với PCC 0,93 theo từng mô hình, so với 0,78 của PESQ và chỉ 0,23 của SDR, đó là lý do ban tổ chức DNS huấn luyện một chỉ số dựa trên đánh giá của người nghe thay vì dựa vào PESQ.
Điểm vướng nằm ở độ chi tiết. Phiên bản P.835 của DNSMOS yếu hơn nhiều khi áp dụng cho một đoạn đơn lẻ so với khi lấy trung bình trên cả một mô hình, nên hãy coi số DNSMOS của một đoạn là gợi ý, không phải phán quyết. Logic tương tự áp dụng cho giọng tổng hợp, được đề cập trong thống kê MOS về độ tự nhiên của tiếng nói tổng hợp của chúng tôi. Nguồn: trang ITU-T P.835, trang ITU-T P.808, bài báo DNSMOS và bài báo DNSMOS P.835.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Các phiên bản ITU-T P.835 | P.835 (07/26) có hiệu lực, công bố trước; P.835 (11/03) bị thay thế | Trang Khuyến nghị ITU-T P.835, truy cập tháng 10 năm 2026 |
| Các phiên bản ITU-T P.808 | P.808 (06/21) có hiệu lực; P.808 (06/18) bị thay thế | Trang Khuyến nghị ITU-T P.808, truy cập tháng 10 năm 2026 |
| Tương quan DNSMOS với người nghe theo từng mô hình (PCC) so với PESQ, POLQA, SDR; DNSMOS P.835 tổng thể, mức mô hình so với đoạn đơn lẻ | 0,93 so với 0,78, 0,79, 0,23; 0,98 so với 0,82 | Reddy và cộng sự, Microsoft, các bài báo DNSMOS (2020) và DNSMOS P.835 (2021) |
| Các bài kiểm tra nghe của PercepNet: mẫu VCTK và người nghe mỗi mẫu; người nghe mỗi đoạn trong bài kiểm tra DNS | 824 mẫu, mỗi mẫu 8 người nghe (khoảng tin cậy 95% 0,04); mỗi đoạn 10 người nghe (khoảng tin cậy 95% 0,02) | Valin và cộng sự, bài báo PercepNet, Interspeech 2020 |
| Phương pháp và phạm vi kiểm tra chủ quan của URGENT 2025 | Đánh giá theo hạng mục tuyệt đối ITU-T P.808 trên Amazon Mechanical Turk; chỉ dữ liệu tiếng Anh | Saijo và cộng sự, bài báo URGENT Challenge Interspeech 2025 |
| Các bài kiểm tra nghe URGENT ICASSP 2026 và dữ liệu dự đoán MOS | 6 hệ thống hàng đầu được đánh giá bằng P.808 ACR và CCR; 8.000 mẫu có chú thích MOS từ 16 hệ thống | Li và cộng sự, bài báo URGENT Challenge ICASSP 2026 |
Bản sửa đổi P.835 là điểm mới nhất ở đây: bản 2003 bị thay thế bởi P.835 (07/26), và tiêu đề của nó nay bao gồm các thiết bị đầu cuối “cung cấp chức năng khử nhiễu”. Toàn văn của nó chưa được công bố khi chúng tôi kiểm tra, nên những thay đổi đối với phương pháp chưa được phản ánh trong các con số ở trên.
6. Sự Đánh Đổi Giữa Độ Trễ và Chất Lượng
Cắt giảm độ trễ đồng thời làm tốn chất lượng và tính toán. Trong một nghiên cứu hearables năm 2025, mô hình 1 ms cần 840 MIPS trong khi mô hình overlap-add (chồng lấn cộng) 16 ms cần 105 MIPS, và mô hình 16 ms vẫn đạt điểm cao hơn (DNSMOS OVRL 2,35 so với 2,13 trên CHiME-2). Một nghiên cứu trước đó của CMU và MERL cũng thấy xu hướng tương tự với PESQ, và cho thấy việc cố dự đoán trước âm thanh để đạt 0 ms làm SI-SDR sụp đổ.
Câu trả lời của nghiên cứu hearables là thay đổi bộ lọc đầu ra thay vì thu nhỏ cửa sổ: một thiết kế FIR pha tối thiểu giữ SI-SDR gần như phẳng từ 0,32 đến 1,25 ms và cắt độ trễ đầu cuối từ 7,1 ms xuống 3,35 ms. Trò chuyện trực tiếp chịu được độ trễ tốt hơn nhiều so với hearables, nhưng độ trễ của bộ khử nhiễu vẫn cộng dồn vào mọi công đoạn khác, ví dụ khi các hiệu ứng được xếp chồng trong chuỗi đổi giọng Discord. Dữ liệu từ bài báo hearables và bài báo STFT độ trễ rất thấp.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| DNSMOS OVRL trên CHiME-2: chưa xử lý so với mô hình 1 ms, 2 ms, 4 ms và 16 ms | 1,3 so với 2,13 so với 2,25 so với 2,28 so với 2,35 | Dementyev và cộng sự, bài báo hearables dưới mili giây, arXiv 2025 |
| SI-SDR trên CHiME-2: mô hình 1 ms, 2 ms và 16 ms | 8,0 dB so với 11,10 dB so với 12,98 dB | Dementyev và cộng sự, bài báo hearables dưới mili giây, arXiv 2025 |
| Tính toán của mô hình 1 ms so với mô hình overlap-add 16 ms | 840 MIPS so với 105 MIPS | Dementyev và cộng sự, bài báo hearables dưới mili giây, arXiv 2025 |
| Mô hình Deep FIR 1,25 ms đề xuất: tham số, tính toán, độ trễ đầu cuối trên NXP i.MX RT600 | 626k tham số; 376 MIPS; 3,35 ms | Dementyev và cộng sự, bài báo hearables dưới mili giây, arXiv 2025 |
| PESQ một micro, hệ thống cửa sổ chữ nhật: chưa xử lý so với 4 ms so với 2 ms so với 0 ms (dự đoán trước) | 1,44 so với 1,8997 so với 1,84575 so với 1,7138 | Wang và cộng sự (CMU, MERL), IEEE/ACM TASLP 2022 |
| SI-SDR một micro, hệ thống cửa sổ chữ nhật, ở 4 ms so với 0 ms (dự đoán trước) | 2,8341 dB so với -3,6493 dB | Wang và cộng sự (CMU, MERL), IEEE/ACM TASLP 2022 |
| PESQ sáu micro ở 4 ms so với 2 ms (cùng hệ thống hai giai đoạn) | 2,698490 so với 2,47482 | Wang và cộng sự (CMU, MERL), IEEE/ACM TASLP 2022 |
| Thử nghiệm kích thước cửa sổ của DeepFilterNet: điểm mà mặt nạ tỷ lệ phức bắt đầu mất chất lượng | Cửa sổ FFT từ 20 ms trở xuống (deep filtering vẫn ổn định từ 5 đến 30 ms) | Schröter và cộng sự, bài báo DeepFilterNet, ICASSP 2022 |
Ghi chú về giá trị ngoại lai: các mô hình từ 1 ms trở xuống trong nghiên cứu hearables không chạy được theo thời gian thực trên DSP mục tiêu, nên các số liệu đầu cuối của chúng là ước tính của các tác giả.
Tổng Kết: Độ Trễ Khử Nhiễu Nơ-ron và Cô Lập Giọng Nói Bằng AI Qua Các Con Số
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Mô hình hearables Deep FIR chạy thời gian thực trên DSP công suất thấp | 1,25 ms thuật toán, 3,35 ms đầu cuối | Dementyev và cộng sự, arXiv 2025 |
| Quy mô bộ kiểm tra mù ICASSP 2026 URGENT | 840 mẫu, gồm 5 ngôn ngữ chưa từng thấy | Li và cộng sự, bài báo URGENT Challenge ICASSP 2026 |
| Trọng số của RNNoise | 87.503 | Mozilla, bài báo RNNoise, MMSP 2018 |
| Tham số và tính toán của GTCRN | 23,7K; 39,6 MMAC mỗi giây | Rong và cộng sự, GTCRN, ICASSP 2024 |
| Tham số và look-ahead của UL-UNAS | 169k; 0 ms | Rong và cộng sự, UL-UNAS, Neural Networks 2025 |
| PESQ VoiceBank+DEMAND, đầu vào có nhiễu so với DeepFilterNet3 | 1,97 so với 3,17 | Schröter và cộng sự, các bài báo DeepFilterNet2 và DeepFilterNet3 |
| Thời gian p95 của Denoiser v2 mỗi khung 10 ms trên GPU laptop (tuyên bố của nhà cung cấp) | 0,410 ms | NVIDIA, hướng dẫn hiệu năng Maxine AFX SDK |
| MOS của người nghe cho PercepNet so với đầu vào có nhiễu trên VCTK | 4,05 so với 3,40 | Valin và cộng sự, bài báo PercepNet, Interspeech 2020 |
| Kích thước người thắng URGENT 2025 so với mô hình cơ sở | Khoảng 102M so với 8,5M tham số | Saijo và cộng sự, bài báo URGENT 2025 Challenge |
| Hệ thống tạo sinh URGENT 2025: MOS của người nghe so với hạng chung cuộc | 3,69 (cao nhất) so với hạng 13 | Saijo và cộng sự, bài báo URGENT 2025 Challenge |
| Số đội hợp lệ ICASSP 2026 URGENT | 29 | Li và cộng sự, bài báo URGENT Challenge ICASSP 2026 |
| PESQ một micro ở độ trễ 4 ms so với 0 ms | 1,8997 so với 1,7138 | Wang và cộng sự, IEEE/ACM TASLP 2022 |
| Phiên bản ITU-T P.835 mới nhất | P.835 (07/26), có hiệu lực (công bố trước) | Trang Khuyến nghị ITU-T P.835 |
| Phiên bản ITU-T P.808 đang có hiệu lực | P.808 (06/21) | Trang Khuyến nghị ITU-T P.808 |
| Kích thước mô hình RNNoise với trọng số 8 bit | 85 kB | Xiph.Org, trang demo RNNoise 2017 |
| Tốc độ RNNoise trên x86 | Nhanh hơn thời gian thực khoảng 60 lần | Xiph.Org, trang demo RNNoise 2017 |
Phương Pháp Luận và Nguồn
- Microsoft (các bài báo Research và tài liệu Learn): bài báo DNS Challenge ICASSP 2021 (2020), bài báo DNS Challenge Interspeech 2021 (2021), bài báo DNS Challenge ICASSP 2022 (2022), bài báo DNS Challenge ICASSP 2023 (2023), Reddy và cộng sự DNSMOS (2020) và DNSMOS P.835 (2021), cùng trang quản trị cô lập giọng nói của Teams (cập nhật năm 2026).
- ITU-T, Khuyến nghị P.835 và Khuyến nghị P.808, truy cập tháng 10 năm 2026.
- Mozilla, bài báo RNNoise (MMSP 2018) và trang demo RNNoise của Xiph.Org (2017).
- Valin và cộng sự, bài báo PercepNet (Interspeech 2020).
- Schröter và cộng sự, DeepFilterNet (ICASSP 2022), DeepFilterNet2 (2022) và DeepFilterNet3 (Interspeech 2023).
- Rong và cộng sự, GTCRN (ICASSP 2024) và UL-UNAS (Neural Networks 2025).
- Wang và cộng sự (CMU, MERL), STFT-Domain Neural Speech Enhancement with Very Low Algorithmic Latency (IEEE/ACM TASLP 2022).
- Dementyev và cộng sự, Towards Sub-millisecond Latency Real-Time Speech Enhancement Models on Hearables (arXiv v2, tháng 3 năm 2025).
- Saijo và cộng sự, Interspeech 2025 URGENT Challenge (2025) và Li và cộng sự, ICASSP 2026 URGENT Challenge (2026).
- NVIDIA, hướng dẫn hiệu năng Maxine AFX SDK và trang hiệu ứng denoiser (tài liệu của nhà cung cấp, được gắn nhãn là tuyên bố của nhà cung cấp).
- Lưu ý về dữ liệu: phần lớn dữ liệu DNS Challenge thuộc giai đoạn 2020 đến 2023; bài báo ICASSP 2023 là báo cáo DNS Challenge mới nhất chúng tôi tìm thấy, nên đó là dữ liệu mới nhất hiện có cho chuỗi chuẩn đánh giá này. PESQ của RNNoise trên VoiceBank+DEMAND là 2,33 trong bảng của DeepFilterNet2 nhưng là 2,29 trong các bảng của PercepNet và UL-UNAS. GTCRN xuất hiện với 23,7K tham số và 39,6 MMAC trong phần tóm tắt ICASSP 2024, nhưng bài báo UL-UNAS trích dẫn số liệu cập nhật từ kho mã nguồn là 48k tham số và 34 MMAC. DeepFilterNet2 báo cáo RTF 0,04 và DeepFilterNet3 báo cáo RTF 0,19 (đơn luồng) trên cùng một Core i5-8250U, nên thiết lập đa luồng hoặc cách đo khác nhau. Bài báo hearables nêu 0,32 ms trong phần tóm tắt và 0,34 ms trong phần mở đầu cho độ trễ ngắn nhất. Các giá trị từ bài báo độ trễ thấp của CMU và MERL được trích dẫn với độ chính xác như in trong các bảng của nó. Số liệu GPU của nhà cung cấp đến từ một GPU laptop và không phải là cam kết. Các giá trị SIG, BAK và OVRL theo từng đội của các phiên bản DNS 2022 và 2023 chỉ tồn tại dưới dạng biểu đồ, nên chúng tôi không chép lại. Toàn văn ITU-T P.835 (07/26) chưa được công bố. Cập nhật lần cuối: ngày 25 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 kỷ yếu ICASSP 2026 URGENT Challenge và văn bản đã công bố của ITU-T P.835 (07/26) có sẵn.