Một mô hình tăng cường tiếng nói được cố ý xây dựng để khai thác PESQ đạt 3,82 trên tập kiểm tra VoiceBank-DEMAND, cao hơn mức 3,69 mà hệ thống hợp lệ tốt nhất trong bài tổng hợp này báo cáo, trong khi điểm POLQA của nó sụp xuống 1,46 so với 3,11 của đầu vào có nhiễu còn nguyên vẹn (de Oliveira và cộng sự, bài báo PESQetarian, Interspeech 2024). Cuộc đua hợp lệ cũng có thật: PESQ trên cùng chuẩn đánh giá đã tăng từ 2,16 của SEGAN năm 2017 lên 3,61 của PrimeK-Net năm 2025. Thế nhưng STOI, chỉ số độ dễ hiểu thường được in cạnh PESQ, chỉ đạt tương quan trung bình 0,62 với độ dễ hiểu đo được trên 13 bộ dữ liệu nghe (Edraki và cộng sự, IEEE/ACM TASLP 2020). Chúng tôi tổng hợp dữ liệu từ ITU-T, các bài báo bình duyệt tại Interspeech, ICASSP, IEEE SLT và WASPAA, IEEE/ACM Transactions on Audio, Speech, and Language Processing, Microsoft Deep Noise Suppression (DNS) Challenge, cùng các báo cáo của thử thách URGENT và CCF AATC. Về độ trễ và khía cạnh sản phẩm của chính những mô hình này, hãy xem thống kê độ trễ khử nhiễu bằng mạng nơ-ron của chúng tôi; trang này nói về bản thân các điểm số và mức độ đáng tin của chúng.
Tóm tắt nhanh
- PESQ trên VoiceBank-DEMAND tăng từ 2,16 (SEGAN, 2017) lên 3,41 (CMGAN, 2022) (Cao và cộng sự, bài báo CMGAN, Interspeech 2022).
- SEMamba đạt PESQ 3,55, và 3,69 khi bổ sung kéo giãn tương phản theo nhận thức (Chao và cộng sự, IEEE SLT 2024).
- PrimeK-Net báo cáo PESQ 3,61 chỉ với 1,41 triệu tham số (bài báo PrimeK-Net, ICASSP 2025).
- PESQetarian đạt PESQ 3,82 với SI-SDR là -19,8 dB, so với 8,4 dB của đầu vào có nhiễu (de Oliveira và cộng sự, Interspeech 2024).
- STOI đạt hệ số tương quan Pearson trung bình 0,62 với độ dễ hiểu đo được trên 13 bộ dữ liệu, eSTOI là 0,88 (Edraki và cộng sự, IEEE/ACM TASLP 2020).
- Tương quan chất lượng tiếng nói của DNSMOS P.835 giảm từ 0,94 theo mô hình xuống 0,71 theo đoạn (Reddy và cộng sự, Microsoft, bài báo DNSMOS P.835 2021).
- Chênh lệch khái quát hóa ESTOI của Conv-TasNet trên kho ngữ liệu tiếng nói chưa từng thấy là -68% so với mô hình tham chiếu tương ứng (Gonzalez và cộng sự, IEEE/ACM TASLP 2023).
- PESQ của ROSE-CD giảm từ 3,49 trong miền xuống 2,62 ngoài miền (Xu và cộng sự, WASPAA 2025).
- Các chỉ số không cần tham chiếu cho tương quan thứ hạng -0,8 với MOS của người nghe đối với các hệ thống lai (Zhang và cộng sự, hồi cứu CCF AATC 2025).
- ITU-T đã xóa PESQ (P.862) vào ngày 5 tháng 1 năm 2024 (trang khuyến nghị ITU-T P.862).
1. Cuộc Đua PESQ Trên VoiceBank-DEMAND, 2017 Đến 2025
PESQ (đánh giá cảm nhận chất lượng tiếng nói) so sánh một bản ghi đã được tăng cường với bản gốc sạch của nó và dự đoán điểm mà một người nghe sẽ chấm. VoiceBank-DEMAND, một tập kiểm tra tiếng Anh nhỏ gồm các câu đọc được trộn với tiếng ồn đời thường đã ghi âm, đã trở thành nơi mặc định để báo cáo chỉ số này. PESQ đã tăng từ 2,16 của SEGAN năm 2017 lên 3,69 của SEMamba với kéo giãn tương phản theo nhận thức năm 2024, và nhịp độ tăng tự nó đã nói lên nhiều điều.
Từ SEGAN (2,16) đến MetricGAN+ (3,15), lĩnh vực này thêm được 0,99 điểm PESQ trong bốn năm. Từ CMGAN (3,41, 2022) đến PrimeK-Net (3,61, 2025), mức thêm là 0,20 trong ba năm (phép trừ của chúng tôi từ các số liệu đã công bố). Chuẩn đánh giá này đã gần bão hòa, nên mức cải thiện còn lại nhỏ đến mức các kỹ thuật bổ sung và huấn luyện có tính đến chỉ số có thể quyết định bảng xếp hạng (xem mục 5). Nguồn: bài báo CMGAN, bài báo SEMamba, bài báo PrimeK-Net.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| PESQ: tập kiểm tra có nhiễu chưa xử lý so với SEGAN, một bộ tăng cường dựa trên GAN (2017) | 1,97 so với 2,16 | Cao và cộng sự, bài báo CMGAN, Interspeech 2022 |
| PESQ của MetricGAN+ (2021) và mức cải thiện so với MetricGAN | 3,15; khoảng +0,3 | Bài báo MetricGAN+, Interspeech 2021 |
| PESQ của CMGAN (2022) | 3,41 | Cao và cộng sự, bài báo CMGAN, Interspeech 2022 |
| PESQ của MP-SENet, khử nhiễu song song trên biên độ và pha (2023) | 3,50 | Bài báo MP-SENet, Interspeech 2023 |
| PESQ của SEMamba, phi nhân quả: không dùng so với có dùng kéo giãn tương phản theo nhận thức | 3,55 so với 3,69 | Chao và cộng sự, bài báo SEMamba, IEEE SLT 2024 |
| PESQ của PrimeK-Net (2025) và kích thước mô hình | 3,61; 1,41 triệu tham số | Bài báo PrimeK-Net, ICASSP 2025 |
Ghi chú ngữ cảnh: đây là các con số do chính từng bài báo báo cáo trên cùng một tập kiểm tra công khai, không phải kết quả của một lần chạy lại độc lập cho mọi hệ thống.
2. Chuẩn Đánh Giá Thực Sự Đo Lường Điều Gì
Bảng xếp hạng dựa trên một nền tảng hẹp. Tập kiểm tra VoiceBank-DEMAND có 824 câu nói từ chỉ 2 người nói chưa từng thấy, được trộn với 5 loại tiếng ồn ở các tỷ số tín hiệu trên nhiễu (SNR, mức tiếng nói to hơn tiếng ồn bao nhiêu) khá nhẹ, từ 2,5 đến 17,5 dB. Không có đoạn kiểm tra nào được trộn dưới 2,5 dB, nên đầu khó nhất của các cuộc gọi thực tế đơn giản là không được lấy mẫu.
Độ dễ hiểu gần như không còn dư địa. Đầu vào có nhiễu đã đạt 0,91 theo STOI (độ dễ hiểu khách quan trong thời gian ngắn, một công cụ dự đoán người nghe sẽ hiểu được bao nhiêu phần tiếng nói), còn CMGAN đạt 0,96. Trong khi đó, kích thước mô hình giảm hơn một bậc độ lớn: SEGAN dùng 97,47 triệu tham số, CMGAN dùng 1,83 triệu. Các chuẩn đánh giá có nhiều người nói chồng lấn hoạt động khác, như thống kê tách tiếng nói của chúng tôi cho thấy. Nguồn: bài báo CMGAN, các mục bộ dữ liệu và kết quả.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Tập huấn luyện: kích thước và điều kiện nhiễu | 11.572 câu nói từ 28 người nói; 8 loại nhiễu DEMAND cộng 2 loại nhiễu nhân tạo, ở các mức SNR 0, 5, 10 và 15 dB | Cao và cộng sự, bài báo CMGAN, Interspeech 2022 |
| Tập kiểm tra: kích thước và điều kiện nhiễu | 824 câu nói từ 2 người nói chưa từng thấy; 5 loại nhiễu DEMAND chưa từng thấy, ở các mức SNR 2,5, 7,5, 12,5 và 17,5 dB | Cao và cộng sự, bài báo CMGAN, Interspeech 2022 |
| STOI: đầu vào có nhiễu so với đầu ra của CMGAN | 0,91 so với 0,96 | Cao và cộng sự, bài báo CMGAN, Interspeech 2022 |
| Điểm tổng hợp tín hiệu tiếng nói (CSIG) và điểm tổng thể (COVL): đầu vào có nhiễu so với đầu ra của CMGAN | 3,35 và 2,63 so với 4,63 và 4,12 | Cao và cộng sự, bài báo CMGAN, Interspeech 2022 |
| Kích thước mô hình: SEGAN so với DEMUCS so với CMGAN | 97,47 triệu so với 128 triệu so với 1,83 triệu tham số | Cao và cộng sự, bài báo CMGAN, Interspeech 2022 |
Ghi chú ngữ cảnh: CSIG và COVL là các thước đo tổng hợp được xây dựng từ nhiều chỉ số khách quan để dự đoán điểm chấm của người nghe đối với tín hiệu tiếng nói và chất lượng tổng thể. Chúng thừa hưởng những điểm mù của các chỉ số mà chúng kết hợp.
3. Các Chỉ Số Chất Lượng Có Khớp Với Người Nghe Không?
Câu trả lời phụ thuộc vào việc có lấy trung bình hay không. Tương quan ở đây được đo bằng PCC (tương quan Pearson, mức khớp về giá trị), SRCC (tương quan thứ hạng Spearman, mức khớp về thứ tự) hoặc KRCC (tương quan thứ hạng Kendall, một phép kiểm tra thứ tự khác); 1,0 là khớp hoàn hảo. DNSMOS P.835, một mạng nơ-ron dự đoán điểm chấm của người nghe mà không cần bản tham chiếu sạch, đạt PCC 0,94 với điểm chấm tiếng nói của người nghe khi lấy trung bình theo mô hình, nhưng chỉ 0,71 trên từng đoạn riêng lẻ.
Phía con người cũng nhiễu. Hai đợt chấm điểm P.808 riêng biệt trên cùng các đoạn chỉ đồng thuận ở mức PCC khoảng 0,5 theo từng đoạn, nên MOS của một đoạn đơn lẻ (điểm ý kiến trung bình, trung bình các điểm chấm của người nghe) tự nó đã là một con số thô. Đó là thêm một lý do để so sánh các hệ thống chứ không phải từng tệp, và xem một lần đảo thứ hạng trên bảng xếp hạng là bằng chứng yếu. Sự thận trọng theo từng đoạn tương tự cũng áp dụng cho giọng tổng hợp, được đề cập trong thống kê MOS độ tự nhiên của tiếng nói tổng hợp của chúng tôi. Nguồn: bài báo DNSMOS P.835, bài báo DNSMOS, bài báo ICASSP 2022 DNS Challenge, bài báo NISQA.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Điểm tiếng nói DNSMOS P.835 (SIG) và điểm chấm của người nghe: PCC theo mô hình so với theo đoạn | 0,94 so với 0,71 | Reddy và cộng sự, Microsoft, bài báo DNSMOS P.835 2021 |
| Điểm nhiễu nền DNSMOS P.835 (BAK) và điểm chấm của người nghe: PCC theo mô hình so với theo đoạn | 0,98 so với 0,83 | Reddy và cộng sự, Microsoft, bài báo DNSMOS P.835 2021 |
| Mức đồng thuận giữa hai đợt chấm điểm P.808 riêng biệt của con người trên cùng các đoạn (PCC theo đoạn) | khoảng 0,5 | Reddy và cộng sự, Microsoft, bài báo DNSMOS 2020 |
| DNSMOS P.835 và điểm chấm của người nghe trong ICASSP 2022 DNS Challenge Track 1, điểm tiếng nói: PCC so với SRCC | 0,93 so với 0,78 | Microsoft, bài báo ICASSP 2022 DNS Challenge |
| Tương quan thứ hạng (SRCC) của DNSMOS gốc giữa các hạng mục của tập kiểm tra mù DNS Challenge 2: mô hình một giai đoạn so với nhiều giai đoạn | 0,65 so với 0,90 | Reddy và cộng sự, Microsoft, bài báo DNSMOS 2020 |
| NISQA, một công cụ dự đoán chất lượng bằng mạng nơ-ron khác: các tệp tiếng nói huấn luyện và kiểm định mới, và các bộ dữ liệu dùng để huấn luyện và đánh giá | hơn 13.000 tệp; 81 bộ dữ liệu | Mittag và cộng sự, bài báo NISQA, Interspeech 2021 |
| URGENT 2024: KRCC giữa điểm xếp hạng tổng thể của thử thách và thứ hạng MOS của người nghe | 0,73 | Zhang, Saijo và cộng sự, bài báo bài học URGENT 2024, Interspeech 2025 |
Ghi chú ngữ cảnh: DNSMOS P.835 được huấn luyện trên khoảng 30.000 đoạn đã chấm điểm (75 giờ), còn DNSMOS gốc trên khoảng 120.000 đoạn. Tương quan theo mô hình được tính với 5 điểm chấm mỗi đoạn, còn phân tích ở mức đoạn dùng 30 điểm chấm mỗi đoạn, nên hai con số trong mỗi hàng không đến từ cùng một thiết lập.
4. Các Chỉ Số Độ Dễ Hiểu: STOI Và Những Người Kế Nhiệm
STOI được xây dựng để trả lời một câu hỏi hẹp hơn PESQ: không phải tiếng nói nghe dễ chịu đến đâu, mà là còn bao nhiêu từ sống sót. Trên 13 bộ dữ liệu nghe, STOI đạt hệ số tương quan Pearson trung bình 0,62 với độ dễ hiểu đo được, trong khi phiên bản mở rộng eSTOI đạt trung bình 0,88. Trên một bộ dữ liệu về tiếng nói trong nhiễu dao động mạnh, tương quan của STOI là số âm (-0,77): chỉ số này di chuyển sai hướng.
Cách đọc thực tế là STOI hoạt động tốt nhất với nhiễu ổn định và phép che theo thời gian-tần số mà nó được thiết kế xoay quanh, và kém nhất với tiếng nói trong nhiễu điều biến dạng bùng phát, kiểu do những người nói cạnh tranh và các căn phòng đông người tạo ra. Dữ liệu mới nhất hiện có: Edraki và cộng sự, IEEE/ACM TASLP 2020. Nguồn: Edraki và cộng sự trên PubMed Central, Taal và cộng sự, IEEE TASLP 2011.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Độ dài đoạn phân tích của STOI | 386 ms | Taal và cộng sự, IEEE TASLP 2011 |
| Kiểm chứng STOI trong bài báo gốc | 3 thí nghiệm nghe; tương quan tốt hơn 5 mô hình độ dễ hiểu tham chiếu | Taal và cộng sự, IEEE TASLP 2011 |
| Tương quan Pearson trung bình với độ dễ hiểu đo được trên 13 bộ dữ liệu, sau ánh xạ logistic: lần lượt STOI, eSTOI, HASPI và wSTMI | 0,62 / 0,88 / 0,82 / 0,93 | Edraki và cộng sự, IEEE/ACM TASLP 2020 |
| Tương quan thứ hạng Spearman trung bình trên cùng 13 bộ dữ liệu: STOI so với eSTOI | 0,59 so với 0,82 | Edraki và cộng sự, IEEE/ACM TASLP 2020 |
| Tương quan Pearson của STOI trên bộ dữ liệu tiếng nói trong nhiễu điều biến (ModN-Fogerty) | -0,77 | Edraki và cộng sự, IEEE/ACM TASLP 2020 |
| Tương quan Pearson của STOI trên bộ dữ liệu tăng cường nghe ở đầu gần (NELE-Taal) | 0,90 | Edraki và cộng sự, IEEE/ACM TASLP 2020 |
| Số lượt trích dẫn bài báo STOI gốc | 2.265 | Bản ghi OpenAlex, truy cập ngày 31 tháng 10 năm 2026 |
Ghi chú về ngoại lệ: wSTMI, chỉ số hoạt động tốt nhất, được huấn luyện và kiểm định trên hai trong số 13 bộ dữ liệu, nên giá trị trung bình của nó không hoàn toàn nằm ngoài tập huấn luyện. HASPI là chỉ số được thiết kế có tính đến người nghe bị suy giảm thính lực, còn eSTOI bỏ giả định của STOI rằng các dải tần là độc lập với nhau.
5. Định Luật Goodhart: Khi PESQ Không Còn Đo Chất Lượng
Định luật Goodhart nói rằng một thước đo khi trở thành mục tiêu sẽ không còn là thước đo tốt. Lĩnh vực tăng cường tiếng nói giờ đã có dữ liệu để chứng minh điều đó. PESQetarian, một mô hình được huấn luyện để tối đa hóa PESQ, đạt 3,82 trên VoiceBank-DEMAND trong khi SI-SDR của nó (tỷ số tín hiệu trên méo bất biến theo tỷ lệ, dạng sóng gần bản gốc sạch đến mức nào) rơi xuống -19,8 dB, thấp hơn rất nhiều so với 8,4 dB của đầu vào có nhiễu chưa xử lý.
Hiệu ứng này không giới hạn ở một bài báo. Một mô hình khuếch tán một bước năm 2025 được huấn luyện với hàm mất mát PESQ đạt PESQ 3,99 nhưng chỉ có SI-SDR 0,40 dB, trong khi phiên bản cân bằng của các tác giả đạt PESQ 3,49 và SI-SDR 17,8 dB. Ngay cả các kỹ thuật hợp lệ cũng làm con số dịch chuyển: kéo giãn tương phản theo nhận thức, kỹ thuật tăng cường độ tương phản của các đặc trưng mục tiêu theo mức độ quan trọng về nhận thức, đã thêm 0,14 PESQ cho SEMamba (3,55 lên 3,69, phép trừ của chúng tôi). Bài học cho người mua và người đánh giá rất đơn giản: một kỷ lục PESQ không có bài kiểm tra nghe tương ứng là dấu hiệu cảnh báo, không phải tiêu đề đáng khoe. Nguồn: bài báo PESQetarian, bài báo ROSE-CD.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| PESQ: lần lượt đầu vào có nhiễu, mô hình thuần huấn luyện bằng MSE và PESQetarian | 1,97 / 2,78 / 3,82 | de Oliveira và cộng sự, bài báo PESQetarian, Interspeech 2024 |
| POLQA (chỉ số kế nhiệm PESQ của ITU-T): lần lượt đầu vào có nhiễu, mô hình MSE và PESQetarian | 3,11 / 3,87 / 1,46 | de Oliveira và cộng sự, bài báo PESQetarian, Interspeech 2024 |
| Điểm tổng thể DNSMOS: lần lượt đầu vào có nhiễu, mô hình MSE và PESQetarian | 2,69 / 3,13 / 2,06 | de Oliveira và cộng sự, bài báo PESQetarian, Interspeech 2024 |
| PESQ sau khi thêm một tiếng tách cố định vào mọi tệp kiểm tra có nhiễu, không khử nhiễu | 3,46 | de Oliveira và cộng sự, bài báo PESQetarian, Interspeech 2024 |
| Tối ưu hóa trực tiếp trên sáu tệp: PESQ trước và sau, và POLQA trước và sau | 1,91 lên 3,76; 3,46 xuống 2,73 | de Oliveira và cộng sự, bài báo PESQetarian, Interspeech 2024 |
| ROSE-CD huấn luyện với hàm mất mát PESQ so với ROSE-CD cuối cùng: PESQ, SI-SDR và WV-MOS (công cụ dự đoán điểm người nghe bằng mạng nơ-ron) | 3,99, 0,40 dB, 2,31 so với 3,49, 17,8 dB, 4,41 | Xu và cộng sự, bài báo ROSE-CD, WASPAA 2025 |
| Mức tăng PESQ nhờ kéo giãn tương phản theo nhận thức trên SEMamba | +0,14 (3,55 lên 3,69) | Chao và cộng sự, bài báo SEMamba, IEEE SLT 2024 |
Ghi chú ngữ cảnh: bài kiểm tra nghe PESQetarian dùng 10 chuyên gia âm thanh chấm 10 mẫu kiểm tra ngẫu nhiên trên thang điểm từ 0 đến 100, và bài báo chỉ trình bày kết quả theo từng hệ thống dưới dạng một hình. PESQetarian là một phép thử áp lực có chủ đích, không phải một sản phẩm.
6. Từ Chuẩn Đánh Giá Đến Bản Ghi Âm Thực Tế: Khoảng Cách Khái Quát Hóa
Một mô hình thắng trên 2 người nói kiểm tra chưa chứng minh được rằng nó xử lý được người nói của bạn. Một nghiên cứu năm 2023 đã huấn luyện 40 mô hình cho mỗi kiến trúc trên năm cơ sở dữ liệu tiếng nói, năm cơ sở dữ liệu tiếng ồn và năm cơ sở dữ liệu âm học phòng, rồi đo từng mô hình so với một mô hình tham chiếu được huấn luyện ngay trên điều kiện kiểm tra. Khi tiếng nói kiểm tra đến từ một kho ngữ liệu chưa từng thấy, Conv-TasNet cho thấy chênh lệch khái quát hóa ESTOI là -68% so với mô hình tham chiếu đó, và sự lệch về tiếng nói gây hại nhiều hơn sự lệch về tiếng ồn hay về phòng đối với mọi mô hình.
Phát hiện đáng khích lệ là khái quát hóa theo tiếng ồn có thể giải quyết bằng dữ liệu: huấn luyện trên bốn cơ sở dữ liệu tiếng ồn giữ chênh lệch cải thiện SNR ở mức -5% hoặc tốt hơn. Một bài kiểm tra ngoài miền trong bài báo năm 2025 cho thấy các mô hình sinh mới hơn cũng bị tụt lại. Nguồn: Gonzalez và cộng sự, bài báo về chênh lệch khái quát hóa, bài báo ROSE-CD, bài báo ICASSP 2021 DNS Challenge.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Chênh lệch khái quát hóa ESTOI khi lệch kho ngữ liệu tiếng nói, Conv-TasNet huấn luyện trên 1 cơ sở dữ liệu tiếng nói | -68% | Gonzalez và cộng sự, IEEE/ACM TASLP 2023 |
| Chênh lệch khái quát hóa PESQ khi lệch kho ngữ liệu tiếng nói: MANNER huấn luyện trên 1 cơ sở dữ liệu so với Conv-TasNet huấn luyện trên 4 | -50% so với -35% | Gonzalez và cộng sự, IEEE/ACM TASLP 2023 |
| Chênh lệch cải thiện SNR khi lệch tiếng ồn với 4 cơ sở dữ liệu tiếng ồn huấn luyện (Conv-TasNet, DCCRN, MANNER) | -5% hoặc tốt hơn | Gonzalez và cộng sự, IEEE/ACM TASLP 2023 |
| Lệch âm học phòng với 1 cơ sở dữ liệu huấn luyện: chênh lệch PESQ của mạng truyền thẳng so với chênh lệch ESTOI của Conv-TasNet | -10% so với -17% | Gonzalez và cộng sự, IEEE/ACM TASLP 2023 |
| PESQ của ROSE-CD trên VoiceBank-DEMAND so với trên TIMIT+NOISE92 ngoài miền | 3,49 so với 2,62 | Xu và cộng sự, bài báo ROSE-CD, WASPAA 2025 |
| PESQ của SGMSE+ (mô hình khuếch tán) trên VoiceBank-DEMAND so với trên TIMIT+NOISE92 ngoài miền | 2,93 so với 2,08 | Xu và cộng sự, bài báo ROSE-CD, WASPAA 2025 |
| Bài kiểm tra mù ICASSP 2021 DNS Challenge Track 1: bản ghi thực so với đoạn tổng hợp | 650 thực so với 50 tổng hợp (700 đoạn) | Microsoft, bài báo ICASSP 2021 DNS Challenge |
Ghi chú ngữ cảnh: chênh lệch khái quát hóa được đo so với một mô hình tham chiếu được huấn luyện trên điều kiện kiểm tra, nên đây là một con số tương đối, không phải mức giảm tuyệt đối của điểm ESTOI hay PESQ. Ngược lại, các mức giảm thô của ROSE-CD và SGMSE+ lẫn lộn dữ liệu chưa từng thấy với độ khó của nhiệm vụ, hai hiệu ứng mà phương pháp mô hình tham chiếu được thiết kế để tách ra. Ban tổ chức DNS xây dựng bài kiểm tra mù chủ yếu từ các bản ghi thực và đánh giá bằng người nghe, đồng thời lưu ý rằng các thước đo khách quan như PESQ, SDR và POLQA đã được chứng minh là không tương quan tốt với chất lượng chủ quan khi có tiếng ồn nền.
7. Các Thử Thách Và Tiêu Chuẩn Đang Thay Đổi Việc Đánh Giá Như Thế Nào
Câu trả lời hiện nay cho việc lách chỉ số là một bảng điểm rộng hơn. Tại URGENT 2024, đội xếp thứ nhất theo DNSMOS (3,26) chỉ xếp thứ 18 theo MOS của người nghe (3,05), với độ chính xác từ chỉ 40,73%, trong khi đội dẫn đầu kết hợp MOS 3,52 với độ chính xác từ 73,57%. Độ chính xác từ ở đây là số từ mà một bộ nhận dạng tiếng nói vẫn nhận đúng sau khi tăng cường, một phép kiểm tra trực tiếp rằng mô hình không bịa ra hay xóa mất tiếng nói; thống kê ảo giác của nhận dạng tiếng nói của chúng tôi đề cập lỗi này từ phía bộ nhận dạng.
Các bộ tăng cường lai và sinh làm vấn đề thêm sắc nét. Một thử thách khôi phục tiếng nói năm 2025 đo được tương quan thứ hạng -0,8 giữa các chỉ số không cần tham chiếu được dùng rộng rãi và MOS của người nghe đối với các hệ thống lai, nghĩa là thứ hạng theo chỉ số phần lớn đi ngược với thứ hạng của con người. Các tổ chức tiêu chuẩn cũng đã thay đổi: PESQ không còn là một khuyến nghị của ITU-T. Nguồn: hồi cứu CCF AATC 2025, tổng quan URGENT 2025, tổng quan URGENT ICASSP 2026, trang ITU-T P.862, trang ITU-T P.863.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Bài kiểm tra mù URGENT 2024 và tập con nghe | 500 bản ghi mô phỏng cộng 500 bản ghi thực; tập con MOS 300 mẫu, 8 người nghe mỗi mẫu; 21 đội | Zhang, Saijo và cộng sự, bài báo bài học URGENT 2024, Interspeech 2025 |
| Dữ liệu huấn luyện URGENT 2024 có băng thông khai báo và băng thông thực tế không khớp | khoảng 25% của LibriTTS; khoảng 100% của DNS5 LibriVox và CommonVoice 11.0 | Zhang, Saijo và cộng sự, bài báo bài học URGENT 2024, Interspeech 2025 |
| CCF AATC 2025: tương quan thứ hạng giữa các chỉ số không cần tham chiếu và MOS của người nghe đối với các hệ thống lai | -0,8 (25 hệ thống được phân tích trong thử thách) | Zhang và cộng sự, hồi cứu CCF AATC 2025, arXiv 2025 |
| Bộ đánh giá URGENT 2025 | 14 chỉ số trong 5 nhóm; 7 loại méo; 5 ngôn ngữ huấn luyện | Saijo và cộng sự, tổng quan URGENT 2025, Interspeech 2025 |
| Dữ liệu huấn luyện ICASSP 2026 URGENT Track 1 | tập con được chọn lọc 700 giờ từ bộ URGENT 2025 gồm 2.500 giờ | Tổng quan ICASSP 2026 URGENT Challenge |
| Tình trạng của PESQ tại ITU-T | P.862 và các phần P.862.1 đến P.862.3 đã bị xóa vào ngày 5 tháng 1 năm 2024 | Trang khuyến nghị ITU-T P.862 |
| Tình trạng của POLQA tại ITU-T | P.863 (tháng 3 năm 2018) đang có hiệu lực, kèm Bản sửa đổi 1 (tháng 4 năm 2020) | Trang khuyến nghị ITU-T P.863 |
Ghi chú ngữ cảnh: URGENT 2024 cũng đánh dấu khoảng 2.000 nhãn tiếng nói trong các kho ngữ liệu huấn luyện ‘chất lượng cao’ của mình có giá trị WADA-SNR âm, một ước lượng SNR mù, nên nhiễu nhãn nằm ngay trong các bản tham chiếu sạch mà các chỉ số xâm lấn như PESQ dùng để so sánh.
Tổng kết: Các Chuẩn Đánh Giá PESQ Và STOI Cho Tăng Cường Tiếng Nói Qua Các Con Số
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| PESQ VoiceBank-DEMAND: SEGAN (2017) so với CMGAN (2022) | 2,16 so với 3,41 | Cao và cộng sự, bài báo CMGAN, Interspeech 2022 |
| PESQ VoiceBank-DEMAND: SEMamba không dùng so với có dùng kéo giãn tương phản theo nhận thức | 3,55 so với 3,69 | Chao và cộng sự, IEEE SLT 2024 |
| PESQ VoiceBank-DEMAND và kích thước của PrimeK-Net | 3,61; 1,41 triệu tham số | Bài báo PrimeK-Net, ICASSP 2025 |
| STOI: đầu vào có nhiễu so với đầu ra của CMGAN | 0,91 so với 0,96 | Cao và cộng sự, bài báo CMGAN, Interspeech 2022 |
| PESQetarian: PESQ, SI-SDR và POLQA (đầu vào có nhiễu trong ngoặc) | 3,82, -19,8 dB, 1,46 (1,97, 8,4 dB, 3,11) | de Oliveira và cộng sự, Interspeech 2024 |
| Biến thể ROSE-CD dùng hàm mất mát PESQ: PESQ so với SI-SDR | 3,99 so với 0,40 dB | Xu và cộng sự, WASPAA 2025 |
| Tương quan của STOI với độ dễ hiểu đo được: trung bình trên 13 bộ dữ liệu (trung bình eSTOI trong ngoặc) so với bộ dữ liệu nhiễu điều biến | 0,62 (0,88) so với -0,77 | Edraki và cộng sự, IEEE/ACM TASLP 2020 |
| PCC điểm tiếng nói DNSMOS P.835: theo mô hình so với theo đoạn | 0,94 so với 0,71 | Reddy và cộng sự, Microsoft, bài báo DNSMOS P.835 2021 |
| Chênh lệch khái quát hóa ESTOI với kho ngữ liệu tiếng nói chưa từng thấy (Conv-TasNet) | -68% | Gonzalez và cộng sự, IEEE/ACM TASLP 2023 |
| Chênh lệch khái quát hóa PESQ với kho ngữ liệu tiếng nói chưa từng thấy (MANNER, 1 cơ sở dữ liệu huấn luyện) | -50% | Gonzalez và cộng sự, IEEE/ACM TASLP 2023 |
| PESQ của ROSE-CD trong miền so với ngoài miền | 3,49 so với 2,62 | Xu và cộng sự, WASPAA 2025 |
| URGENT 2024: thứ hạng DNSMOS so với thứ hạng MOS của người nghe của cùng một đội | thứ 1 so với thứ 18 | Zhang, Saijo và cộng sự, Interspeech 2025 |
| PESQ sau khi thêm một tiếng tách cố định vào mọi tệp kiểm tra có nhiễu, không khử nhiễu | 3,46 | de Oliveira và cộng sự, Interspeech 2024 |
| Chỉ số không cần tham chiếu so với MOS của người nghe đối với các hệ thống lai (tương quan thứ hạng) | -0,8 | Zhang và cộng sự, hồi cứu CCF AATC 2025 |
| PESQ bị ITU-T xóa | ngày 5 tháng 1 năm 2024 | Trang khuyến nghị ITU-T P.862 |
Phương pháp luận và Nguồn
- ITU-T, trang khuyến nghị P.862 (PESQ), tình trạng cập nhật ngày 9 tháng 1 năm 2024, và trang khuyến nghị P.863 (POLQA), truy cập tháng 10 năm 2026.
- Taal và cộng sự, An Algorithm for Intelligibility Prediction of Time-Frequency Weighted Noisy Speech, IEEE TASLP 2011 (phần tóm tắt được đọc qua bản ghi OpenAlex; số lượt trích dẫn lấy từ OpenAlex).
- Edraki, Chan, Jensen và Fogerty, Speech Intelligibility Prediction using Spectro-Temporal Modulation Analysis, IEEE/ACM TASLP 2020.
- Cao, Abdulatif và Yang, CMGAN: Conformer-based Metric GAN for Speech Enhancement, Interspeech 2022 (nguồn của các số liệu SEGAN, DEMUCS và bộ dữ liệu).
- MetricGAN+, Interspeech 2021; MP-SENet, Interspeech 2023; Chao và cộng sự, SEMamba, IEEE SLT 2024; PrimeK-Net, ICASSP 2025.
- de Oliveira, Welker, Richter và Gerkmann, The PESQetarian: On the Relevance of Goodhart’s Law for Speech Enhancement, Interspeech 2024.
- Xu, Yan và Kleijn, Robust One-step Speech Enhancement via Consistency Distillation (ROSE-CD), WASPAA 2025.
- Gonzalez, Alstrøm và May, Assessing the Generalization Gap of Learning-Based Speech Enhancement Systems, IEEE/ACM TASLP 2023.
- Các bài báo nghiên cứu của Microsoft: Reddy, Gopal và Cutler, DNSMOS (2020) và DNSMOS P.835 (2021); các bài báo ICASSP 2021 DNS Challenge và ICASSP 2022 DNS Challenge.
- Mittag, Naderi, Chehadi và Möller, NISQA, Interspeech 2021.
- Zhang, Saijo và cộng sự, Lessons Learned from the URGENT 2024 Speech Enhancement Challenge, Interspeech 2025; Saijo và cộng sự, Interspeech 2025 URGENT Challenge; tổng quan ICASSP 2026 URGENT Challenge (2026).
- Zhang, Zhu, Xu, Bu, Ling và Wu, The CCF AATC 2025 Speech Restoration Challenge: A Retrospective, arXiv 2025.
- Lưu ý về dữ liệu: các điểm VoiceBank-DEMAND ở đây là số liệu do chính từng bài báo báo cáo, và số liệu của cùng một hệ thống có thể khác nhau giữa các bài báo (MetricGAN+ là 3,15 trong bài báo của chính nó và 3,13 trong bảng của ROSE-CD). Bài báo ROSE-CD tự mâu thuẫn: bảng kết quả của nó cho mô hình cuối cùng PESQ 3,49, trong khi phần kết luận nêu 3,99, con số khớp với biến thể chỉ dùng hàm mất mát PESQ; chúng tôi báo cáo 3,49 là của mô hình cuối cùng. Số lượt trích dẫn bài báo STOI khác nhau tùy nguồn (2.265 trên OpenAlex, 2.499 trên Semantic Scholar, cả hai đều đọc ngày 31 tháng 10 năm 2026). Các tương quan của chỉ số độ dễ hiểu đến từ một nghiên cứu năm 2020 và là phép so sánh đa bộ dữ liệu mới nhất mà chúng tôi tìm được. ITU-T đã công bố một phiên bản mới của P.835, phương pháp kiểm tra nghe đứng sau DNSMOS P.835, vào tháng 7 năm 2026, và bài báo ICASSP 2026 URGENT chưa in các tương quan của công cụ dự đoán chất lượng trong phần văn bản.
Cập nhật lần cuối: ngày 31 tháng 10 năm 2026. Chúng tôi cập nhật bài tổng hợp này hàng quý, và lần cập nhật tiếp theo dự kiến diễn ra khi kỷ yếu ICASSP 2026 URGENT Challenge công bố các tương quan của công cụ dự đoán chất lượng thuộc Track 2.