Tách giọng nói hai người trên benchmark WSJ0-2mix đã cải thiện từ khoảng 6 dB độ lợi tín hiệu với deep clustering năm 2015 lên 25,1 dB SI-SNRi năm 2024 (Hershey và cộng sự, arXiv 2015; SepReformer, NeurIPS 2024), một bước nhảy biến ‘bài toán cocktail party’ từ một thú vui phòng thí nghiệm thành các tính năng máy trợ thính và tai nghe đang được bán ra. Điểm đáng lưu ý là các benchmark sạch làm mô hình trông tốt hơn thực tế: Conv-TasNet tụt từ 15,3 dB trên hỗn hợp sạch xuống 8,3 dB khi thêm nhiễu và tiếng vang (bài báo MossFormer2, arXiv 2312.11825, các bảng so sánh). Phía nhu cầu rất lớn, với 430 triệu người cần phục hồi chức năng do mất thính lực gây tàn tật (tờ thông tin của WHO, tháng 3 năm 2026). Chúng tôi tổng hợp dữ liệu từ các bài báo được bình duyệt trên arXiv, IEEE ICASSP, Interspeech và NeurIPS, các thử thách DNS và NOTSOFAR-1 của Microsoft, Google Research, MERL, WHO, FDA, MarkeTrak 2025, cùng các nhóm nghiên cứu của Đại học Washington và Đại học Columbia. Về phía người dùng cuối của cùng công nghệ này, xem thống kê công cụ tách âm thanh AI của chúng tôi.
Tóm tắt nhanh
- Kết quả hai người nói tốt nhất trên WSJ0-2mix: 25,1 dB SI-SNRi (SepReformer-L với trộn động, NeurIPS 2024; TF-Locoformer L, MERL 2024).
- Deep clustering mang lại mức cải thiện khoảng 6 dB trên hỗn hợp người nói năm 2015 (Hershey và cộng sự, arXiv 1508.04306).
- Conv-TasNet đạt 15,3 dB SI-SNRi với 5,1 M tham số và độ trễ tối thiểu 2 ms (Luo và Mesgarani, IEEE/ACM TASLP 2019).
- SepReformer-B đạt 23,8 dB ở 39,8 GMACs/s so với 23,5 dB ở 460,8 GMACs/s của TF-GridNet (SepReformer, NeurIPS 2024).
- SepFormer cần 35,3 GB bộ nhớ đỉnh khi huấn luyện so với 2,0 GB của SepMamba (S) (bài báo SepMamba, 2024).
- Conv-TasNet đạt 15,3 dB khi sạch, 12,7 dB khi có nhiễu (WHAM!) và 8,3 dB khi có nhiễu cộng tiếng vang (WHAMR!) (bài báo MossFormer2, 2024).
- Tách giọng đã giảm tỷ lệ lỗi từ của LibriCSS ở mức chồng lấn 40% từ 43,3% xuống 21,7% (Chen và cộng sự, Microsoft, 2020).
- Hệ thống đa kênh NOTSOFAR-1 tốt nhất: tcpWER 10,8% so với 28,3% của mức cơ sở (tóm tắt NOTSOFAR-1, 2025).
- Mô hình VoiceFilter-Lite chạy trên thiết bị nặng 2,2 MB cải thiện WER trên giọng nói chồng lấn 25,1% (Google Research, 2020).
- 430 triệu người cần phục hồi chức năng do mất thính lực gây tàn tật, tăng vượt 700 triệu vào năm 2050 (WHO, tháng 3 năm 2026).
- Tỷ lệ sử dụng máy trợ thính của người Mỹ gặp khó khăn về thính giác đạt 51,3%, tăng từ 46,9% năm 2022 (MarkeTrak 2025).
- UW Target Speech Hearing: 21 đối tượng đánh giá giọng đã ghi nhận rõ gần gấp đôi so với âm thanh chưa lọc (Đại học Washington, CHI 2024).
1. Một Thập Kỷ Tiến Bộ Benchmark Trên WSJ0-2mix
Benchmark WSJ0-2mix đã làm cho tách giọng nói điều mà ImageNet đã làm cho thị giác máy tính: một mục tiêu cố định giúp đo lường được tiến bộ của cả một thập kỷ. Điểm hai người nói tốt nhất đã tăng từ khoảng 6 dB cải thiện tín hiệu năm 2015 lên 25,1 dB SI-SNRi năm 2024, và vì thang decibel là logarit, mỗi 3 dB tăng thêm xấp xỉ giảm một nửa năng lượng nhiễu còn lại. Bước nhảy quan trọng nhất diễn ra năm 2018, khi Conv-TasNet từ bỏ mặt nạ phổ và làm việc trực tiếp trên dạng sóng thô. Đây là hệ thống đầu tiên vượt qua các mặt nạ thời gian-tần số lý tưởng, vốn từ lâu được coi là trần thực tế (Conv-TasNet, Luo và Mesgarani).
Kể từ đó đường cong đã phẳng lại. Mức tăng từ 2021 đến 2024 đến theo từng bước khoảng 1 dB, và hai mô hình hàng đầu năm 2024 hòa nhau ở 25,1 dB. Lĩnh vực này về thực chất đã làm bão hòa chính benchmark của mình, đó là lý do các bài báo gần đây cạnh tranh về hiệu quả và độ bền thay vì điểm số (mục 2 và 3).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Deep clustering, hỗn hợp người nói (2015) | Cải thiện khoảng 6 dB | Hershey và cộng sự, Deep Clustering, arXiv 2015 |
| Deep clustering cải tiến, hai người nói (2016) | Cải thiện SDR 10,3 dB (mức cơ sở 6,0 dB) | Isik và cộng sự, arXiv 1607.02173, 2016 |
| Conv-TasNet (2018) | 15,3 dB SI-SNRi, 15,6 dB SDRi | Luo và Mesgarani, IEEE/ACM TASLP 2019 |
| DPRNN (2019) | 18,8 dB SI-SDRi | Luo, Chen và Yoshioka, ICASSP 2020 |
| SepFormer với trộn động (2020) | 22,3 dB SI-SNRi | Subakan và cộng sự, ICASSP 2021 |
| TF-GridNet, không tăng cường dữ liệu (2022) | 23,5 dB SI-SDRi | Bài báo TF-GridNet, arXiv 2211.12433 |
| MossFormer2 (2023) | 24,1 dB SI-SDRi | Bài báo MossFormer2, arXiv 2312.11825 |
| SepReformer-L và TF-Locoformer (L), cả hai với trộn động (2024) | 25,1 dB SI-SNRi | SepReformer, NeurIPS 2024; Saijo và cộng sự, MERL 2024 |
So sánh với mặt nạ lý tưởng là điều khiến Conv-TasNet trở thành cột mốc. Trên cùng tập kiểm tra, mặt nạ nhị phân lý tưởng đạt 13,0 dB SI-SNRi, mặt nạ tỷ lệ lý tưởng 12,2 dB và mặt nạ kiểu bộ lọc Wiener 13,4 dB, tất cả đều dưới mức 15,3 dB của Conv-TasNet. Người nghe cũng đồng ý: đầu ra của Conv-TasNet nhận điểm ý kiến trung bình 4,03 so với 3,51 của mặt nạ tỷ lệ lý tưởng.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Mặt nạ nhị phân lý tưởng (IBM) | 13,0 dB SI-SNRi | Bài báo Conv-TasNet, 2019 |
| Mặt nạ tỷ lệ lý tưởng (IRM) | 12,2 dB SI-SNRi | Bài báo Conv-TasNet, 2019 |
| Mặt nạ kiểu bộ lọc Wiener (WFM) | 13,4 dB SI-SNRi | Bài báo Conv-TasNet, 2019 |
| MOS người nghe: Conv-TasNet so với IRM | 4,03 so với 3,51 | Bài báo Conv-TasNet, 2019 |
| Quy mô WSJ0-2mix | 30 giờ huấn luyện, 10 giờ kiểm định, 5 giờ kiểm tra | Bài báo Conv-TasNet, 2019 |
| Khoảng trộn | SNR ngẫu nhiên từ -5 đến 5 dB | Bài báo Conv-TasNet, 2019 |
Ghi chú bối cảnh: ‘trộn động’ (DM) tạo các hỗn hợp huấn luyện mới ngay khi chạy và cộng thêm khoảng 1 đến 2 dB. SepFormer đạt 22,3 dB với DM và 20,4 dB khi không có, nên khi so sánh giữa các bài báo cần kiểm tra cờ này trước (SepFormer, arXiv 2010.13154). Dữ liệu mới nhất hiện có về các mức cơ sở 2015 đến 2019 đến từ chính các bài báo gốc.
2. Hiệu Quả: Tham Số, Tính Toán, Bộ Nhớ và Độ Trễ
Độ chính xác đã chững lại, nên cuộc đua vũ trang chuyển sang chi phí. SepReformer-B đạt 23,8 dB SI-SNRi với 39,8 GMACs mỗi giây âm thanh, trong khi TF-GridNet cần 460,8 GMACs/s cho 23,5 dB, chênh lệch tính toán hơn mười một lần chỉ để có điểm số nhỉnh hơn một chút (SepReformer, NeurIPS 2024). Số lượng tham số cũng kể một câu chuyện tương tự: DPRNN ngang bằng trình độ tiên tiến nhất năm 2019 với mô hình nhỏ hơn hệ thống tốt nhất trước đó 20 lần.
Bộ nhớ là chi phí ẩn quyết định ai có thể huấn luyện các mô hình này. SepFormer đạt đỉnh 35,3 GB bộ nhớ, so với 2,0 GB của SepMamba (S), vốn vẫn đạt 21,2 dB (SepMamba, Đại học Kỹ thuật Đan Mạch và WS Audiology, 2024). Với bất cứ thứ gì chạy trên điện thoại, tai nghe hay máy trợ thính, sự khác biệt đó quyết định một thiết kế có thể đưa ra thị trường hay không.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| SepReformer-T | 22,4 dB với 3,7 M tham số, 10,4 GMACs/s | SepReformer, NeurIPS 2024 |
| SepReformer-B | 23,8 dB với 14,2 M tham số, 39,8 GMACs/s | SepReformer, NeurIPS 2024 |
| SepReformer-L với DM | 25,1 dB với 55,3 M tham số, 155,5 GMACs/s | SepReformer, NeurIPS 2024 |
| TF-GridNet | 23,5 dB với 14,5 M tham số, 460,8 GMACs/s | SepReformer, NeurIPS 2024 (bảng so sánh) |
| QDPN | 200,0 M tham số | Bài báo TF-GridNet, 2022 |
| MossFormer2 | 55,7 M tham số, hệ số thời gian thực 0,053 | Bài báo MossFormer2, 2023 |
| DPRNN | 2,6 M tham số, nhỏ hơn mức tốt nhất trước đó 20 lần | Luo và cộng sự, ICASSP 2020 |
| Độ trễ tối thiểu của Conv-TasNet | 2 ms (so với cửa sổ STFT 32 ms) | Bài báo Conv-TasNet, 2019 |
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Bộ nhớ đỉnh của SepFormer | 35,30 GB | Bài báo SepMamba, 2024 |
| Bộ nhớ đỉnh của MossFormer2 với DM | 12,30 GB | Bài báo SepMamba, 2024 |
| SepMamba (S) | 21,2 dB, 7,2 M tham số, bộ nhớ đỉnh 2,00 GB | Bài báo SepMamba, 2024 |
| SepMamba (M) | 22,7 dB, 22 M tham số, bộ nhớ đỉnh 3,04 GB | Bài báo SepMamba, 2024 |
| EConv-TasNet (tháng 9 năm 2026) | 18,4 dB với 3,8 M tham số | Liu, Novatek, arXiv 2609.11342 |
| EConv-TasNet so với Conv-TasNet | Nhỏ hơn 22,4%, suy luận nhanh hơn 18,9% | Liu, arXiv 2609.11342 |
Ghi chú về giá trị ngoại lệ: bài báo mới nhất trong bản tổng hợp này, EConv-TasNet của hãng chip Novatek (tháng 9 năm 2026), hoàn toàn không đuổi theo kỷ lục 25 dB. Nó nhắm tới triển khai trên thiết bị biên, cộng thêm 3,1 dB cho Conv-TasNet với ít tham số hơn (EConv-TasNet). Đó là một tín hiệu tốt cho thấy sự quan tâm thương mại đang nằm ở đâu.
3. Độ Bền Trong Thực Tế: Nhiễu, Tiếng Vang và Nhiều Người Nói Hơn
Giọng đọc sạch trong phòng thu, được trộn ở các mức có kiểm soát, không phải là một nhà hàng. Conv-TasNet mất 7 dB khi các hỗn hợp kiểm tra có thêm nhiễu môi trường thật và tiếng vang: 15,3 dB trên WSJ0-2mix, 12,7 dB trên WHAM! và 8,3 dB trên WHAMR! (các bảng so sánh của MossFormer2). WHAM! thêm vào nhiễu được ghi âm tại các quán cà phê, nhà hàng và quán bar ở Vùng Vịnh San Francisco, và các tác giả của nó lưu ý rằng hầu hết các nghiên cứu tách giọng dùng thiết lập hạn chế với tần số lấy mẫu thấp và không có nhiễu nền (WHAM!, Interspeech 2019).
Các mô hình mới hơn thu hẹp phần lớn khoảng cách đó nhưng chưa hết. Các kết quả tốt nhất khi có tiếng vang nằm ở mức 17 đến 18,5 dB, vẫn kém benchmark sạch 6 đến 7 dB. Người nói thứ ba làm mất thêm 1,9 đến 2,8 dB với cùng một mô hình (MossFormer2: 24,1 xuống 22,2 dB; SepFormer: 22,3 xuống 19,5 dB), và các tác giả LibriMix cho thấy các mô hình huấn luyện trên WSJ0-2mix bị giảm hiệu năng đáng kể trên các tập dữ liệu tương tự, đó là lý do LibriMix được xây dựng từ giọng nói LibriSpeech cộng nhiễu WHAM! (LibriMix, Interspeech 2020).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Conv-TasNet: WSJ0-2mix / WHAM! / WHAMR! | 15,3 / 12,7 / 8,3 dB SI-SDRi | Bài báo MossFormer2, 2023 |
| SepFormer: WHAM! / WHAMR! | 16,4 / 14,0 dB | Bài báo MossFormer2, 2023 |
| MossFormer2: WHAM! / WHAMR! | 18,1 / 17,0 dB | Bài báo MossFormer2, 2023 |
| SepReformer-L với DM: WHAM! / WHAMR! | 18,5 / 17,2 dB | SepReformer, NeurIPS 2024 |
| TF-Locoformer (M): WHAMR! | 18,5 dB | Saijo và cộng sự, MERL 2024 |
| TF-GridNet, SMS-WSJ 6 kênh (toàn bộ quy trình) | 22,8 dB SI-SDR, PESQ 4,08 | Bài báo TF-GridNet, 2022 |
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Ba người nói, Conv-TasNet (WSJ0-3mix) | 12,7 dB SI-SNRi | Bài báo Conv-TasNet, 2019 |
| Ba người nói, SepFormer (WSJ0-3mix) | 19,5 dB SI-SNRi | Bài báo SepFormer, 2020 |
| Ba người nói, MossFormer2 (WSJ0-3mix) | 22,2 dB SI-SDRi | Bài báo MossFormer2, 2023 |
| Ba người nói, deep clustering cải tiến (2016) | Cải thiện SDR 7,1 dB | Isik và cộng sự, 2016 |
| Libri2Mix: Conv-TasNet / SepFormer / MossFormer2 | 14,7 / 19,2 / 21,7 dB | Bài báo MossFormer2, 2023 |
| Libri2Mix: SepReformer-M / TF-Locoformer (M) | 22,1 / 22,1 dB | SepReformer, 2024; Saijo và cộng sự, 2024 |
Lưu ý: bản thân benchmark có một khiếm khuyết. Một nghiên cứu năm 2025 được chấp nhận tại IEEE ASRU phát hiện rằng nhiễu trong các tín hiệu tham chiếu của WSJ0-2mix giới hạn mức SI-SDR có thể đạt được và SI-SDR có tương quan nghịch với mức độ ồn cảm nhận được trên các tập kiểm tra (Jepsen và cộng sự, arXiv 2508.14623). Một phần của decibel cuối cùng của ‘tiến bộ’ có thể chỉ là do các mô hình học cách tái tạo các tham chiếu có nhiễu.
4. Tách Giọng Cho Cuộc Họp và Nhận Dạng Giọng Nói
Với việc chép lời, từ ngữ quan trọng hơn decibel. Trên bộ dữ liệu LibriCSS của Microsoft, chạy tách giọng trước khi nhận dạng đã giảm tỷ lệ lỗi từ ở mức chồng lấn người nói 40% từ 43,3% xuống 21,7%, trong khi hầu như không thay đổi kết quả trên âm thanh không chồng lấn (11,8% xuống 8,4%) (Chen và cộng sự, Continuous Speech Separation, 2020). Chính các tác giả này cảnh báo rằng các chỉ số ở cấp tín hiệu chỉ tương quan yếu với độ chính xác ASR hoặc chất lượng cảm nhận, đó là lý do các benchmark cuộc họp chấm điểm theo từ chứ không theo SI-SNR. Thống kê trợ lý họp AI của chúng tôi cho thấy thị trường phụ thuộc vào độ chính xác này đang tăng nhanh đến mức nào.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Quy mô LibriCSS | 10 giờ, 10 phiên, chồng lấn 0% đến 40% | Chen và cộng sự, Microsoft, 2020 |
| WER ở mức chồng lấn 10%: không tách so với có tách | 18,8% so với 11,6% | Chen và cộng sự, 2020 (theo từng câu, 7 kênh) |
| WER ở mức chồng lấn 20% | 27,2% so với 15,8% | Chen và cộng sự, 2020 |
| WER ở mức chồng lấn 30% | 35,6% so với 18,7% | Chen và cộng sự, 2020 |
| WER ở mức chồng lấn 40% | 43,3% so với 21,7% | Chen và cộng sự, 2020 |
| WER ở mức chồng lấn 40%, đầu vào liên tục | 40,5% so với 21,9% | Chen và cộng sự, 2020 |
| ASR dùng deep clustering trên hỗn hợp hai người nói | WER giảm từ 89,1% xuống 30,8% | Isik và cộng sự, 2016 |
Các cuộc họp thật khó hơn các cuộc họp mô phỏng. Thử thách NOTSOFAR-1 của Microsoft, được tổ chức trong CHiME-8, đã ghi âm các cuộc họp có 4 đến 8 người tham gia tại 30 phòng. Hệ thống một kênh chiến thắng vẫn nhận sai 22,2% số từ (tcpWER có ràng buộc thời gian), so với 10,8% của hệ thống đa kênh tốt nhất (tóm tắt NOTSOFAR-1, arXiv 2501.17304). Dàn micro vẫn là đòn bẩy lớn nhất, và các nhà tổ chức nhận thấy tách nguồn có hướng dẫn vẫn là kỹ thuật tách chiếm ưu thế trong các quy trình chiến thắng.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Các cuộc họp được ghi âm của NOTSOFAR-1 | 315 cuộc họp tiếng Anh riêng biệt, 30 phòng, 4-8 người tham gia | Tóm tắt NOTSOFAR-1, 2025 |
| Dữ liệu huấn luyện mô phỏng | Khoảng 1.000 giờ, 15.000 hàm truyền âm học thực | Tóm tắt NOTSOFAR-1, 2025 |
| Một kênh: tốt nhất so với mức cơ sở, tcpWER | 22,2% so với 41,4% | Tóm tắt NOTSOFAR-1, 2025 |
| Đa kênh: tốt nhất so với mức cơ sở, tcpWER | 10,8% so với 28,3% | Tóm tắt NOTSOFAR-1, 2025 |
| Số bài nộp: nhánh một kênh / đa kênh | 9 / 5 | Tóm tắt NOTSOFAR-1, 2025 |
| Kích thước mô hình VoiceFilter-Lite trên thiết bị | 2,2 MB (đã lượng tử hóa) | Google Research, tháng 11 năm 2020 |
| Cải thiện WER của VoiceFilter-Lite, giọng nói chồng lấn | 25,1% (14,7% khi có tiếng vang) | Google Research, tháng 11 năm 2020 |
Ghi chú bối cảnh: các kết quả VoiceFilter-Lite của Google (2020) là các số liệu công khai trên thiết bị mới nhất hiện có từ một nền tảng lớn. Các hệ thống được phát hành kể từ đó hiếm khi công bố benchmark ở cấp độ từ.
5. Những Điều Đang Bị Đặt Cược Với Sức Khỏe Thính Giác
Bài toán cocktail party không phải là chuyện học thuật đối với những người đang sống chung với nó. WHO ước tính 430 triệu người, hơn 5% dân số thế giới, cần phục hồi chức năng do mất thính lực gây tàn tật, và dự báo hơn 700 triệu vào năm 2050 (tờ thông tin của WHO về điếc và mất thính lực, tháng 3 năm 2026). Chỉ khuếch đại âm thanh sẽ làm to tất cả người nói trong một căn phòng đông người cùng một lúc, đó là lý do tách giọng dựa trên DNN nay là tính năng nổi bật của máy trợ thính cao cấp. Thống kê máy trợ thính của chúng tôi đề cập đến chính thị trường thiết bị.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Số người cần phục hồi chức năng do mất thính lực gây tàn tật | 430 triệu (hơn 5% dân số thế giới) | Tờ thông tin của WHO, tháng 3 năm 2026 |
| Trẻ em bị mất thính lực gây tàn tật | 34 triệu | Tờ thông tin của WHO, tháng 3 năm 2026 |
| Số người bị mất thính lực ở một mức nào đó vào năm 2050 | Gần 2,5 tỷ | Tờ thông tin của WHO, tháng 3 năm 2026 |
| Số người cần phục hồi chức năng vào năm 2050 | Hơn 700 triệu (1 trên 10 người) | Tờ thông tin của WHO, tháng 3 năm 2026 |
| Mất thính lực gây tàn tật ở người trên 60 tuổi | Hơn 25% | Tờ thông tin của WHO, tháng 3 năm 2026 |
| Chi phí toàn cầu hàng năm của mất thính lực không được giải quyết | Gần 1 nghìn tỷ USD | Tờ thông tin của WHO, tháng 3 năm 2026 |
| Tỷ lệ sống tại các nước thu nhập thấp và trung bình | Gần 80% | Tờ thông tin của WHO, tháng 3 năm 2026 |
Mức độ chấp nhận đang tăng. MarkeTrak 2025, dựa trên khảo sát 16.148 hộ gia đình và 42.982 cá nhân tại Mỹ vào tháng 10 và tháng 11 năm 2024, cho thấy tỷ lệ sử dụng máy trợ thính ở những người tự báo cáo gặp khó khăn về thính giác đạt 51,3%, tăng từ 46,9% năm 2022, với mức hài lòng chung về thiết bị là 83% (MarkeTrak 2025, Seminars in Hearing). Tai nghe nhét tai dành cho người dùng phổ thông cũng đang bước vào hạng mục này: vào tháng 9 năm 2024, FDA đã cấp phép phần mềm máy trợ thính bán không cần kê đơn đầu tiên, Tính năng Máy trợ thính của Apple trên AirPods Pro (thông cáo báo chí của FDA).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Tỷ lệ sử dụng máy trợ thính tại Mỹ, người gặp khó khăn về thính giác | 51,3% (46,9% năm 2022) | MarkeTrak 2025 |
| Tự báo cáo khó khăn về thính giác, Mỹ | 9,1% | MarkeTrak 2025 |
| Mức hài lòng của chủ sở hữu máy trợ thính | 83% | MarkeTrak 2025 |
| Nghiên cứu lâm sàng của FDA về phần mềm máy trợ thính bán không cần kê đơn | 118 đối tượng, mất thính lực nhẹ đến vừa | FDA, ngày 12 tháng 9 năm 2024 |
| Phonak Spheric Speech Clarity 2.0 (DNN) | Cải thiện SNR 10,2 dB trong các tình huống thực tế | Bài viết chuyên gia trên AudiologyOnline, 2026 |
| Phonak Spheric Speech Clarity 2.0 | Giảm tới 37% nỗ lực nghe, hiệu quả hơn 30% | Bài viết chuyên gia trên AudiologyOnline, 2026 |
| Nghiên cứu của Mayo Clinic và Sonova, giảm nhiễu DNN ở SNR 10 dB | +23 và +32 điểm phần trăm nhận dạng giọng nói | Audiology Research, 2024 |
| Cùng nghiên cứu, lợi ích SNR trong chương trình tiếng ồn lớn | 4,8 đến 5,0 dB | Audiology Research, 2024 |
Lưu ý: các tuyên bố về SNR của nhà sản xuất đến từ các thử nghiệm do chính nhà cung cấp thực hiện, và nghiên cứu độc lập của Mayo Clinic và Sonova chỉ có 10 người tham gia. Các số liệu của Phonak được đưa lại qua một buổi hỏi đáp chuyên gia của AudiologyOnline, không phải một bài báo được bình duyệt.
6. Biên Giới Mới: Chọn Giọng Nói Cần Nghe
Tách mọi giọng nói mới chỉ là một nửa vấn đề; thiết bị còn phải biết người nghe muốn nghe giọng nào. Nguyên mẫu Target Speech Hearing của Đại học Washington ghi nhận một người nói sau khi người đeo nhìn họ trong 3 đến 5 giây, và 21 đối tượng thử nghiệm đánh giá độ rõ của giọng đó cao gần gấp đôi so với âm thanh chưa lọc (UW News, tháng 5 năm 2024). Một nghiên cứu tiếp nối vào tháng 12 năm 2025 bỏ bước nhìn: ‘trợ lý thính giác chủ động’ của nó phát hiện đối tượng trò chuyện từ nhịp luân phiên lượt nói trong 2 đến 4 giây âm thanh (UW News, tháng 12 năm 2025).
Các tín hiệu khác cũng đang được thử nghiệm. Mô hình Looking to Listen năm 2018 của Google dùng chuyển động môi, được huấn luyện trên các đoạn clip lấy từ 100.000 video YouTube (blog Google Research). Cách tiếp cận điều khiển bằng não của Đại học Columbia so sánh các giọng đã tách với tín hiệu thần kinh: phiên bản 2019 được thử trên ba bệnh nhân phẫu thuật thần kinh (Science Advances, 2019), và một nghiên cứu Nature Neuroscience tháng 5 năm 2026 báo cáo các thử nghiệm đầu tiên trên người của một hệ thống thời gian thực (Viện Zuckerman của Columbia qua EurekAlert). Việc đăng ký giọng cá nhân hóa cũng là tiêu chuẩn trong truyền thông: Deep Noise Suppression Challenge lần thứ năm của Microsoft yêu cầu các mô hình triệt tiếng người nói xung quanh bằng một đoạn đăng ký dài 10 đến 30 giây (ICASSP 2023 DNS Challenge). Chính việc làm sạch có nhận biết người nói này giúp cuộc trò chuyện thoại trên Discord vẫn dễ nghe khi bạn cùng phòng đang nói chuyện ở nền.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| UW Target Speech Hearing: thời gian đăng ký | 3 đến 5 giây nhìn vào người nói | Đại học Washington, CHI 2024 |
| UW Target Speech Hearing: đối tượng và đánh giá độ rõ | 21 đối tượng, rõ gần gấp 2 lần so với chưa lọc | Đại học Washington, CHI 2024 |
| UW Target Speech Hearing: dung sai hướng | Biên sai số 16 độ | Đại học Washington, 2024 |
| Trợ lý thính giác chủ động của UW: âm thanh cần thiết | 2 đến 4 giây | Đại học Washington, EMNLP 2025 |
| Trợ lý thính giác chủ động của UW: đối tượng trò chuyện và người thử | 1 đến 4 đối tượng; 11 người tham gia đánh giá thuận lợi hơn hơn 2 lần | Đại học Washington, tháng 12 năm 2025 |
| Trợ lý thính giác chủ động của UW: ngôn ngữ huấn luyện | Tiếng Anh, tiếng Quan Thoại, tiếng Nhật | Đại học Washington, tháng 12 năm 2025 |
| Google Looking to Listen: nguồn huấn luyện | 100.000 video, khoảng 2.000 giờ clip sạch | Blog Google Research, tháng 4 năm 2018 |
| Thính giác điều khiển bằng não của Columbia (2019) | 3 bệnh nhân phẫu thuật thần kinh | Han và cộng sự, Science Advances, 2019 |
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Lần tổ chức DNS Challenge tại ICASSP 2023 | Lần thứ 5 | Dubey và cộng sự, Microsoft, 2023 |
| Định dạng âm thanh DNS 2023 | Toàn băng tần 48 kHz | Dubey và cộng sự, 2023 |
| Đoạn đăng ký DNS 2023 | 10 đến 30 giây của người nói chính | Dubey và cộng sự, 2023 |
| Mức tăng điểm của đội thắng DNS 2023 so với đầu vào có nhiễu | 0,145 (tai nghe) và 0,141 (loa ngoài) | Dubey và cộng sự, 2023 |
| TF-Locoformer (M) trên bài nâng cao chất lượng DNS 2020 | 23,3 dB SI-SNR, STOI 98,8, PESQ-WB 3,72 | Saijo và cộng sự, MERL 2024 |
Ghi chú về giá trị ngoại lệ: nhóm UW cho biết hệ thống chủ động gặp khó khăn nhất khi các cuộc trò chuyện trở nên sôi động, với những người tham gia nói chồng lên nhau, đúng là tình huống cocktail party. Sự quan tâm đến tai nghe chống ồn mang lại cho các tính năng này một nền tảng phần cứng sẵn có.
Tổng kết: Tách Giọng Nói và Bài Toán Cocktail Party Qua Các Con Số
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Điểm WSJ0-2mix tốt nhất | 25,1 dB SI-SNRi | SepReformer-L, NeurIPS 2024; TF-Locoformer (L), MERL 2024 |
| Deep clustering, 2015 | Cải thiện khoảng 6 dB | Hershey và cộng sự, 2015 |
| Conv-TasNet, 2018 | 15,3 dB SI-SNRi, 5,1 M tham số | Luo và Mesgarani, 2019 |
| SepFormer có / không có trộn động | 22,3 / 20,4 dB | SepFormer, 2021; TF-GridNet, 2022 |
| MossFormer2 | 24,1 dB, 55,7 M tham số | MossFormer2, 2023 |
| Độ trễ tối thiểu của Conv-TasNet | 2 ms | Bài báo Conv-TasNet, 2019 |
| Tính toán của TF-GridNet so với SepReformer-B | 460,8 so với 39,8 GMACs/s | SepReformer, NeurIPS 2024 |
| Bộ nhớ đỉnh của SepFormer so với SepMamba (S) | 35,3 GB so với 2,0 GB | SepMamba, 2024 |
| Conv-TasNet sạch / có nhiễu / có tiếng vang | 15,3 / 12,7 / 8,3 dB | MossFormer2, 2023 |
| WHAMR! tốt nhất (có nhiễu, có tiếng vang) | 18,5 dB | TF-Locoformer (M), MERL 2024 |
| WSJ0-3mix, MossFormer2 | 22,2 dB | MossFormer2, 2023 |
| WER LibriCSS ở mức chồng lấn 40%, không tách so với có tách | 43,3% so với 21,7% | Microsoft, Chen và cộng sự, 2020 |
| tcpWER đa kênh tốt nhất của NOTSOFAR-1 | 10,8% (mức cơ sở 28,3%) | Tóm tắt NOTSOFAR-1, 2025 |
| tcpWER một kênh tốt nhất của NOTSOFAR-1 | 22,2% (mức cơ sở 41,4%) | Tóm tắt NOTSOFAR-1, 2025 |
| Cải thiện WER của VoiceFilter-Lite trên giọng nói chồng lấn | 25,1% ở 2,2 MB | Google Research, 2020 |
| Số người cần phục hồi chức năng thính giác | 430 triệu, hơn 700 triệu vào năm 2050 | WHO, tháng 3 năm 2026 |
| Tỷ lệ sử dụng máy trợ thính tại Mỹ ở người gặp khó khăn | 51,3% | MarkeTrak 2025 |
| Cải thiện SNR bằng DNN của Phonak | 10,2 dB | AudiologyOnline, 2026 |
| Đăng ký giọng của UW Target Speech Hearing | 3 đến 5 giây, 21 đối tượng | Đại học Washington, 2024 |
| Mô hình thiết bị biên EConv-TasNet | 18,4 dB với 3,8 M tham số | Novatek, tháng 9 năm 2026 |
Phương Pháp Luận và Nguồn
Mọi con số benchmark ở trên đều được lấy từ bài báo đã công bố nó, hoặc từ bảng so sánh của một bài báo sau đó khi có ghi chú. Chúng tôi loại trừ các số liệu chỉ xuất hiện trong đoạn trích tìm kiếm, bản tóm tắt thứ cấp hoặc tiếp thị của nhà cung cấp mà chúng tôi không thể mở được. Các trang tổng hợp bảng xếp hạng chỉ được dùng để kiểm tra rằng chưa có kết quả WSJ0-2mix nào cao hơn được công bố.
- Hershey, Chen, Le Roux, Watanabe: Deep Clustering, arXiv 1508.04306 (2015)
- Isik, Le Roux, Chen, Watanabe, Hershey: Single-Channel Multi-Speaker Separation using Deep Clustering (2016)
- Luo và Mesgarani: Conv-TasNet, IEEE/ACM TASLP (2019); các bảng toàn văn được đọc qua ar5iv
- Luo, Chen, Yoshioka: Dual-path RNN, ICASSP 2020
- Subakan và cộng sự: Attention Is All You Need in Speech Separation (SepFormer), ICASSP 2021
- TF-GridNet: Integrating Full- and Sub-Band Modeling for Speech Separation (2022)
- MossFormer2 (tháng 12 năm 2023)
- Separate and Reconstruct: Asymmetric Encoder-Decoder for Speech Separation (SepReformer), NeurIPS 2024
- Saijo, Wichern, Germain, Pan, Le Roux (MERL): TF-Locoformer (2024)
- Avenstrup và cộng sự (DTU, WS Audiology): SepMamba (2024)
- Liu (Novatek): EConv-TasNet (tháng 9 năm 2026)
- Wichern và cộng sự: WHAM!, Interspeech 2019
- Cosentino và cộng sự: LibriMix, Interspeech 2020
- Jepsen, Christensen, Jensen: SI-SDR với tham chiếu có nhiễu, IEEE ASRU 2025
- Chen và cộng sự (Microsoft): Continuous Speech Separation: Dataset and Analysis (LibriCSS) (2020)
- Abramovski và cộng sự (Microsoft): Summary of the NOTSOFAR-1 Challenge (2025); Cornell và cộng sự: CHiME-8 DASR Challenge (2024)
- Google Research: VoiceFilter-Lite (2020) và Looking to Listen (2018)
- Dubey và cộng sự (Microsoft): ICASSP 2023 Deep Noise Suppression Challenge
- WHO: Tờ thông tin về điếc và mất thính lực (tháng 3 năm 2026)
- Dobyan và Kihm: MarkeTrak 2025, Seminars in Hearing
- FDA: lần cấp phép đầu tiên cho phần mềm máy trợ thính bán không cần kê đơn (tháng 9 năm 2024)
- Saoji và cộng sự (Mayo Clinic, Sonova): DNN noise reduction and cochlear implant candidacy, Audiology Research 2024
- AudiologyOnline: How has AI evolved with Phonak Infinio devices?
- Đại học Washington: Target Speech Hearing (2024) và trợ lý thính giác chủ động (2025)
- Đại học Columbia: Han và cộng sự, Science Advances (2019) và thông cáo về nghiên cứu Nature Neuroscience qua EurekAlert (tháng 5 năm 2026)
- Lưu ý về dữ liệu: Các bài báo không thống nhất về con số mức cơ sở. QDPN được ghi 22,1 dB trong bài báo TF-GridNet nhưng 23,6 dB trong bài báo MossFormer2; Conv-TasNet trên Libri2Mix xuất hiện với 14,7 dB (MossFormer2) và 12,1 dB (EConv-TasNet); khối lượng tính toán của SepFormer được báo cáo là 86,9 GMACs/s (SepReformer) và 257,94 GMACs/s (SepMamba), còn số tham số là 25,7 M hoặc 26,0 M. Các bài báo khác nhau dùng độ dài đầu vào, tần số lấy mẫu và công cụ đếm khác nhau, vì vậy hãy so sánh các con số trong cùng một bảng, không so sánh giữa các bảng. SI-SNRi và SI-SDRi được dùng thay thế cho nhau trong tài liệu này; các con số deep clustering năm 2015 và 2016 dùng mức cải thiện SDR thuần và không thể so sánh trực tiếp với các điểm SI-SNRi sau này. Phần tóm tắt của NOTSOFAR-1 nêu 280 cuộc họp được ghi âm, trong khi nội dung bài báo mô tả 315 cuộc họp riêng biệt được chia vào các tập huấn luyện, phát triển và đánh giá. Không tìm thấy ước tính quy mô thị trường công khai đáng tin cậy riêng cho tách giọng nói, nên chúng tôi không đưa vào. Các số liệu của Conv-TasNet, deep clustering, Looking to Listen và VoiceFilter-Lite đã cũ hơn ba năm và được hiển thị dưới dạng dữ liệu mới nhất hiện có. Thông cáo năm 2026 của Columbia không đưa ra kết quả định lượng; chúng tôi chỉ trích dẫn vì sự tồn tại và nơi công bố của nó.
Cập nhật lần cuối: ngày 3 tháng 10 năm 2026. Chúng tôi cập nhật bản tổng hợp này hàng quý, và đợt làm mới tiếp theo dự kiến diễn ra khi các bài báo được chấp nhận tại ICASSP 2027 và kết quả thử thách CHiME kế tiếp được công bố.