Whisper large-v2, một mô hình nhận dạng giọng nói được dùng rộng rãi, mắc 36,4% lỗi từ trên âm thanh cuộc họp được thu bởi một micro ở xa, so với 16,9% trên chính các cuộc họp đó khi thu qua micro tai nghe (OpenAI, bài báo Whisper 2022). Khoảng cách này bắt đầu ngay từ khâu thu âm: trong một nghiên cứu trên 30 người, micro tích hợp của laptop ở khoảng 60 cm ghi giọng nói thấp hơn 12,82 dB so với micro tai nghe ở 15 đến 20 cm (Busquet và cs., Behavior Research Methods 2023). Và nó không chỉ dừng ở mặt kỹ thuật: 600 người nghe chấm một ứng viên được nghe qua âm thanh micro kém, nghe mỏng, 68,50 trên 100 điểm về khả năng được tuyển dụng, so với 76,04 cho bản ghi rõ ràng (Walter-Terrill và cs., PNAS 2025). Chúng tôi tổng hợp dữ liệu từ Amazon, Yale University, các thử thách REVERB và CHiME, Ear and Hearing, một nghiên cứu cuộc họp của năm tổ chức, ITU-T và Zoom, cùng hai khảo sát của nhà cung cấp được ghi rõ là như vậy. Về thị trường phần cứng, hãy xem thống kê thị trường webcam của chúng tôi; trang này nói về tác động của micro lên giọng nói.
Tóm tắt nhanh
- Tỷ lệ lỗi từ của Whisper large-v2 trên các cuộc họp AMI: 16,9% với micro tai nghe riêng lẻ so với 36,4% với một micro ở xa (OpenAI, bài báo Whisper 2022).
- Micro tích hợp của laptop ở khoảng 60 cm thu giọng nói ở mức 46,91 dB, so với 59,73 dB của micro tai nghe ở 15 đến 20 cm (Busquet và cs., Behavior Research Methods 2023).
- Trên các bản ghi tiệc tối DiPCo của Amazon, WER ở khoảng cách gần là 42,10% so với 77,52% với các dàn micro trường xa (Van Segbroeck và cs., DiPCo 2019).
- Các cuộc họp tiếng Quan Thoại AliMeeting: 9,9% lỗi ký tự trên âm thanh tai nghe so với 49,0% trên âm thanh dàn micro trường xa (Yu và cs., M2MeT 2022).
- Khả năng được tuyển dụng giảm từ 76,04 xuống 68,50 trên 100 khi cùng một giọng nói nghe như qua micro kém, trong khi độ chính xác phiên âm không đổi (98,09% so với 98,07%) (Walter-Terrill và cs., PNAS 2025).
- Âm thanh chất lượng thấp đạt MOS ViSQOL là 2,13 so với 4,68 của chất lượng trung bình, và làm giảm điểm đánh giá khả năng có việc làm (Schütze và cs., Forum Acusticum 2026).
- Tiếng ồn nền làm chậm phản hồi của người nghe trung bình 91 ms, một thước đo nỗ lực nghe (Picou và cs., Ear and Hearing 2016).
- Người trưởng thành cấy ốc tai điện tử đạt khoảng 60% hiệu quả nghe thông thường trong các cuộc hội thoại trực tuyến chỉ có âm thanh, tăng lên khoảng 80% khi có phụ đề (Perea Pérez và cs., Ear and Hearing 2025).
- Chỉ 30% người lao động tri thức dùng tai nghe chuyên dụng cho công việc và 8% coi đó là thiết bị chính (Jabra 2023 Knowledge Worker Study, khảo sát của nhà cung cấp).
1. Khoảng Cách Micro và Mức Giọng Nói Thu Được
Micro webcam hay laptop là micro trường xa (far-field): nó nằm cách miệng khoảng một sải tay hoặc xa hơn, nên thu cả căn phòng cùng với giọng nói. Micro tai nghe là micro đặt sát miệng (close-talk), cách môi vài centimet. Phép so sánh đo đạc sạch nhất đến từ một nghiên cứu năm 2023 thu cùng những người nói trên nhiều thiết bị. Micro tích hợp của laptop ở khoảng 60 cm thu giọng nói ở mức 46,91 dB, trong khi micro tai nghe ở 15 đến 20 cm thu được 59,73 dB, chênh lệch 12,82 dB (59,73 trừ 46,91) (Busquet, Efthymiou và Hildebrand, Behavior Research Methods 2023).
Có hai chi tiết đáng chú ý với người mua. Thứ nhất, ngay cả micro phòng thu ở cùng khoảng cách 60 cm cũng thu tốt hơn laptop 10,76 dB (57,67 trừ 46,91), nên micro tích hợp thua thiệt cả về khoảng cách lẫn phần cứng. Thứ hai, laptop và micro phòng thu đo cao độ giọng nói trung bình gần như giống hệt nhau, nghĩa là micro ở xa không làm thay đổi việc bạn nghe giống ai; nó thay đổi lượng giọng của bạn đến được phía bên kia so với tiếng phòng. Một thử nghiệm riêng trên các bản ghi làm việc nhóm cho thấy nửa còn lại của câu chuyện: với sáu micro khác nhau, tất cả đặt cách người nói 5 feet (khoảng 1,5 m), việc chọn mẫu micro hầu như không làm dịch chuyển tỷ lệ lỗi (Bradford và cs., EDM 2022).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Mức giọng nói, micro tích hợp của laptop ở khoảng 60 cm so với micro tai nghe ở 15 đến 20 cm | 46,91 dB so với 59,73 dB | Busquet và cs., Behavior Research Methods 2023 |
| Mức giọng nói, micro phòng thu ở khoảng 60 cm so với micro cài áo (có kẹp) ở 15 đến 20 cm | 57,67 dB so với 63,68 dB | Busquet và cs., Behavior Research Methods 2023 |
| Cao độ giọng nói trung bình do micro laptop so với micro phòng thu đo được | 168,42 Hz so với 169,31 Hz (t = -0,89, p = 0,99) | Busquet và cs., Behavior Research Methods 2023 |
| Quy mô của nghiên cứu so sánh thiết bị | 30 người tham gia, 1.800 mẫu giọng nói | Busquet và cs., Behavior Research Methods 2023 |
| Tỷ lệ lỗi từ, sáu micro cách người nói 5 feet, đọc to kịch bản | 10,7% đến 12,0% | Bradford và cs., EDM 2022 |
| Tỷ lệ lỗi từ, cũng sáu micro đó, hội thoại nhóm tự do | 52,7% đến 61,3% | Bradford và cs., EDM 2022 |
| Khoảng cách từ mỗi người nói đến các dàn micro trường xa trong bản ghi DiPCo | 1.120 mm đến 3.950 mm | Van Segbroeck và cs., DiPCo 2019 |
| Khoảng cách từ micro đến người nói trong các phòng họp AliMeeting | 0,3 đến 5,0 m | Yu và cs., M2MeT 2022 |
Ghi chú bối cảnh: các giá trị decibel trong nghiên cứu đó là số đo biên độ từ các bản ghi, không phải mức áp suất âm đã hiệu chuẩn, nên khoảng chênh 12,82 dB so sánh các thiết bị trong cùng một thiết lập chứ không dự đoán chất lượng của bất kỳ webcam nào. Dữ liệu mới nhất hiện có cho phép so sánh EDM: 2022.
2. Lỗi Nhận Dạng Giọng Nói: Micro Sát Miệng và Trường Xa
Nhận dạng giọng nói là người nghe đo lường được nhất, và nó nói cùng một điều trong mọi bộ dữ liệu: đưa micro ra xa thì lỗi tăng gấp đôi hoặc hơn. Whisper large-v2 tăng từ 16,9% WER (tỷ lệ lỗi từ, tức phần từ bị phiên âm sai) trên các cuộc họp AMI thu bằng micro tai nghe riêng lẻ lên 36,4% trên chính các cuộc họp đó khi thu từ một micro ở xa, cao hơn khoảng 2,2 lần (36,4 chia 16,9) (Radford và cs., bài báo OpenAI Whisper 2022). Một mô hình wav2vec 2.0 cũ hơn cho thấy cùng xu hướng, 37,0% so với 67,6%.
Quy luật này đúng cả trong nhà và ở các ngôn ngữ khác. Bộ dữ liệu DiPCo của Amazon thu bốn người quanh bàn ăn bằng tai nghe và năm dàn micro trường xa cùng lúc: thiết lập đánh giá tốt nhất đạt WER 42,10% ở khoảng cách gần và 77,52% ở trường xa, cao hơn khoảng 1,8 lần (77,52 chia 42,10) (Van Segbroeck và cs., DiPCo 2019). Trong các cuộc họp tiếng Quan Thoại, khoảng cách còn dốc hơn, 9,9% so với 49,0% CER (tỷ lệ lỗi ký tự, tương đương WER của tiếng Quan Thoại), khoảng 5 lần (49,0 chia 9,9) (Yu và cs., M2MeT 2022). Huấn luyện bằng âm thanh trường xa thu hẹp con số này còn 8,2% so với 33,3% nhưng không xóa được khoảng cách. Các phòng có dàn micro trên trần có dữ liệu riêng, được trình bày trong thống kê micro định hướng chùm tia cho phòng họp của chúng tôi.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| WER của Whisper large-v2, các cuộc họp AMI: micro tai nghe riêng lẻ so với một micro ở xa | 16,9% so với 36,4% | Radford và cs., bài báo OpenAI Whisper 2022 |
| WER của wav2vec 2.0 Large (không có mô hình ngôn ngữ), AMI: micro tai nghe so với một micro ở xa | 37,0% so với 67,6% | Radford và cs., bài báo OpenAI Whisper 2022 |
| WER trên bản ghi thực tế REVERB, hệ thống tám micro tốt nhất | 9,0% | Kinoshita và cs., tóm tắt thử thách REVERB 2016 |
| WER đánh giá DiPCo, tai nghe sát miệng so với dàn micro trường xa (mô hình ngôn ngữ tốt nhất) | 42,10% so với 77,52% | Van Segbroeck và cs., DiPCo 2019 |
| CER của AliMeeting, mô hình huấn luyện trên âm thanh tai nghe: kiểm tra bằng tai nghe so với kiểm tra trường xa | 9,9% so với 49,0% | Yu và cs., M2MeT 2022 |
| CER của AliMeeting, mô hình bổ sung dữ liệu trường xa, dữ liệu ngoài và dữ liệu mô phỏng: tai nghe so với trường xa | 8,2% so với 33,3% | Yu và cs., M2MeT 2022 |
| WER trên bản ghi thực tế REVERB: mức tham chiếu sạch/tai nghe so với mốc cơ sở trường xa | 6,9% so với 49,2% | Kinoshita và cs., tóm tắt thử thách REVERB 2016 |
| WER mốc cơ sở chính thức của CHiME-6 trên các dàn micro trường xa, tập phát triển so với tập đánh giá | 51,8% so với 51,3% | Watanabe và cs., thử thách CHiME-6 2020 |
Dữ liệu mới nhất hiện có: bài báo Whisper (2022) vẫn là phép so sánh song song công khai lớn nhất giữa WER của tai nghe và micro ở xa trên cùng các cuộc họp; các mô hình mới hơn chưa công bố phép phân tách tai nghe so với micro ở xa trên AMI theo cùng định dạng. Bài báo mốc cơ sở CHiME-6 chỉ cho phép dùng các dàn micro trường xa khi kiểm tra, đó là lý do không có cột micro sát miệng.
3. Phòng, Tiếng Ồn và Nỗ Lực Nghe
Khoảng cách quan trọng vì thứ lấp đầy khoảng trống đó: các phản xạ và tiếng ồn. Một phòng khách điển hình cần 0,3 đến 0,7 s để đáp ứng suy giảm 60 dB (thời gian vang), theo một bài tổng quan về nhận dạng trường xa (Haeb-Umbach và cs., Far-Field Automatic Speech Recognition 2020). Micro tai nghe đặt gần miệng nghe được phần đuôi này ít hơn nhiều so với micro webcam đặt trên màn hình.
Với người nghe là con người, bằng chứng chia thành hai nửa theo cách hữu ích. Trong một nghiên cứu Ear and Hearing có kiểm soát, tiếng ồn nền làm chậm phản hồi trung bình 91 ms (thước đo nỗ lực nghe của nghiên cứu), trong khi tiếng vang không làm thay đổi đáng kể nỗ lực nghe, dù mỗi bước tăng của tiếng vang làm giảm khả năng nhận biết từ khoảng 8 RAU (đơn vị arcsin hợp lý hóa, một điểm phần trăm đúng đã được biến đổi) (Picou, Gordon và Ricketts, Ear and Hearing 2016). Nói cách khác, tiếng vọng trong phòng làm mất từ; tiếng ồn trong phòng làm mất sức. Điều này quan trọng vì micro ở xa thu nhiều hơn cả hai. Với người suy giảm thính lực, National Acoustic Laboratories của Úc nhận thấy việc theo dõi các cuộc hội thoại hội nghị truyền hình đòi hỏi nhiều nỗ lực hơn hẳn so với người có thính lực bình thường, và máy trợ thính không khôi phục được mức như khi gặp mặt trực tiếp. Khía cạnh sinh lý của sự mệt mỏi vì cuộc gọi được trình bày trong thống kê dấu ấn sinh học của sự mệt mỏi khi họp video của chúng tôi.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Thời gian vang điển hình của phòng khách (suy giảm đến -60 dB) | 0,3 đến 0,7 s | Haeb-Umbach và cs., bài tổng quan ASR trường xa 2020 |
| Mức giảm khả năng nhận biết từ cho mỗi bước tăng của tiếng vang, ở tỷ số tín hiệu trên nhiễu cố định | khoảng 8 RAU | Picou và cs., Ear and Hearing 2016 |
| Mức chậm đi của thời gian phản hồi khi có tiếng ồn so với khi yên tĩnh (nỗ lực nghe) | trung bình 91 ms | Picou và cs., Ear and Hearing 2016 |
| Tác động của tiếng vang lên nỗ lực nghe khi mức nhận biết tương đương | không đáng kể (p = 0,18) | Picou và cs., Ear and Hearing 2016 |
| Các thời gian vang được kiểm tra trong nghiên cứu đó | T30 dưới 100 ms, 475 ms và 834 ms | Picou và cs., Ear and Hearing 2016 |
| Các phòng mô phỏng REVERB: thời gian vang, và khoảng cách micro gần so với xa | 0,3, 0,6 và 0,7 s; 50 cm so với 200 cm | Kinoshita và cs., tóm tắt thử thách REVERB 2016 |
| WER trường xa của CHiME-5: mốc cơ sở so với hệ thống nhận dạng mạnh so với tách nhiều micro kèm khử vang | gần dưới 80% so với khoảng 60% so với 43,2% | Haeb-Umbach và cs., bài tổng quan ASR trường xa 2020 |
| Hiệu quả nghe của người dùng ốc tai điện tử trong hội thoại trực tuyến, chỉ có âm thanh so với có phụ đề (tỷ lệ so với trung bình của người nghe bình thường) | khoảng 60% so với khoảng 80% | Perea Pérez và cs., Ear and Hearing 2025 |
Ghi chú về ngoại lệ: tác động bằng không của tiếng vang lên nỗ lực nghe khiến chính các tác giả ngạc nhiên, họ gọi đó là điều không phù hợp với các mô hình nỗ lực nghe hiện nay; kết quả được đo trên 18 người trẻ trưởng thành có thính lực bình thường. Dữ liệu mới nhất hiện có: 2016. Tiếng ồn là nửa mà phần mềm có thể xử lý, xem thống kê khử tiếng ồn bằng mạng nơ-ron của chúng tôi.
4. Người Nghe Đánh Giá Người Nói Qua Micro Kém Như Thế Nào
Phát hiện có hệ quả lớn nhất trong hai năm qua là âm thanh micro kém làm thay đổi đánh giá về con người, chứ không chỉ về độ dễ hiểu. Trong một thí nghiệm PNAS với 600 người nghe, một ứng viên được nghe qua âm thanh ‘micro kém’ nghe mỏng và rỗng đạt điểm khả năng được tuyển dụng 68,50 so với 76,04 của bản ghi rõ ràng (d = 0,35, P < 0,001), trong khi độ chính xác phiên âm giống hệt nhau ở mức 98,07% so với 98,09% (Walter-Terrill, Ongchoco và Scholl, PNAS 2025). Người nghe hiểu từng từ; họ chỉ đơn giản đánh giá người nói thấp hơn.
Một nghiên cứu tiếp nối năm 2026 với 299 người tham gia và các buổi phỏng vấn việc làm qua avatar cho thấy âm thanh tốc độ bit thấp, bị giới hạn băng thông làm giảm điểm đánh giá khả năng có việc làm (p < 0,001), trong khi bước chuyển từ chất lượng trung bình lên cao không tạo ra khác biệt (p = 0,813) (Schütze, Biberger và Reber, Forum Acusticum 2026). Điều đó gợi ý có một ngưỡng: người nghe trừng phạt âm thanh bị suy giảm rõ rệt, chứ không phải âm thanh chỉ ở mức bình thường. Nghiên cứu trước đó cũng tìm thấy cùng thiên kiến trong các buổi phỏng vấn Skype mô phỏng, thiên kiến này vẫn tồn tại ngay cả sau khi người chấm điểm được yêu cầu bỏ qua chất lượng cuộc gọi (Fiechter và cs., Cognitive Research 2018).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Điểm khả năng được tuyển dụng (0 đến 100), bản ghi rõ ràng so với phiên bản ‘micro kém’ nghe mỏng | 76,04 so với 68,50 (d = 0,35) | Walter-Terrill và cs., PNAS 2025 |
| Độ chính xác phiên âm, bản ghi rõ ràng so với bản ghi bị méo | 98,09% so với 98,07% (P = 0,915) | Walter-Terrill và cs., PNAS 2025 |
| Người nghe trong Thí nghiệm 1 | 600 (300 cho mỗi điều kiện) | Walter-Terrill và cs., PNAS 2025 |
| Chênh lệch điểm đánh giá khả năng có việc làm, chất lượng âm thanh cao so với thấp (thang 0 đến 100) | 6,4 điểm; thấp so với cao p < 0,001; trung bình so với cao p = 0,813 | Schütze và cs., Forum Acusticum 2026 |
| Chất lượng khách quan (MOS ViSQOL) của âm thanh chất lượng thấp so với trung bình | 2,13 so với 4,68 | Schütze và cs., Forum Acusticum 2026 |
| Điểm khả năng được tuyển dụng (1 đến 10), âm thanh và video mượt so với bị suy giảm, gộp cả hai thí nghiệm | 6,91 so với 6,33 (d của Cohen = 0,44) | Fiechter và cs., Cognitive Research 2018 |
| Người nghe chấm điểm các bài nói chuyện hoặc phỏng vấn radio giống hệt nhau khi nghe với âm thanh tốt so với kém | 97 (Thí nghiệm 1) và 99 (Thí nghiệm 2) | Newman và Schwarz, Science Communication 2018 |
Ghi chú bối cảnh: trong nghiên cứu của Newman và Schwarz (DOI 10.1177/1075547018759345), âm thanh kém làm giảm điểm đánh giá bài nói chuyện, sự thông minh của người nói và tầm quan trọng của nghiên cứu, như được USC tóm tắt. MOS (điểm ý kiến trung bình) là thang đo chất lượng nghe tiêu chuẩn, trong đó giá trị càng cao càng tốt; ViSQOL là một mô hình phần mềm dự đoán thang đo này. Dữ liệu mới nhất hiện có cho các nghiên cứu của Fiechter và Newman: 2018.
5. Quy Tắc Chứng Nhận: Teams, Zoom và ITU Thực Sự Kiểm Tra Gì
Các chương trình chứng nhận cho thấy các nhà cung cấp đặt ngưỡng âm thanh ở đâu, và webcam phần lớn nằm ngoài ngưỡng đó. Trang thiết bị được chứng nhận của Teams nêu rằng các thiết bị âm thanh như tai nghe và loa đàm thoại phải cung cấp âm thanh băng rộng không có tiếng vọng, méo tiếng hay trục trặc quá mức, trong khi các tiêu chí nó liệt kê cho thiết bị video đều là các chỉ số hình ảnh (Microsoft Learn, Teams certified USB devices, tháng 11 năm 2026). Trong 22 thiết bị USB trong danh sách đó đạt chuẩn năm 2026, có 2 là webcam và 20 là tai nghe hoặc hệ thống tai nghe (số liệu do chúng tôi đếm từ bảng tháng 11 năm 2026).
Ngưỡng dành cho tai nghe còn có một bậc cao cấp. Tài liệu của phòng thử nghiệm cho Teams Audio Test Specification mô tả một mô-đun văn phòng mở tùy chọn, chấm MOS giọng nói và tiếng ồn trong môi trường tiếng ồn văn phòng cộng với ‘độ suy giảm âm gây xao nhãng’ (distractor attenuation), tức tai nghe loại bỏ được bao nhiêu giọng nói của người ngồi bên cạnh (tài liệu thông số HEAD acoustics, Teams Audio Test Specification 60026). Zoom đã thống nhất các tiêu chuẩn kiểm tra khách quan cho các danh mục âm thanh của mình vào năm 2022 (Zoom, cập nhật chứng nhận phần cứng 2022), và thiết lập phòng thử nghiệm của Teams dựa trên các phương pháp ITU-T như P.502 và miệng nhân tạo P.51 (một chiếc loa mô phỏng người nói). Tài liệu tham chiếu rộng hơn để chấm điểm giọng nói thu được là ITU-T P.863 (POLQA), mô hình tiêu chuẩn dự đoán chất lượng nghe trên thang MOS.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Yêu cầu âm thanh với tai nghe và loa đàm thoại được Teams chứng nhận | âm thanh băng rộng không có tiếng vọng, méo tiếng hay trục trặc quá mức; hỗ trợ khử tiếng vọng | Microsoft Learn, Teams certified USB devices 2026 |
| Tiêu chí liệt kê cho thiết bị video được Teams chứng nhận như webcam | nhiễu, màu sắc, chi tiết hình ảnh, jitter, độ trễ, tốc độ khung hình, góc nhìn (chỉ số hình ảnh) | Microsoft Learn, Teams certified USB devices 2026 |
| Thiết bị USB đạt chuẩn năm 2026 (đến bảng tháng 11 năm 2026): webcam so với tai nghe hoặc hệ thống tai nghe | 2 so với 20 (trên tổng số 22) | Microsoft Learn, số liệu do chúng tôi đếm từ bảng tháng 11 năm 2026 |
| Phiên bản Teams Audio Test Specification mà các phòng thử nghiệm sử dụng, và các nhóm thiết bị | V5.0 gồm Phụ lục A; 4 nhóm (tai nghe, điện thoại bàn cá nhân, loa đàm thoại cá nhân, loa đàm thoại dùng chung) | Tài liệu thông số phòng thử nghiệm HEAD acoustics 2026 |
| Chỉ số bổ sung trong bài kiểm tra tai nghe văn phòng mở tùy chọn | MOS giọng nói và tiếng ồn 3QUEST; độ suy giảm âm gây xao nhãng (trung bình và tối thiểu) | Tài liệu thông số phòng thử nghiệm HEAD acoustics 2026 |
| Các nhóm âm thanh và liên quan của Zoom có tiêu chuẩn kiểm tra khách quan được làm mới và thống nhất | 7 | Cập nhật chứng nhận phần cứng Zoom, ngày 16 tháng 3 năm 2022 |
| Tần suất thiết bị được Zoom chứng nhận phải chứng nhận lại | ít nhất mỗi hai năm | Cập nhật chứng nhận phần cứng Zoom, ngày 16 tháng 3 năm 2022 |
| Phiên bản ITU-T P.863 (POLQA) đang có hiệu lực, cùng bản sửa đổi | P.863 (03/18); Sửa đổi 1 (04/20) về dự đoán giọng nói băng hẹp được ghi âm bằng âm học | Khuyến nghị ITU-T P.863 |
Ghi chú bối cảnh: ‘băng rộng’ ở đây là thuật ngữ viễn thông chỉ âm thanh giữ được dải tần rộng hơn âm thanh điện thoại băng hẹp truyền thống; đó không phải thước đo độ lớn. Dữ liệu mới nhất hiện có cho tiêu chí của Zoom: 2022, vì Zoom chưa công bố ngưỡng mới hơn.
6. Cách Mọi Người Trang Bị và Điều Đó Thay Đổi Gì Trong Các Cuộc Họp Thực Tế
Dữ liệu khảo sát về trang bị còn mỏng và chủ yếu do nhà cung cấp thực hiện, nhưng chúng cùng chỉ một hướng: hầu hết mọi người vẫn nói qua bất cứ micro nào tích hợp sẵn trong thiết bị. Chỉ 30% người lao động tri thức dùng tai nghe chuyên dụng cho công việc, và 8% coi đó là thiết bị chính, dù 91% dùng nền tảng họp trực tuyến (Jabra 2023 Knowledge Worker Study, khảo sát của nhà cung cấp). Một khảo sát của Logitech năm 2022 trên hơn 3.000 nhân viên làm việc từ xa ở Mỹ, Đức và Trung Quốc cho thấy 85% gặp khó khăn với các vấn đề về âm thanh (Logitech, khảo sát của nhà cung cấp).
Dữ liệu độc lập bổ sung phần kết quả. Một nghiên cứu với khoảng 7.330 phản hồi khảo sát sau cuộc họp dùng được từ năm tổ chức lớn cho thấy việc dùng tai nghe làm tăng khả năng được chấm mức ‘Tham gia’ (OR = 1,16), và các cuộc gọi có vấn đề về chất lượng âm thanh có khả năng được đánh giá là hiệu quả thấp hơn nhiều (OR = 0,14) (Hosseinkashi và cs., Microsoft Research, nghiên cứu hiệu quả cuộc họp 2024). Tỷ số chênh (OR) dưới 1 có nghĩa là khả năng thấp hơn; 0,14 là một tác động lớn. Đọc cùng khoảng chênh mức tín hiệu ở phần 1, lập luận cho việc thu âm sát miệng nằm ở chỗ được nhìn nhận là có mặt đầy đủ, chứ không chỉ là được nghe thấy.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Người lao động tri thức dùng tai nghe chuyên dụng cho công việc | 30% | Jabra 2023 Knowledge Worker Study (khảo sát của nhà cung cấp, hơn 7.000 nhân viên) |
| Người lao động tri thức nói tai nghe chuyên dụng là thiết bị chính của họ | 8% | Jabra 2023 Knowledge Worker Study (khảo sát của nhà cung cấp) |
| Nhân viên làm việc từ xa gặp khó khăn với các vấn đề âm thanh trong cuộc gọi | 85% | Khảo sát người dùng cuối của Logitech, tháng 5 năm 2022 (khảo sát của nhà cung cấp, hơn 3.000 nhân viên) |
| Nghiên cứu hội thoại trực tuyến, nhóm có thính lực bình thường: nghe qua loa ngoài so với tai nghe | 72% so với 28% | Perea Pérez và cs., Ear and Hearing 2025 |
| Cùng nghiên cứu, nhóm cấy ốc tai điện tử: loa ngoài so với tai nghe so với truyền trực tiếp | 68% so với 12% so với 20% | Perea Pérez và cs., Ear and Hearing 2025 |
| Tỷ số chênh đã hiệu chỉnh cho mức đánh giá ‘Tham gia’ khi người dùng đeo tai nghe | 1,16 | Hosseinkashi và cs., Microsoft Research 2024 |
| Tỷ lệ tham gia, cuộc gọi chỉ có âm thanh có tai nghe so với không có | cao hơn khoảng 5% | Hosseinkashi và cs., Microsoft Research 2024 |
| Tỷ số chênh đã hiệu chỉnh cho mức đánh giá cuộc họp ‘Hiệu quả’ khi cuộc gọi có vấn đề chất lượng (tiếng vọng, tiếng ồn, méo tiếng) | 0,14 | Hosseinkashi và cs., Microsoft Research 2024 |
Ghi chú về ngoại lệ: phần văn bản của nghiên cứu cuộc họp nói rằng khả năng Tham gia tăng ‘thêm 20%’ khi dùng tai nghe, trong khi bảng của chính nó cho tỷ số chênh là 1,16; chúng tôi báo cáo giá trị trong bảng. Các tác giả cũng cảnh báo rằng việc phát hiện tai nghe từ dữ liệu đo từ xa không đáng tin cậy vì nhiều thiết bị báo cáo sai. Dữ liệu mới nhất hiện có cho khảo sát của Logitech: tháng 5 năm 2022.
Tổng Kết: Chất Lượng Giọng Nói Của Micro Tích Hợp Webcam So Với Tai Nghe Qua Các Con Số
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| WER của Whisper large-v2, micro tai nghe AMI so với một micro ở xa | 16,9% so với 36,4% | Radford và cs., bài báo OpenAI Whisper 2022 |
| WER của DiPCo, micro sát miệng so với dàn micro trường xa | 42,10% so với 77,52% | Van Segbroeck và cs., DiPCo 2019 |
| CER của AliMeeting, tai nghe so với trường xa | 9,9% so với 49,0% | Yu và cs., M2MeT 2022 |
| Bản ghi thực tế REVERB: WER sạch/tai nghe so với mốc cơ sở trường xa so với hệ thống 8 micro tốt nhất | 6,9% so với 49,2% so với 9,0% | Kinoshita và cs., tóm tắt thử thách REVERB 2016 |
| Mức giọng nói, micro laptop ở khoảng 60 cm so với micro tai nghe ở 15 đến 20 cm | 46,91 dB so với 59,73 dB | Busquet và cs., Behavior Research Methods 2023 |
| Khoảng WER của sáu micro ở 5 feet, kịch bản so với hội thoại tự do | 10,7% đến 12,0% so với 52,7% đến 61,3% | Bradford và cs., EDM 2022 |
| Thời gian vang điển hình của phòng khách | 0,3 đến 0,7 s | Haeb-Umbach và cs., bài tổng quan ASR trường xa 2020 |
| Mức chậm đi của phản hồi do tiếng ồn nền | trung bình 91 ms | Picou và cs., Ear and Hearing 2016 |
| Hiệu quả nghe trực tuyến của người dùng ốc tai điện tử, chỉ có âm thanh so với phụ đề | khoảng 60% so với khoảng 80% mức thông thường | Perea Pérez và cs., Ear and Hearing 2025 |
| Khả năng được tuyển dụng, âm thanh rõ so với âm thanh micro kém (0 đến 100) | 76,04 so với 68,50 | Walter-Terrill và cs., PNAS 2025 |
| MOS ViSQOL, chất lượng âm thanh thấp so với trung bình | 2,13 so với 4,68 | Schütze và cs., Forum Acusticum 2026 |
| Khả năng được tuyển dụng (1 đến 10), âm thanh và video mượt so với bị suy giảm | 6,91 so với 6,33 | Fiechter và cs., Cognitive Research 2018 |
| Tỷ lệ dùng tai nghe chuyên dụng cho công việc | 30% | Jabra 2023 Knowledge Worker Study (khảo sát của nhà cung cấp) |
| Tai nghe chuyên dụng được nêu là thiết bị chính | 8% | Jabra 2023 Knowledge Worker Study (khảo sát của nhà cung cấp) |
| Người tham gia hội thoại trực tuyến có thính lực bình thường nghe qua loa ngoài so với tai nghe | 72% so với 28% | Perea Pérez và cs., Ear and Hearing 2025 |
| Khoảng cách từ micro đến người nói trong các phòng AliMeeting | 0,3 đến 5,0 m | Yu và cs., M2MeT 2022 |
| Nhân viên làm việc từ xa gặp khó khăn với các vấn đề âm thanh | 85% | Khảo sát người dùng cuối của Logitech 2022 (khảo sát của nhà cung cấp) |
| Chu kỳ chứng nhận lại của Zoom | ít nhất mỗi hai năm | Cập nhật chứng nhận phần cứng Zoom 2022 |
Phương Pháp Luận và Nguồn
- Busquet, Efthymiou và Hildebrand, Voice analytics in the wild: Validity and predictive accuracy of common audio-recording devices, Behavior Research Methods 2023
- Bradford và cs., A deep dive into microphone hardware for recording collaborative group work, EDM 2022
- Radford và cs. (OpenAI), Robust Speech Recognition via Large-Scale Weak Supervision (Whisper), 2022
- Van Segbroeck và cs. (Amazon), DiPCo: Dinner Party Corpus, 2019
- Yu và cs., M2MeT: The ICASSP 2022 Multi-channel Multi-party Meeting Transcription Challenge, 2022
- Kinoshita và cs., A summary of the REVERB challenge, EURASIP Journal on Advances in Signal Processing 2016
- Watanabe và cs., CHiME-6 Challenge: Tackling Multispeaker Speech Recognition for Unsegmented Recordings, 2020
- Haeb-Umbach và cs., Far-Field Automatic Speech Recognition, 2020
- Picou, Gordon và Ricketts, The effects of noise and reverberation on listening effort in adults with normal hearing, Ear and Hearing 2016
- Perea Pérez và cs., Preferences and Listening Efficiency of Adults With Cochlear Implants During Online Communication, Ear and Hearing 2025
- National Acoustic Laboratories, đánh giá có cấu trúc về giao tiếp qua hội nghị truyền hình, 2022
- Walter-Terrill, Ongchoco và Scholl, Superficial auditory (dis)fluency biases higher-level social judgment, PNAS 2025
- Schütze, Biberger và Reber, Subjective and objective employability for degraded speech in video-mediated job interviews, Forum Acusticum 2026 (bài báo sơ bộ)
- Fiechter và cs., Audiovisual quality impacts assessments of job candidates in video interviews, Cognitive Research: Principles and Implications 2018
- Newman và Schwarz, Good Sound, Good Research, Science Communication 2018, theo báo cáo của USC
- Microsoft Learn, bảng Teams certified USB devices, tháng 11 năm 2026
- Hosseinkashi và cs. (Microsoft Research), Meeting effectiveness and inclusiveness: large-scale measurement in real-world remote meetings, bản sửa đổi 2024
- HEAD acoustics, tài liệu thông số ACQUA Standards cho Teams Audio Test Specification 60026, 2026
- Zoom, New updates to the Zoom hardware certification program, ngày 16 tháng 3 năm 2022
- Khuyến nghị ITU-T P.863, Perceptual objective listening quality prediction
- Jabra, nghiên cứu mức độ gắn kết LSE và 2023 Knowledge Worker Study (nghiên cứu của nhà cung cấp)
- Logitech, Your Remote Employees are Underequipped (khảo sát của nhà cung cấp), với khâu khảo sát thực địa do 2CV Research thực hiện vào tháng 5 năm 2022 theo tệp PDF đầy đủ của nghiên cứu Logitech
- Lưu ý về dữ liệu: chưa có nghiên cứu công khai nào đo micro tích hợp của một webcam hiện nay so với tai nghe trên cùng những người nói bằng POLQA hoặc ASR, nên bài tổng hợp này kết hợp dữ liệu micro laptop, micro ở xa và dàn micro làm bằng chứng trường xa gần nhất. Một số bộ dữ liệu then chốt cũ hơn ba năm (REVERB 2016, nghiên cứu về tiếng ồn và tiếng vang 2016, Fiechter và Newman 2018, DiPCo 2019, Whisper và M2MeT 2022, tiêu chí của Zoom 2022) và được đánh dấu trong các phần tương ứng. Mâu thuẫn và điểm không nhất quán: phần văn bản của nghiên cứu cuộc họp nêu mức tăng 20% khả năng Tham gia với người dùng tai nghe trong khi bảng của nó cho tỷ số chênh là 1,16 (chúng tôi dùng bảng); bài báo DiPCo nêu độ dài phiên là 15 đến 45 phút trong phần tóm tắt và 15 đến 47 phút trong phần nội dung; bài báo M2MeT in hai tỷ lệ chồng lấn khác nhau cho tập đánh giá của mình (chúng tôi không dùng tỷ lệ nào). Khoảng chênh 6,4 điểm về khả năng có việc làm đến từ một bài báo sơ bộ của Forum Acusticum chưa đăng trên tạp chí. Số liệu của Jabra và Logitech là khảo sát của nhà cung cấp và được ghi nhãn như vậy. Các con số 12,82 dB, 10,76 dB và các tỷ lệ là phép trừ hoặc phép chia do chính chúng tôi thực hiện trên các giá trị đã công bố, với phép tính được trình bày trong văn bản.
Cập nhật lần cuối: ngày 7 tháng 11 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 cuối cùng của Forum Acusticum 2026 (Hội nghị lần thứ 12 của Hiệp hội Âm học Châu Âu) được công bố.