8 kHz ist die Stelle, an der Voice AI wirklich bricht

Aktualisiert am 14. August 2026 mit dem neu generierten Lauf des Null Test (18 Bedingungen) und mit einem neuen End-to-End-Schmalbandexperiment. Dieses Update zieht eine Behauptung zurück. Eine frühere Version dieses Beitrags gab einen Community-Bericht wieder, wonach der Standard-Resample-Pfad eines großen Frameworks ~16% des Anrufer-Audios verwirft. Wir haben die Kontrolle dafür gebaut, und unsere Messung stützt das nicht. Der Abschnitt ist unten neu geschrieben, nicht gelöscht.

Jede Voice-AI-Demo, die Sie je gesehen haben, läuft mit 16 kHz von einem Laptop-Mikrofon über WebRTC. Fast jeder Dollar an produktivem Anrufvolumen kommt mit 8 kHz über eine Telefonleitung an, die die obere Hälfte des Spektrums bereits weggeworfen hat. Das sind nicht dasselbe Problem, und am zweiten scheitern Deployments — leise.

Die Lücke ist kein Konfigurationsdetail. Es ist eine Oktave fehlendes Signal, eine Codec-Kette, die niemand kontrolliert, eine Plattformschicht, in der man — Stand heute, und das ist unsere Lesart der Hersteller-Dokumentation — eigene Verarbeitung oft überhaupt nicht einhängen kann, und ein Modellregal, auf dem nichts wirklich für diesen Kanal gebaut ist.

Was eine Telefonleitung tatsächlich entfernt

PSTN- und SIP-Telefonie sind Schmalband mit 8 kHz, übertragen als G.711 µ-law oder A-law, mit einem Durchlassbereich von etwa 300 bis 3400 Hz. Eine Abtastung mit 8 kHz legt die Nyquist-Grenze auf 4 kHz, und das Kanalfilter nimmt oben weitere 600 Hz weg. Alles oberhalb von 3.4 kHz ist schlicht nicht vorhanden — und genau in diesem Band sitzt ein spezifischer, ungewöhnlich teurer Satz von Phonem-Hinweisen.

Hinweis (Cue)	Wo seine Energie liegt	Überlebt er einen Kanal von 300–3400 Hz?
/s/ versus /f/ versus /θ/	Sibilanten-Energie mit Maximum etwa bei 4–8 kHz	Nein. Das ist die klassische Schmalband-Verwechslung.
Vokalidentität (F1, F2)	250–2500 Hz	Ja
/r/ und F3-Hinweise	etwa 2000–3500 Hz	Grenzwertig, direkt an der Kante
Plosiv-Burst-Transienten	breitbandig, vieles davon oberhalb von 4 kHz	Teilweise; Bursts werden eingeebnet
Nasales Murmeln	unterhalb von 1 kHz	Ja
Grundfrequenz F0 des Sprechers	85–255 Hz bei den meisten Erwachsenen	Liegt meist unterhalb der Grenze von 300 Hz; wird perzeptiv aus den Harmonischen rekonstruiert

Schmalbandfehler sind also nicht gleichmäßig über das Transkript verteilt. Sie häufen sich genau dort, wo Voice Agents das größte Geschäftsrisiko tragen: bei Ziffern („six“ und „fix“ verlieren ihren zuverlässigsten Diskriminator), buchstabierten Namen und E-Mail-Adressen, Bestätigungscodes und Pluralformen, die an einem wortfinalen /s/ oder /z/ hängen. Ein Anstieg der aggregierten Wortfehlerrate (WER) um 3% kann eine Fehlerrate von 30% auf genau dem Feld bedeuten, zu dessen Erfassung der Anruf überhaupt stattfand.

Die andere Hälfte des Problems ist der Recognizer. Whisper und die meisten modernen STT-Modelle sind auf Audio mit 16 kHz trainiert; Schmalbandsprache liegt damit außerhalb der Trainingsverteilung (out of distribution), bevor überhaupt Rauschen hinzukommt.

Wir haben die Resample-Steuer (resample tax) getestet, und es gibt sie nicht

Eine frühere Version dieses Beitrags begann mit einer PSA aus der LiveKit-Community vom 7. August 2026, wonach das Standard-Resample-Muster des FrameProcessor kontinuierlich Audio verwirft — rund 16% der Sprache des Anrufers, dauerhaft, bei jedem Anruf — und ein Betreiber in dem Thread durch die Korrektur fast achtzehn Punkte STT-Genauigkeit zurückgewann. Wir haben das wiedergegeben. Es war das Zitierfähigste am ganzen Beitrag.

Dann haben wir die Kontrolle gebaut, und unsere eigene Messung stützt es nicht.

Die Kontrolle ist simpel. Man nimmt das Schmalband-Audio des Anrufers, schickt es 8 kHz → 16 kHz → 8 kHz und misst die SI-SDR dessen, was zurückkommt, gegen das, was hineinging. Wenn ein Resample-Round-Trip einen festen Anteil des Signals zerstört, ist diese Zahl schlecht — und schlechter für den schlampigeren Resampler.

8 kHz → 16 kHz → 8 kHz	SI-SDR vs. eigener Eingang
naive — Sample-Wiederholung hinauf, Sample-Verwurf hinunter, keinerlei Filterung	150 dB
linear — lineare Interpolation, kein Anti-Alias-Filter	150 dB
soxr_hq — Polyphase/Sinc, Bibliotheksstandard	38.45 dB
soxr_vhq — Polyphase/Sinc, die korrekte Implementierung	38.28 dB

Lesen Sie das zweimal. Der absichtlich kaputte Resampler erzielt eine perfekte Auslöschung — 150 dB ist die Obergrenze, die unser Harness meldet, wenn das Differenzsignal numerisch null ist — und der korrekte schneidet 112 dB schlechter ab.

Beide Ergebnisse sind richtig, und der Grund ist Arithmetik, kein Messfehler. Bei einem exakten Verhältnis von 2:1 ist Sample-Wiederholung gefolgt von Sample-Verwurf algebraisch die Identitätsfunktion — jedes ursprüngliche Sample kommt bit-exakt zurück, es bleibt also nichts zu messen. Der Polyphase-Resampler erzielt die niedrigere Zahl genau deshalb, weil er seine Arbeit macht: Er wendet ein Anti-Alias-Filter an, und ein Filter verändert das Signal. Naiv eingesetzt belohnt Round-Trip-SI-SDR die kaputte Implementierung. Das ist die Falle, und deshalb brauchte es hier eine Kontrolle statt einer Intuition. (Bei 44.1 kHz, wo das Verhältnis nicht ganzzahlig ist, fällt linear auf 32.49 dB — die Identitätseigenschaft ist spezifisch für den 2:1-Fall, den Telefonie tatsächlich trifft.)

Nachgelagert, bei der Transkription, dieselbe Geschichte. Ohne jedes Modell im Pfad ist die Wahl des Resamplers 0.18 WER-Punkte wert: soxr_vhq erreicht 10.96% gegen 11.14% für linear, gegenüber einer rohen Kontrolle bei 8 kHz von 11.14%. Bei 1,140 Referenzwörtern sind das zwei Wörter. Es ist ein Unentschieden.

Und mit einem Modell im Pfad kehrt sich das Ergebnis um. Über alle sechs getesteten Modell-Resampler-Paare transkribierte der naive Resampler besser — im Mittel −3.0 Punkte, jedes einzelne Paar negativ, von −0.4 (aic-quail mit naive) bis −5.6 (fastenhancer-b mit linear). Der wahrscheinliche Mechanismus: Ein Polyphase-Resampler ist eine zusätzliche Filterstufe, auf die das Modell nie trainiert wurde, während 2:1-Nearest-Neighbour eine Identität ist — der naive Pfad reicht dem Modell also ein weniger verändertes Signal.

Also: Wir behaupten nicht, dass Resampling Anrufer-Audio zerstört, wir geben die Zahl von 16% nicht wieder, als wäre sie unsere, und wir werden Resampling-Korrektheit nicht als zurückgewonnene Genauigkeit verkaufen. Wir wissen nicht, was die Instrumentierung des PSA-Autors gemessen hat — Frame-Buchhaltung innerhalb einer bestimmten Pipeline ist nicht dasselbe Experiment wie unseres, und sein Fix hat seinem Deployment offenkundig geholfen. Was wir sagen können: Die allgemeine Behauptung reproduziert sich hier nicht, jedenfalls nicht in der Form, in der wir sie wiedergegeben haben.

Wenn Sie aus diesem Beitrag eine einzige Handlung mitnehmen, dann weiterhin diese: Zeichnen Sie das Audio auf, das Ihr Recognizer tatsächlich erhält — nicht das, was Ihr SIP-Trunk anliefert — und vergleichen Sie die Längen. Frame-Buchhaltung ist eine Prüfung wert. Sie ist nur keinen WER-Punkt wert.

Das Upsampling, das nichts repariert

Auch ein korrekter Resampler stellt nichts wieder her. Man resampelt 8 kHz auf 16 kHz, weil das Modell Eingaben mit 16 kHz verlangt; das erfüllt die Schnittstelle und fügt keine Information hinzu. Die Oktave von 4 bis 8 kHz bleibt leer, weil dort nie Energie war, die man interpolieren könnte. Was das akustische Modell sieht, ist ein Spektrogramm bei 16 kHz mit toter oberer Hälfte und einer harten Kante bei 3.4 kHz — ein Muster, das in seinen Trainingsdaten, wenn überhaupt, überwiegend als Degradation vorkommt.

16 kHz mic capture            8 kHz PSTN, upsampled to 16 kHz

8k ┤▓▓▒▒░░ fricatives           8k ┤              (nothing)
6k ┤▓▓▓▒▒░                      6k ┤              (nothing)
4k ┤▓▓▓▓▒▒                      4k ┤──────────── hard shelf
2k ┤████▓▓  formants            2k ┤████▓▓  formants
0  ┤█████▓                      0  ┤ ███▓▓  (HPF at ~300 Hz)
   └──────── time                  └──────── time

„Wir unterstützen Telefonie“ heißt in den meisten Stacks also „wir resampeln und hoffen“. Der interessante Fehler ist nicht der Resampler — dem haben wir gerade einen ganzen Abschnitt gewidmet —, sondern dass das Modell auf dessen anderer Seite mit einer Verteilung gefüttert wird, auf der es nie trainiert hat.

Was wir gemessen haben: Nichts auf dem Regal hilft an der Telefonleitung

Wir haben den Telefonie-Pfad durch Null Test geschickt, unseren offenen Benchmark. Sieben seiner achtzehn Bedingungen sind Telefonie: ein Round-Trip über G.711 µ-law — Resampling auf 8 kHz, Encodieren, Decodieren, Resampling zurück —, derselbe Round-Trip mit Rauschen bei 10 dB SNR und fünf Carrier-Varianten (A-law, G.722, Opus mit 12 kbps sowie bursty Paketverlust bei 3% und 10%).

Provenienz, denn diese Zahlen sind exakt so viel wert wie ihre Methode: ein einzelner Recognizer, faster-whisper base.en (CTranslate2 int8 CPU, greedy), Silero VAD, 10 Sprecher / 180 Clips / rund 1406 Sekunden Audio, etwa 190 Referenzwörter pro Bedingung, 18 Bedingungen, 12 Backends, Apple M1 Max, onnxruntime 1.28.0 festgenagelt auf einen Intra-Op-Thread. Bei dieser Stichprobengröße ist ein Wort rund 0.5 WER-Punkte wert; lesen Sie die Delta-Spalten entsprechend.

Backend	G.711	Δ vs. roh	G.711 + Rauschen 10 dB	Δ vs. roh
Roh (keine Verarbeitung)	5.8%	—	10.5%	—
FastEnhancer-S (MIT)	5.3%	-0.5	14.2%	+3.7
FastEnhancer-M (MIT)	5.8%	0.0	12.1%	+1.6
ai-coustics Quail L	7.4%	+1.6	12.1%	+1.6
ai-coustics Quail VF 2.2 L	8.4%	+2.6	9.5%	-1.1
GTCRN (MIT)	8.9%	+3.2	11.1%	+0.5
FastEnhancer-T (MIT)	12.6%	+6.8	17.4%	+6.8
DeepFilterNet3	15.3%	+9.5	20.0%	+9.5

Kein Modell zur Sprachverbesserung (speech enhancement) brachte auf Telefonie-Audio eine nennenswerte Verbesserung, und mehrere verursachten große Verschlechterungen — FastEnhancer-T mit +6.8 Punkten auf beiden Bedingungen, DeepFilterNet3 mit +9.5 auf beiden.

Seien Sie präzise bei den zwei scheinbaren Erfolgen, denn genau so etwas wird ohne seinen Fehlerbalken zitiert. FastEnhancer-S liegt auf der sauberen Zeile bei -0.5 Punkten — innerhalb eines Referenzworts vom Nichtstun — und 3.7 schlechter, sobald Rauschen hinzukommt. Quail VF liegt auf der verrauschten Zeile bei -1.1 und auf der sauberen bei +2.6. Keines von beiden ist ein Sieg, keines eine Niederlage. Die nützliche Lesart: Das Aufwärtspotenzial hat die Form einer Null, und das Abwärtsrisiko reicht bis zu zehn Punkten.

Die fünf Carrier-Bedingungen, die wir in diesem Lauf ergänzt haben, schärfen diese Lesart, statt sie zu ändern. In keiner von ihnen schlägt irgendeine Engine das rohe Signal, und in vier der fünf ist das Beste, was eine Engine schafft, ein exaktes Unentschieden:

Bedingung	Roh	Beste Engine	Schlechteste Engine
A-law	7.4%	7.4% (Quail L, Unentschieden)	49.0% (FastEnhancer-M)
G.722	5.3%	5.3% (FastEnhancer-B, Unentschieden)	6.8% (FastEnhancer-M)
Opus 12 kbps	6.8%	6.8% (FastEnhancer-S, Unentschieden)	12.1% (GTCRN)
3% bursty Verlust	11.1%	11.1% (Quail VF, Unentschieden)	24.7% (DeepFilterNet3)
10% bursty Verlust	10.0%	10.5% (Quail L)	35.3% (FastEnhancer-T)

Die FastEnhancer-M-Zeile bei A-law lohnt einen langen Blick: 49.0% gegen eine rohe Baseline von 7.4%, getrieben von 61 Einfügungen, wo roh 2 hat. Kompandiertes Quantisierungsrauschen ist nicht das, was dieses Modell erwartet, und es antwortet mit Halluzinationen. Das ist die Gestalt der ganzen Kategorie an der Telefonleitung — die Decke ist ein Unentschieden, der Boden eine Katastrophe.

Die Zahl von DeepFilterNet3 braucht jedes Mal ihren Vorbehalt: Wir messen es durch einen Block-Online-Adapter, weil kein öffentlicher ONNX-Export rekurrente Zustandstensoren mitführt und Streaming pro Frame mit den veröffentlichten Gewichten darum unmöglich ist. Seine Zeilen sind eine Untergrenze der Qualität und eine Obergrenze der Kosten. Die ai-coustics-Zeilen sind eine proprietäre Baseline, gefahren über das lizenzierte SDK — ein Referenzpunkt, nie ein produktiver Codepfad für uns.

Das Experiment, das dieser Tabelle fehlte: 8 kHz von Ende zu Ende

Die rohe WER auf unserer G.711-Bedingung liegt bei 5.8%. Das ist eine leichte Bedingung, und jedes Backend in der Matrix oben ist ein Breitbandmodell, das auf ein Schmalbandsignal gerichtet wird. Sie sagt etwas Spezifisches und Begrenztes — Breitband-Enhancer helfen auf einem Schmalbandkanal nicht und können erheblich schaden — und nichts darüber, ob native Verarbeitung bei 8 kHz das Resampling schlägt.

Also haben wir das Experiment gebaut, das diese Frage beantwortet. Sechzig Clips, sechs Schmalbandbedingungen, 8 kHz von Ende zu Ende, ohne dass irgendwo im Arm etwas resampelt wird, drei wirklich nativ bei 8 kHz laufende Modelle, und der STT-Ingest-Resampler in jedem Arm — die Kontrollen eingeschlossen — konstant auf soxr_vhq gehalten. 1,140 Referenzwörter, also ist ein Wort 0.09 WER-Punkte wert — dieses Verhältnis reist mit jeder Zahl unten mit.

Pfad	WER	vs. roh 8 kHz
roh 8 kHz (Kontrolle)	11.14%	—
nur Resampling, kein Modell, soxr_vhq	10.96%	−0.18
nur Resampling, kein Modell, linear	11.14%	0.00
nativ 8 kHz quail-l-8khz	11.05%	−0.09
nativ 8 kHz quail-s-8khz	11.32%	+0.18
nativ 8 kHz rook-l-8khz	12.46%	+1.32
hochgetastet quail (Gewichte für 16 kHz), soxr_vhq	11.75%	+0.61
hochgetastet quail-vf (Gewichte für 16 kHz), soxr_vhq	12.98%	+1.84
hochgetastet gtcrn, soxr_vhq	16.58%	+5.44
hochgetastet fastenhancer-b, soxr_vhq	17.63%	+6.49
hochgetastet fastenhancer-m, soxr_vhq	21.14%	+10.00
hochgetastet fastenhancer-t, soxr_vhq	24.82%	+13.68

Drei Dinge fallen daraus heraus, und nur eines davon ist das, wonach wir gesucht haben.

Nativ bei 8 kHz schlägt Resampeln-und-Hoffen tatsächlich — um 0.7 Punkte. Gleicher Anbieter, gleiche Modellfamilie, der einzige Unterschied sind Gewichte für 8 kHz gegen Gewichte für 16 kHz auf einem resampelten Pfad: 11.05% gegen 11.75%. Soweit wir es feststellen können, hat diesen Vergleich noch nie jemand veröffentlicht. Es sind außerdem etwa acht Wörter von 1,140, was es zu einem echten, richtungsweisenden, bescheidenen Ergebnis macht — und nicht zu einer Schlagzeile. Es ist ein Grund, nativ zu bauen. Es ist kein Grund, irgendetwas zu kaufen.

Nichts schlug das unangetastete Anrufer-Audio. Der beste Pfad in der Tabelle, quail-l-8khz mit 11.05%, liegt 0.09 Punkte unter den 11.14% der rohen Kontrolle — ein Wort. Das ist ein Unentschieden, kein Sieg. Jeder andere Pfad ist schlechter als Nichtstun. Auf einem Schmalband-Telefonanruf ist die Nullhypothese im August 2026 ungeschlagen.

Und es gibt kaum etwas zu testen. Sehen Sie, wie kurz der native Abschnitt ist. Diese drei Modelle sind die gesamte Population an wirklich schmalbandigen Gewichten zur Sprachverbesserung, die wir beschaffen konnten. GTCRN, FastEnhancer und DeepFilterNet3 haben überhaupt keinen Checkpoint für 8 kHz — nicht einen schlechteren, gar keinen —, auf einem Telefonanruf lassen sie sich also nur durch einen Resample-Wrapper betreiben, weshalb sie in dieser Tabelle ausschließlich als hochgetastete Zeilen auftauchen. Ein Anbieter liefert Schmalbandgewichte. Niemand liefert schmalbandige Sprecherisolation (speaker isolation): Jedes Voice-Focus-Modell von ai-coustics und ihre Sprachaktivitätserkennung (VAD) für den Primärsprecher gibt es ausschließlich für 16 kHz, während derselbe Anbieter für seinen allgemeinen Enhancer und sein Modell fürs menschliche Hören sehr wohl 8 kHz liefert. Krisps Antwort für Telefonie ist eine Variante, die ausdrücklich als leichter als ihre Hauptlinie positioniert ist.

Das ist der eigentliche Befund dieses Beitrags, und wir haben eine Weile gebraucht, ihn zu sehen, weil wir damit beschäftigt waren, nach Schäden zu suchen. Das Problem an der Telefonleitung ist nicht, dass etwas Ihr Audio kaputt macht. Es ist, dass das, was man darauf laufen lassen möchte, nie gebaut wurde.

Was die Matrix nach wie vor auslässt, sieht man am besten an der realen Signalkette unten, von der unsere Bedingungen manche Stufen modellieren und andere nicht.

Niemand in der Kette ist auf Ihrer Seite

Schon vor der Bandbegrenzung ist das Signal durch mehrere Verarbeitungsstufen gelaufen, die Sie weder kontrollieren noch einsehen können.

Stufe	Typische Verarbeitung	Artefaktklasse, die sie einführt	Jetzt modelliert?
Endgerät	AMR-WB- oder EVS-Encodierung, Rauschunterdrückung im Gerät, AGC	bereits unterdrückte Sprache, Musical Noise, pumpende Verstärkung	Nein
Carrier-Interconnect	Transcodierung nach G.711 µ-law oder A-law, G.722, Opus mit niedriger Bitrate; Heruntertasten auf 8 kHz	Bandbegrenzung, Quantisierungsrauschen durch Kompandierung	Ja
SIP-Trunk	Jitter-Buffer, Packet Loss Concealment, DTX, Comfort Noise	Schnitte im Zeitbereich, wiederholte Frames, synthetischer Rauschteppich	Ja — bursty Zwei-Zustands-Verlust bei 3% und 10%
Echopfad	Rückführung des agentseitigen TTS über Hybrid oder Freisprecheinrichtung	flüssige, selbstbewusste Einfügungen	Nein — die größte verbleibende Lücke
Ihr Stack	Resampling auf 16 kHz, oft ein zweiter Unterdrückungsdurchlauf	leeres oberes Band, kaskadierte Unterdrückung	Teilweise

Die Carrier- und Paketverlust-Zeilen sind in diesem Update von „Nein“ auf „Ja“ gewandert, und beide sind eine Anmerkung wert.

Packet Loss Concealment ist nicht Stille. Geht ein Paket verloren, synthetisiert der Jitter-Buffer aus vorherigen Frames einen Ersatz: eine plausible Wellenform ohne sprachlichen Inhalt, aus der ein Recognizer bereitwillig Wörter decodiert. Das sind Einfügungen, die kein Enhancer reparieren kann, denn das Signal ist nicht degradiert — es ist fabriziert. Wir modellieren das als bursty Zwei-Zustands-Auslöschung (Gilbert-Elliott) von Frames zu 20 ms mit Attenuated-Repeat-Concealment statt als unabhängigen Zufallsverlust mit Stillefüllung: Unabhängiger Verlust schmeichelt jedem Decoder, und Stillefüllung überzeichnet den Schaden.

Das Endgerät hat bereits unterdrückt. Das Audio ist üblicherweise schon einmal auf dem Gerät unterdrückt worden, bevor Sie es anfassen; Sie kaskadieren also einen zweiten neuronalen Unterdrücker über die Artefakte eines ersten. Niemand hat das öffentlich charakterisiert, uns eingeschlossen — wobei unsere Ergebnisse durchaus zeigen, dass ein Unterdrückungsdurchlauf über Material, das keinen braucht, zuverlässig teuer ist; siehe Die geteilte Pipeline.

Echo ist die Zeile, die noch fehlt, und es ist die, die wir am dringendsten wollen. Akustisches Echo mit nichtlinearer Lautsprecherverzerrung ist die Störung hinter jener Hälfte dieses Produkts, die sich nicht mit einem Patch beheben lässt, und wir haben die Bedingung dafür noch nicht gebaut. Bis wir das tun — und bis Clearline eine Zeile in diesen Tabellen ist, gegen eine passthrough-Kontrolle, die es schlagen darf — haben wir das Regal vermessen, nicht unsere Antwort darauf.

Die Plattformlücke

Es gibt einen strukturellen Grund, warum 8 kHz unterversorgt ist: Auf dem Pfad mit dem höchsten Volumen geben Ihnen die großen Plattformen keine Stelle, an der Sie ansetzen könnten. Stand heute, und ausgewiesen als unsere Lesart der veröffentlichten Dokumentation:

• LiveKits SIP-Trunk-Integration stellt ausschließlich die Standard-Rauschunterdrückung von Krisp bereit — nicht die auf anderen Pfaden verfügbare Variante mit Unterdrückung von Hintergrundstimmen. Das Telefonie-Bein, das mit dem schlechtesten Audio, bekommt die weniger fähige der beiden gebündelten Optionen.
• Auf Twilio gibt es keine dokumentierte Stelle, an der man die Medien neben <ConversationRelay> abgreifen könnte — aber das ist unsere Schlussfolgerung, nicht deren Aussage. <Connect> ist als terminal dokumentiert, und der ConversationRelay-Socket transportiert ausschließlich JSON, also muss Twilio die Medien terminieren und neu aufsetzen. Twilio sagt nicht, dass <Stream> inkompatibel ist, und sagt auch nicht, dass es funktioniert; ein Grep über die <Connect>-Referenz, die ConversationRelay-Übersicht und die Onboarding-Seiten liefert in keiner Richtung Fließtext. Wir haben das als Tatsache dargestellt, bevor wir es geprüft hatten, und das war falsch von uns. Es lässt sich mit einem einzigen Telefonanruf klären, und wir haben ihn nicht geführt.
• ai-coustics' eigener Vertreter lenkt Telefonie-Kunden von ihren Modellen für 8 kHz weg und zu dem für 16 kHz hin. Wir lesen das als ehrliche Ingenieursantwort, nicht als Ausrutscher: Die Schmalbandmodelle sind nicht dort, wo ihre Qualität liegt.
• Jedes Sprecherisolationsmodell am Markt ist 16 kHz. ai-coustics liefert Gewichte für 8 kHz für ihren allgemeinen Enhancer und für ihr Modell fürs menschliche Hören, aber jede Voice-Focus-Variante und ihre Primärsprecher-VAD gibt es nur für 16 kHz. Krisps Telefonie-Einstieg ist eine Variante, die als leichter als ihre Hauptlinie positioniert ist. Telefonie ist genau der Ort, an dem konkurrierende Sprecher am schlimmsten sind — Großraum-Contact-Center, Freisprecheinrichtungen, ein Fernseher im Hintergrund — und es ist der eine Ort, an dem die Isolationsmodelle nicht laufen.
• Die DNS Challenge — die zentrale Denoising-Benchmark-Reihe des Felds, gegen die die meisten veröffentlichten Denoiser getunt sind — hatte nie einen Schmalband-Track. Wenn der Benchmark, der den Stand der Technik definiert, 8 kHz nie bewertet hat, wurde der Stand der Technik nie für 8 kHz optimiert. Unsere Telefonie-Zeilen zeigen, wie diese Auslassung vom empfangenden Ende aus aussieht.

Sollte eine dieser Lesarten falsch sein oder sich ändern, korrigieren wir diesen Beitrag und vermerken das Datum. Einmal haben wir das bereits getan, ganz oben.

Die Konsequenz ist, dass die Entscheidung über die Audioqualität auf Ihrem umsatzstärksten Kanal für Sie getroffen wird — von einer gebündelten Komponente, die Sie nicht gewählt haben und nicht messen können. Einfache Rauschunterdrückung ist inzwischen überall kostenlos — das ist nicht das Knappe. Knapp ist ein Modell, das für den tatsächlichen Kanal trainiert wurde, und Evidenz dazu, ob es nachgelagert hilft.

Was Clearline ist und was es beweisen muss

Womit es bewusst nicht führt, ist Bandbreitenerweiterung. Das fehlende Band von 4 bis 8 kHz vorherzusagen ist möglich, aber es ist generativ: Es stellt das /s/ des Anrufers nicht wieder her, es synthetisiert ein plausibles. Für einen menschlichen Hörer ist das ein echter Gewinn und eine große PESQ-Zahl; für einen Recognizer ist es ein neuer Weg zu einer selbstbewussten Substitution — der Fehler wandert von „nicht wiederherstellbar“ zu „selbstbewusst falsch“. Dieselbe Diskrepanz der Zielfunktionen wie überall sonst, auf Schmalband in ihrer breitesten Form.

Clearline ist ein Telefonie-Produkt, kein allgemeiner Denoiser. Drei Zusagen, geordnet danach, wie viel vom Argument jede trägt:

• Native Primärsprecher-Isolation bei 8 kHz. Die Lücke, die die Tabelle oben offenlegt. Das Modell läuft mit der Abtastrate des Kanals, und es behält die Person am Telefon, nicht den Raum dahinter. Niemand liefert das heute bei 8 kHz; das ist der ganze Grund, es zu bauen.
• Unterdrückung von Restecho. Ein Hybrid oder eine Freisprecheinrichtung lässt das eigene TTS des Agenten als flüssige, selbstbewusste Einfügungen zurück in den Recognizer sickern. Das ist kein Umgebungsrauschen, und ein Denoiser behebt es nicht. Es hat außerdem noch keine Bedingung in unserem Benchmark — was wir für ein größeres Loch halten als jede Zahl in diesem Beitrag.
• Korrektes Resampling. Sample-Anzahl rein gleich Sample-Anzahl raus, verifiziert in der CI. Diesen Punkt stufen wir bewusst herab. Wir haben ihn früher ein Produktfeature genannt; die Kontrolle weiter oben in diesem Beitrag ist der Grund, warum wir ihn jetzt Hygiene nennen. Es ist korrekt, weil Korrektheit billig ist — nicht weil sie Genauigkeit kauft.

Wo das Modell selbst steht. Clearline trainiert auf lizenzrechtlich sauberen Daten durch eine Pipeline, die vollständig unsere eigene ist, und die Arbeit an Architektur und Korpus läuft genau jetzt — schmalbandige Zielsprecher-Extraktion ist ein härteres Problem als der Breitbandfall, über den die veröffentlichte Literatur geschrieben ist, und genau deshalb ist das Regal leer. Clearline erscheint in keiner Tabelle auf dieser Website, bis es sich die Zeile verdient hat, gemessen auf denselben Bedingungen und gegen dieselbe Kontrolle wie alles andere hier. Diese Regel ist der Grund, warum die Tabellen oben überhaupt lesenswert sind.

Die Zahl kommt, wenn Clearline eine Zeile in Null Test ist, auf Telefonie-Bedingungen einschließlich Echo, gegen eine passthrough-Kontrolle, die es schlagen darf — eine Kontrolle, die nach der Evidenz oben derzeit alles schlägt. Wenn es diese Kontrolle nicht überwindet, wird auch das veröffentlicht. Alles andere machte die übrigen Zahlen auf dieser Website wertlos — und die sind hier der eigentliche Vermögenswert.

Ebenfalls offen: wie viel der Schmalband-WER auf Codec-Artefakte entfällt und wie viel auf die Bandbegrenzung, ob Bandbreitenerweiterung für die WER netto positiv ist, und ob Streaming-Recognizer auf einem Schmalbandkanal anders degradieren als Batch.

Wohin als Nächstes

Wenn Sie Telefonverkehr betreiben, ist der erste Schritt nicht, etwas zu kaufen. Messen Sie Ihren eigenen Pfad bei 8 kHz gegen eine Passthrough-Kontrolle, und lesen Sie die Fehlerzerlegung statt des Aggregats. Einfügungen, die sich um Stille häufen, bedeuten meist Packet Loss Concealment oder Echorückfluss. Substitutionen bei Sibilanten und Ziffern bedeuten die Bandbegrenzung. Auslassungen kurzer Funktionswörter bedeuten, dass etwas stromaufwärts bereits zu hart unterdrückt.

Der Harness ist offen unter github.com/anecho, und die vollständige Matrix — einschließlich jeder Zelle, in der wir verlieren — liegt unter /benchmark. Clearline auf Ihrem eigenen Audio auszuprobieren erfordert einen API-Key, keinen Vertriebsanruf: /docs.