音声AIが実際に壊れるのは8 kHzの世界

2026年8月14日更新：再生成したNull Testの実行（18条件）と、新しいエンドツーエンドの狭帯域実験を反映しました。この更新は、ひとつの主張を撤回するものです。 本記事の以前の版では、ある主要フレームワークのデフォルトのリサンプル経路が通話者音声の約16%を破棄するというコミュニティ報告をそのまま繰り返していました。私たちはそのための対照実験を構築しましたが、私たちの測定はこの主張を支持しません。該当セクションは削除せず、以下で書き直しています。

あなたが目にしてきた音声AIのデモはどれも、WebRTC越しにノートPCのマイクから16 kHzで動いています。一方、本番の通話量が生む売上のほとんどすべては、スペクトルの上半分をすでに捨て去った電話回線から8 kHzで届きます。この2つは同じ問題ではなく、デプロイが静かに失敗するのは後者です。

このギャップは設定項目の話ではありません。失われた1オクターブ分の信号であり、誰にも制御できないコーデックチェーンであり、——執筆時点で、かつベンダーのドキュメントを読んだ私たちの解釈として——独自の処理を挿入できる場所がそもそも存在しないことが多いプラットフォーム層であり、そしてこのチャネルのために実際に作られたものが何ひとつ載っていないモデルの棚です。

電話回線が実際に取り除いているもの

PSTNとSIP電話は8 kHzの狭帯域で、G.711 µ-lawまたはA-lawとして伝送され、通過帯域はおよそ300〜3400 Hzです。8 kHzサンプリングではナイキスト限界が4 kHzになり、チャネルフィルタがさらに上から600 Hzを削ります。3.4 kHzより上は単に存在しません——そしてその帯域にこそ、特定の、異常にコストの高い音素手がかりの一群が住んでいます。

手がかり	エネルギーの所在	300–3400 Hzのチャネルを生き残るか
/s/対/f/対/θ/	歯擦音のエネルギーはおよそ4–8 kHzにピーク	いいえ。これが狭帯域の古典的な混同です。
母音の同一性（F1、F2）	250–2500 Hz	はい
/r/とF3の手がかり	およそ2000–3500 Hz	際どい。ちょうどカットオフの位置
破裂音のバースト過渡	広帯域で、多くは4 kHz超	部分的に。バーストは平坦化される
鼻音のマーマー	1 kHz未満	はい
話者の基本周波数F0	成人の大半で85–255 Hz	通常は300 Hzカットオフより下。倍音から知覚的に再構成される

つまり狭帯域の誤りは、トランスクリプト全体に一様に分布するわけではありません。音声エージェントが最も大きなビジネスリスクを負う場所に、正確に集中します。数字（「six」と「fix」は最も信頼できる弁別子を失います）、読み上げられる氏名やメールアドレス、確認コード、そして語末の/s/や/z/にかかっている複数形です。集計の単語誤り率（WER）が3%上がるということが、その通話が存在した目的であるただひとつのフィールドでは30%の誤り率になり得るのです。

問題のもう半分は認識器です。Whisperをはじめ現代のSTTモデルの大半は16 kHz音声で訓練されているため、狭帯域音声はノイズが加わる前の時点ですでに分布外です。

リサンプル税（resample tax）を検証した結果、それは存在しなかった

本記事の以前の版は、2026年8月7日のLiveKitコミュニティの注意喚起を冒頭に据えていました。デフォルトのFrameProcessorリサンプルパターンが音声を継続的に破棄している——おおよそ通話者の発話の16%が、恒久的に、すべての通話で——という報告で、スレッド内のある運用者はこれを修正してSTT精度を18ポイント近く回復したとしていました。私たちはそれを繰り返しました。この記事の中で最も引用されやすい箇所でした。

そして対照実験を構築したところ、私たち自身の測定はこの主張を支持しませんでした。

対照は単純です。狭帯域の通話者音声を 8 kHz → 16 kHz → 8 kHz と送り、戻ってきたものを入力と比較してSI-SDRを測ります。リサンプルの往復が信号の一定割合を破壊するなら、この数値は悪くなるはずで、雑なリサンプラーほどさらに悪くなるはずです。

8 kHz → 16 kHz → 8 kHz	自身の入力に対するSI-SDR
naive——サンプル繰り返しで上げ、サンプル間引きで下げる。フィルタリングは一切なし	150 dB
linear——線形補間、アンチエイリアスフィルタなし	150 dB
soxr_hq——ポリフェーズ/sinc、ライブラリのデフォルト	38.45 dB
soxr_vhq——ポリフェーズ/sinc、正しい実装	38.28 dB

二度読んでください。意図的に壊したリサンプラーが完全なヌルを記録し——150 dBは差分信号が数値的にゼロのときに私たちのハーネスが報告する上限値です——正しい実装のほうが112 dB悪いのです。

どちらの結果も正しく、その理由は測定誤差ではなく算術です。正確に2:1の比率では、サンプル繰り返しの後にサンプル間引きを行う操作は代数的に恒等関数です——元のサンプルすべてがビット単位でそのまま戻ってくるため、測るべきものが何も残りません。ポリフェーズリサンプラーのスコアが低いのは、まさに仕事をしているからです。アンチエイリアスフィルタを適用し、フィルタは信号を変えます。ラウンドトリップSI-SDRを素朴に使うと、壊れた実装に報酬を与えることになります。それこそが罠であり、だからこそ直感ではなく対照実験が必要だったのです。（比率が整数にならない44.1 kHzでは、linearは32.49 dBまで落ちます——恒等性は、テレフォニーが実際に踏む2:1のケースに固有の性質です。）

下流の文字起こしでも話は同じです。経路にモデルを一切置かない場合、リサンプラー選択の価値はWERで0.18ポイントです。soxr_vhqが10.96%、linearが11.14%、生の8 kHz対照が11.14%。参照語数1,140語に対して、これは2語です。同点です。

そしてモデルを経路に置くと、結果は逆転します。検証した6つのモデルとリサンプラーの組み合わせすべてで、naiveなリサンプラーのほうが良く文字起こしされました——平均で−3.0ポイント、全ペアがマイナスで、−0.4（naiveとのaic-quail）から−5.6（linearとのfastenhancer-b）まで。ありそうなメカニズムはこうです。ポリフェーズリサンプラーはモデルが一度も訓練されていない追加のフィルタリング段であるのに対し、2:1の最近傍補間は恒等変換なので、naive経路のほうが変質の少ない信号をモデルに渡すのです。

つまり私たちは、リサンプリングが通話者音声を破壊すると主張しているのではなく、16%という数字を自分たちのもののように繰り返すこともせず、リサンプリングの正しさを回復された精度として売ることもしません。注意喚起の著者の計測が何を測っていたのかは分かりません——特定のパイプライン内部のフレーム計数は私たちの実験と同じ実験ではなく、彼らの修正は彼らのデプロイには明らかに役立ちました。言えるのは、私たちが繰り返した形での一般的な主張は、ここでは再現しないということです。

この記事からひとつだけ行動を持ち帰るなら、それは今でもこれです。SIPトランクが配送する音声ではなく、認識器が実際に受け取る音声を録音し、両者の長さを比較してください。フレーム計数は確認する価値があります。ただし、WER 1ポイント分の価値はありません。

何も修復しないアップサンプリング

正しいリサンプラーであっても、何も復元しません。8 kHzを16 kHzにリサンプルするのは、モデルが16 kHz入力を要求するからです。それはインターフェースを満たすだけで、情報は何も加えません。4〜8 kHzのオクターブは空のままです。そこには補間すべきエネルギーが最初から存在しなかったからです。音響モデルが見るのは、上半分が死んでいて3.4 kHzに硬い棚のある16 kHzのスペクトログラム——訓練データの中では、現れるとしてもほぼ劣化としてしか現れないパターンです。

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

つまり、ほとんどのスタックで「テレフォニー対応」とは「リサンプルして祈る」という意味です。興味深い失敗はリサンプラーではありません——それを確かめるためにいまひとつのセクションを費やしたばかりです——その先にいるモデルが、一度も訓練されたことのない分布を食わされていることです。

測定結果：棚の上の何ひとつ、電話回線では役に立たない

私たちはテレフォニー経路を、私たちのオープンベンチマークであるNull Testに通しました。18条件のうち7つがテレフォニーです。G.711 µ-lawの往復——8 kHzへリサンプルし、エンコードし、デコードし、リサンプルで戻す——、同じ往復にSNR 10 dBのノイズを加えたもの、そして5つのキャリア変種（A-law、G.722、12 kbpsのOpus、3%と10%のバースト性パケット損失）です。

出どころを明記します。これらの数字の価値は、その手法の価値と正確に等しいからです。単一の認識器、faster-whisper base.en（CTranslate2 int8 CPU、グリーディ）、Silero VAD、話者10人／180クリップ／約1406秒の音声、条件あたり約190参照語、18条件、12バックエンド、Apple M1 Max、onnxruntime 1.28.0をintra-opスレッド1本に固定。このサンプルサイズでは1語がWER約0.5ポイントに相当します。デルタ列はそのつもりで読んでください。

バックエンド	G.711	Δ（raw比）	G.711 + ノイズ10 dB	Δ（raw比）
Raw（処理なし）	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

テレフォニー音声で意味のある改善を生んだ音声強調（speech enhancement）モデルはひとつもなく、いくつかは大きな劣化を引き起こしました——FastEnhancer-Tは両条件で+6.8ポイント、DeepFilterNet3は両条件で+9.5です。

一見勝ちに見える2つの結果については正確に述べておきます。エラーバー抜きで引用されがちな類のものだからです。FastEnhancer-Sはクリーン行で-0.5ポイント——何もしない場合から参照語1語分の範囲内——で、ノイズが加わると3.7ポイント悪化します。Quail VFはノイズ行で-1.1、クリーン行で+2.6です。どちらも勝ちではなく、どちらも負けでもありません。有用な読み方は、上振れはゼロの形をしており、下振れは10ポイントに及ぶ、というものです。

今回の実行で追加した5つのキャリア条件は、この読みを変えるのではなく、むしろ締め付けます。どの条件でもrawに勝つエンジンはなく、5条件中4条件で、エンジンが達成できた最良は正確な同点です。

条件	Raw	最良エンジン	最悪エンジン
A-law	7.4%	7.4%（Quail L、同点）	49.0%（FastEnhancer-M）
G.722	5.3%	5.3%（FastEnhancer-B、同点）	6.8%（FastEnhancer-M）
Opus 12 kbps	6.8%	6.8%（FastEnhancer-S、同点）	12.1%（GTCRN）
3%バースト性損失	11.1%	11.1%（Quail VF、同点）	24.7%（DeepFilterNet3）
10%バースト性損失	10.0%	10.5%（Quail L）	35.3%（FastEnhancer-T）

A-lawのFastEnhancer-M行は凝視する価値があります。rawのベースライン7.4%に対して49.0%。rawでは2件の挿入が、ここでは61件に膨らんだ結果です。コンパンディングによる量子化ノイズはこのモデルの想定外であり、モデルは幻覚で応答します。これが電話回線上でのこのカテゴリ全体の形です——天井は同点で、床は破局です。

DeepFilterNet3の数字には毎回ただし書きが必要です。公開されているONNXエクスポートはどれも再帰状態テンソルを持たず、公開済みの重みではフレーム単位のストリーミングが不可能なため、私たちはブロックオンラインのアダプタ経由で測定しています。同モデルの行は品質の下限であり、コストの上限です。ai-cousticsの行は、ライセンス供与されたSDK経由で実行したプロプライエタリなベースラインです——参照点であって、私たちの出荷コードパスでは決してありません。

あの表に欠けていた実験：端から端まで8 kHz

私たちのG.711条件での生WERは5.8%です。これは簡単な条件であり、上の行列のバックエンドはどれも、狭帯域信号に向けられた広帯域モデルです。この表が語るのは特定の限られたこと——広帯域の音声強調モデルは狭帯域チャネルでは役に立たず、大きく害になり得る——であって、ネイティブに8 kHzで処理することがリサンプリングに勝るかどうかについては何も語りません。

そこで、その問いに答える実験を構築しました。60クリップ、6つの狭帯域条件、アーム内のどこにも一切リサンプルを挟まないエンドツーエンドの8 kHz、正真正銘ネイティブな8 kHzモデル3つ、そして対照を含むすべてのアームでSTT取り込み側のリサンプラーをsoxr_vhqに固定。参照語数は1,140語なので、1語がWER 0.09ポイントに相当します——この比率は以下のすべての数字に付いて回ります。

経路	WER	生8 kHz比
生8 kHz（対照）	11.14%	—
リサンプルのみ、モデルなし、soxr_vhq	10.96%	−0.18
リサンプルのみ、モデルなし、linear	11.14%	0.00
ネイティブ8 kHz quail-l-8khz	11.05%	−0.09
ネイティブ8 kHz quail-s-8khz	11.32%	+0.18
ネイティブ8 kHz rook-l-8khz	12.46%	+1.32
アップサンプル quail（16 kHz重み）、soxr_vhq	11.75%	+0.61
アップサンプル quail-vf（16 kHz重み）、soxr_vhq	12.98%	+1.84
アップサンプル gtcrn、soxr_vhq	16.58%	+5.44
アップサンプル fastenhancer-b、soxr_vhq	17.63%	+6.49
アップサンプル fastenhancer-m、soxr_vhq	21.14%	+10.00
アップサンプル fastenhancer-t、soxr_vhq	24.82%	+13.68

ここから3つのことが落ちてきます。そのうち私たちが探しに行ったものは1つだけです。

ネイティブ8 kHzは、0.7ポイント差で「リサンプルして祈る」に実際に勝ちます。同じベンダー、同じモデルファミリーで、唯一の違いは8 kHz重みか、リサンプル経路上の16 kHz重みか。11.05%対11.75%です。私たちが調べた限り、この比較を公開した者はどこにもいません。同時にこれは1,140語中のおよそ8語であり、現実的で方向性のある、しかし控えめな結果であって、見出しではありません。ネイティブに作る理由にはなります。何かを買う理由にはなりません。

手つかずの通話者音声に勝ったものはありません。表の中で最良の経路である11.05%のquail-l-8khzは、生対照の11.14%より0.09ポイント下——1語です。これは同点であって勝利ではありません。それ以外のすべての経路は、何もしないより悪い。狭帯域の電話では、2026年8月の時点で、帰無仮説は無敗です。

そして、テストすべきものがほとんど存在しません。ネイティブのセクションがどれほど短いかを見てください。あの3つのモデルが、私たちが入手できた正真正銘の狭帯域音声強調重みの全人口です。GTCRN、FastEnhancer、DeepFilterNet3には8 kHzチェックポイントが一切ありません——劣ったものがあるのではなく、皆無なのです——そのため電話ではリサンプルのラッパー越しにしか実行できず、だからこの表にはアップサンプル行としてのみ登場します。狭帯域重みを出荷しているベンダーは1社です。狭帯域の話者分離（speaker isolation）を出荷している者は誰もいません。ai-cousticsのVoice Focusモデル全種と主要話者VADは16 kHz専用です。同じベンダーが、汎用の音声強調モデルと人間向け聴取モデルには8 kHzを出荷しているにもかかわらず、です。Krispのテレフォニー向けの答えは、主力ラインより軽量と明示的に位置づけられた変種です。

それがこの記事の実際の発見であり、気づくまでに時間がかかったのは、私たちが損傷を探すのに忙しかったからです。電話回線の問題は、何かがあなたの音声を壊していることではありません。その上で動かしたいはずのものが、そもそも一度も作られていないことです。

この行列になお欠けているものは、以下の実際の信号チェーンと見比べるのが一番よく分かります。私たちの条件はそのうちの一部の段をモデル化し、他の段はモデル化していません。

信号チェーンの中に、あなたの味方は誰もいない

帯域制限の前の時点ですでに、信号はあなたが制御も検査もできない複数の処理段を通過しています。

段	典型的な処理	持ち込まれるアーティファクトの種類	現在モデル化済みか
ハンドセット	AMR-WBまたはEVSエンコード、端末のノイズ抑制、AGC	抑制済みの音声、ミュージカルノイズ、ポンピングするゲイン	いいえ
キャリア相互接続	G.711 µ-lawまたはA-law、G.722、低ビットレートOpusへのトランスコード。8 kHzへのダウンサンプル	帯域制限、コンパンディング量子化ノイズ	はい
SIPトランク	ジッタバッファ、パケット損失隠蔽、DTX、コンフォートノイズ	時間領域の継ぎ接ぎ、繰り返しフレーム、合成ノイズフロア	はい——3%と10%のバースト性二状態損失
エコー経路	ハイブリッドまたはスピーカーフォンによる、エージェント自身のTTSの回り込み	流暢で自信に満ちた挿入	いいえ——残された最大のギャップ
あなたのスタック	16 kHzへのリサンプル、しばしば二度目の抑制パス	空の上位帯域、カスケードされた抑制	部分的に

キャリア行とパケット損失行は、今回の更新で「いいえ」から「はい」に移りました。それぞれ一言ずつ添える価値があります。

パケット損失隠蔽は無音ではありません。パケットが失われると、ジッタバッファは直前のフレームから代替物を合成します。言語的内容を持たないもっともらしい波形であり、認識器は喜んでそこから単語をデコードします。これらはどんな音声強調モデルにも直せない挿入です。信号が劣化しているのではなく、捏造されているからです。私たちはこれを、独立なランダム損失プラス無音埋めではなく、20 msフレームのバースト性二状態（Gilbert-Elliott）消失と減衰リピートによる隠蔽としてモデル化しています。独立損失はあらゆるデコーダに有利に働き、無音埋めは損害を過大に見せるからです。

ハンドセットはすでに抑制を済ませています。音声は通常、あなたが触れる前に端末上で一度抑制されています。つまりあなたは、一度目のニューラル抑制のアーティファクトの上に、二度目のニューラル抑制を重ねているのです。これを公に特性評価した者は誰もいません。私たちを含めて、です——ただし私たちの結果は、抑制の必要がない素材への抑制パスが確実に高くつくことは示しています。分割パイプラインをご覧ください。

エコーは依然として欠けている行であり、私たちが最も欲しい行です。非線形なスピーカー歪みを伴う音響エコーは、この製品のうちパッチでは直せない半分の背後にある劣化要因ですが、私たちはまだその条件を構築していません。それができるまで——そしてClearlineが、Clearlineに勝つことを許されたpassthrough対照と並ぶ、これらの表の1行になるまで——私たちが測定したのは棚であって、棚に対する私たちの答えではありません。

プラットフォームのギャップ

8 kHzが十分にサービスされないことには構造的な理由があります。最も流量の多い経路の上で、主要プラットフォームは立つ場所を与えてくれないのです。執筆時点での、公開ドキュメントを読んだ私たちの解釈として述べます。

• LiveKitのSIPトランク統合が公開しているのは標準のKrispノイズキャンセルだけです——他の経路で利用できる背景音声キャンセル変種ではありません。テレフォニーのレッグ、つまり最悪の音声を抱える区間に、バンドルされた2つの選択肢のうち能力の低いほうが割り当てられています。
• Twilioには、<ConversationRelay>と並行してメディアをタップできる場所がドキュメント上存在しません——ただしこれは私たちの推論であって、彼らの言明ではありません。<Connect>は終端として文書化されており、ConversationRelayのソケットはJSONしか運ばないため、Twilioはメディアを終端して再生成しているはずです。Twilioは<Stream>が非互換だとは言っておらず、動くとも言っていません。<Connect>リファレンス、ConversationRelayの概要、オンボーディングページをgrepしても、どちらの向きの本文も返ってきません。私たちは確認する前にこれを事実として述べました。それは私たちの誤りでした。これは電話を1本かければ決着する話で、私たちはまだかけていません。
• ai-coustics自身の担当者は、テレフォニー顧客を自社の8 kHzモデルから16 kHzモデルへと誘導しています。私たちはこれを失言ではなく、率直なエンジニアリング上の回答と読んでいます。狭帯域モデルは、彼らの品質が宿る場所ではないのです。
• 市場にある話者分離モデルはすべて16 kHzです。ai-cousticsは汎用の音声強調モデルと人間向け聴取モデルには8 kHz重みを出荷していますが、Voice Focusの全変種と主要話者VADは16 kHz専用です。Krispのテレフォニー向けエントリは、主力ラインより軽量と位置づけられた変種です。テレフォニーはまさに、競合する話者が最悪な場所——コンタクトセンターの大部屋、スピーカーフォン、背後のテレビ——でありながら、分離モデルが動かない唯一の場所です。
• DNS Challenge——この分野の主要なノイズ除去ベンチマークシリーズであり、公表されている大半のノイズ除去モデルがそれに合わせてチューニングされているもの——には、狭帯域トラックが一度も存在しませんでした。最先端を定義するベンチマークが8 kHzを一度も採点しなかったのなら、最先端は8 kHzに最適化されたことが一度もないということです。私たちのテレフォニー行は、その欠落を受信側から見た姿です。

これらの読みのいずれかが誤っていた場合、あるいは変わった場合には、この記事を訂正し、日付を記します。すでに一度、冒頭でそうしています。

帰結として、最も売上の大きいチャネルにおける音声品質の決定は、あなたが選んでおらず測定もできないバンドル済みコンポーネントによって、あなたの代わりに下されています。基本的なノイズキャンセルは今やどこでも無料です——希少なのはそこではありません。希少なのは、実際のチャネルのために訓練されたモデルと、それが下流で役立つかどうかの証拠です。

Clearlineとは何か、そして何を証明しなければならないか

Clearlineが意図的に前面に出さないもののひとつが帯域拡張（bandwidth extension）です。欠けている4〜8 kHz帯を予測することは可能ですが、それは生成的です。通話者の/s/を回復するのではなく、もっともらしい/s/を合成します。聴き手にとっては実益であり、大きなPESQ数値にもなりますが、認識器にとっては自信に満ちた置換を生む新しい方法です——誤りが「回復不能」から「自信を持って間違う」へ移動します。他のあらゆる場所と同じ目的関数の不一致が、狭帯域で最大幅になったものです。

Clearlineは汎用のノイズ除去器ではなく、テレフォニー製品です。3つのコミットメントを、論証に占める重みの順に挙げます。

• ネイティブ8 kHzの主要話者分離。上の表が晒しているギャップです。モデルはチャネルのサンプルレートで動作し、背後の部屋ではなく電話口の本人を保持します。今日これを8 kHzで出荷している者は誰もいません。それこそが作る理由のすべてです。
• 残留エコー抑制。ハイブリッドやスピーカーフォンは、エージェント自身のTTSを、流暢で自信に満ちた挿入として認識器に漏らし戻します。これは環境ノイズではなく、ノイズ除去器では直りません。また、私たちのベンチマークにはまだこの条件が存在せず、それはこの記事のどの数字よりも大きな穴だと考えています。
• 正しいリサンプリング。入ったサンプル数と同じサンプル数が出ること。CIで検証されます。私たちはこの項目を意図的に格下げしています。かつては製品機能と呼んでいました。この記事の前半の対照実験が、いまこれを衛生と呼ぶ理由です。正しいのは正しさが安価だからであって、精度を買ってくれるからではありません。

モデル自体の現在地。Clearlineは、完全に私たち自身のものであるパイプラインを通じて、ライセンス的にクリーンなデータで訓練しており、アーキテクチャとコーパスの作業はまさに今進行中です——狭帯域のターゲット話者抽出は、公表文献が対象としている広帯域の場合よりも難しい問題であり、だからこそ棚は空なのです。Clearlineは、その行に値するまで、このサイトのどの表にも登場しません。ここにある他のすべてと同じ条件で、同じ対照に対して測定されて、初めてです。このルールこそが、上の表が読むに値する理由です。

数字が到着するのは、ClearlineがNull Testの1行になるときです。エコーを含むテレフォニー条件で、Clearlineに勝つことを許されたpassthrough対照——上の証拠の上では、現在すべてに勝っている対照——と並んで。その対照を越えられなければ、それも公開します。それ以外のやり方は、このサイトの残りの数字を無価値にします。その数字こそが、ここでの実際の資産なのです。

まだ埋まっていないものもあります。狭帯域WERのうちどれだけがコーデックアーティファクトで、どれだけが帯域制限なのか。帯域拡張はWERにとって正味プラスなのか。ストリーミング認識器は狭帯域チャネルでバッチと異なる劣化を示すのか。

次にどこへ向かうか

電話トラフィックを運用しているなら、最初の一歩は何かを買うことではありません。自分自身の8 kHz経路をパススルー対照と比較して測定し、集計値ではなく誤りの内訳を読んでください。無音の周りに固まった挿入は、たいていパケット損失隠蔽かエコーの回り込みを意味します。歯擦音と数字での置換は帯域制限を意味します。短い機能語の削除は、上流の何かがすでに強く抑制しすぎていることを意味します。

ハーネスはgithub.com/anechoで公開されており、完全な行列——私たちが負けるすべてのセルを含む——は/benchmarkにあります。Clearlineを自分の音声で試すのに必要なのはAPIキーであって、営業電話ではありません。/docsをご覧ください。