Whisper large-v2, szeroko stosowany model rozpoznawania mowy, popełnił 36,4% błędów słów na nagraniach spotkań zarejestrowanych jednym odległym mikrofonem, wobec 16,9% na tych samych spotkaniach nagranych mikrofonami zestawów słuchawkowych (OpenAI, artykuł o Whisper 2022). Różnica zaczyna się już przy rejestracji: wbudowany mikrofon laptopa w odległości około 60 cm nagrał mowę o 12,82 dB ciszej niż mikrofon zestawu słuchawkowego w odległości od 15 do 20 cm w badaniu 30 osób (Busquet i in., Behavior Research Methods 2023). I nie pozostaje to sprawą czysto techniczną: 600 słuchaczy oceniło kandydata do pracy słyszanego z blaszanym, słabym dźwiękiem mikrofonu na 68,50 na 100 pod względem szans na zatrudnienie, wobec 76,04 dla czystego nagrania (Walter-Terrill i in., PNAS 2025). Zebraliśmy dane od Amazon, Yale University, konkursów REVERB i CHiME, z czasopisma Ear and Hearing, z badania spotkań w pięciu organizacjach, od ITU-T i Zoom, a także z dwóch ankiet producentów, oznaczonych jako takie. Rynek samego sprzętu opisują nasze statystyki rynku kamerek internetowych; ta strona dotyczy tego, co mikrofon robi z głosem.
TL;DR
- Współczynnik błędów słów Whisper large-v2 na spotkaniach AMI: 16,9% z indywidualnych mikrofonów zestawów słuchawkowych wobec 36,4% z jednego odległego mikrofonu (OpenAI, artykuł o Whisper 2022).
- Wbudowany mikrofon laptopa w odległości około 60 cm rejestrował mowę na poziomie 46,91 dB, wobec 59,73 dB dla mikrofonu zestawu słuchawkowego w odległości od 15 do 20 cm (Busquet i in., Behavior Research Methods 2023).
- W nagraniach kolacji towarzyskich DiPCo firmy Amazon WER dla mikrofonu bliskiego pola wyniósł 42,10%, wobec 77,52% dla macierzy dalekiego pola (Van Segbroeck i in., DiPCo 2019).
- Spotkania AliMeeting po mandaryńsku: 9,9% błędów znaków dla dźwięku z zestawów słuchawkowych wobec 49,0% dla dźwięku z macierzy dalekiego pola (Yu i in., M2MeT 2022).
- Ocena szans na zatrudnienie spadła z 76,04 do 68,50 na 100, gdy ten sam głos brzmiał jak ze słabego mikrofonu, przy niezmienionej dokładności transkrypcji (98,09% wobec 98,07%) (Walter-Terrill i in., PNAS 2025).
- Dźwięk niskiej jakości uzyskał ViSQOL MOS 2,13, wobec 4,68 dla jakości średniej, i obniżył oceny zatrudnialności (Schütze i in., Forum Acusticum 2026).
- Szum tła spowalniał reakcje słuchaczy średnio o 91 ms, co jest miarą wysiłku słuchania (Picou i in., Ear and Hearing 2016).
- Dorośli z implantami ślimakowymi osiągali około 60% typowej efektywności słuchania w rozmowach online wyłącznie dźwiękowych, a około 80% przy napisach (Perea Pérez i in., Ear and Hearing 2025).
- Tylko 30% pracowników umysłowych używa w pracy profesjonalnego zestawu słuchawkowego, a 8% uznaje go za swoje główne urządzenie (Jabra Knowledge Worker Study 2023, ankieta producenta).
1. Odległość mikrofonu a poziom zarejestrowanej mowy
Mikrofon kamerki internetowej lub laptopa to mikrofon dalekiego pola: znajduje się mniej więcej na długość ręki od ust lub dalej, więc nagrywa pomieszczenie razem z głosem. Mikrofon zestawu słuchawkowego to mikrofon bliskiego pola (close-talk), kilka centymetrów od warg. Najczystsze zmierzone porównanie pochodzi z badania z 2023 roku, w którym nagrywano tych samych mówców na kilku urządzeniach. Wbudowany mikrofon laptopa w odległości około 60 cm rejestrował mowę na poziomie 46,91 dB, a mikrofon zestawu słuchawkowego w odległości od 15 do 20 cm 59,73 dB, czyli różnica wynosi 12,82 dB (59,73 minus 46,91) (Busquet, Efthymiou i Hildebrand, Behavior Research Methods 2023).
Dla kupujących ważne są dwa szczegóły. Po pierwsze, nawet mikrofon studyjny w tej samej odległości 60 cm zarejestrował mowę głośniej niż laptop o 10,76 dB (57,67 minus 46,91), więc wbudowany mikrofon traci zarówno przez odległość, jak i przez sprzęt. Po drugie, laptop i mikrofon studyjny zmierzyły średnią wysokość głosu niemal identycznie, co oznacza, że odległy mikrofon nie zmienia tego, jak brzmisz; zmienia to, ile z ciebie dociera na drugą stronę w porównaniu z pomieszczeniem. Osobny test nagrań pracy grupowej pokazuje drugą połowę historii: przy sześciu różnych mikrofonach ustawionych w odległości 5 stóp (około 1,5 m) wybór modelu prawie nie zmieniał współczynnika błędów (Bradford i in., EDM 2022).
| Wskaźnik | Wartość | Źródło |
|---|---|---|
| Poziom mowy, wbudowany mikrofon laptopa w odległości ok. 60 cm wobec mikrofonu zestawu słuchawkowego w odległości 15-20 cm | 46,91 dB wobec 59,73 dB | Busquet i in., Behavior Research Methods 2023 |
| Poziom mowy, mikrofon studyjny w odległości ok. 60 cm wobec mikrofonu krawatowego (zapinanego) w odległości 15-20 cm | 57,67 dB wobec 63,68 dB | Busquet i in., Behavior Research Methods 2023 |
| Średnia wysokość głosu zmierzona mikrofonem laptopa wobec mikrofonu studyjnego | 168,42 Hz wobec 169,31 Hz (t = -0,89, p = 0,99) | Busquet i in., Behavior Research Methods 2023 |
| Wielkość badania porównującego urządzenia | 30 uczestników, 1.800 próbek głosu | Busquet i in., Behavior Research Methods 2023 |
| Współczynnik błędów słów, sześć mikrofonów w odległości 5 stóp od mówców, odczyt skryptu | od 10,7% do 12,0% | Bradford i in., EDM 2022 |
| Współczynnik błędów słów, te same sześć mikrofonów, swobodna rozmowa grupowa | od 52,7% do 61,3% | Bradford i in., EDM 2022 |
| Odległość od każdego mówcy do macierzy dalekiego pola w nagraniach DiPCo | od 1.120 mm do 3.950 mm | Van Segbroeck i in., DiPCo 2019 |
| Odległość mikrofonu od mówcy w salach spotkań AliMeeting | od 0,3 do 5,0 m | Yu i in., M2MeT 2022 |
Uwaga kontekstowa: wartości decybelowe w tym badaniu są miarami amplitudy z nagrań, a nie skalibrowanymi poziomami ciśnienia akustycznego, więc różnica 12,82 dB porównuje urządzenia w ramach jednego układu, a nie przewiduje, co zaoferuje dowolna kamerka internetowa. Najnowsze dostępne dane dla porównania EDM: 2022.
2. Błędy rozpoznawania mowy: mikrofon bliskiego pola a daleki
Rozpoznawanie mowy to najlepiej mierzalny słuchacz i w każdym korpusie mówi to samo: oddal mikrofon, a błędy z grubsza się podwajają lub rosną jeszcze bardziej. Whisper large-v2 przeszedł od 16,9% WER (współczynnik błędów słów, czyli odsetek słów błędnie zapisanych) na spotkaniach AMI nagranych indywidualnymi mikrofonami zestawów słuchawkowych do 36,4% na tych samych spotkaniach z jednego odległego mikrofonu, czyli około 2,2 raza więcej (36,4 podzielone przez 16,9) (Radford i in., artykuł o OpenAI Whisper 2022). Starszy model wav2vec 2.0 pokazuje ten sam kierunek: 37,0% wobec 67,6%.
Wzorzec utrzymuje się w domach i w innych językach. Korpus DiPCo firmy Amazon rejestrował cztery osoby przy stole jadalnym jednocześnie przez zestawy słuchawkowe i pięć macierzy dalekiego pola: najlepsza konfiguracja ewaluacyjna dała 42,10% WER dla bliskiego pola i 77,52% dla dalekiego, czyli około 1,8 raza więcej (77,52 podzielone przez 42,10) (Van Segbroeck i in., DiPCo 2019). W spotkaniach mandaryńskich różnica była jeszcze większa, 9,9% wobec 49,0% CER (współczynnik błędów znaków, mandaryński odpowiednik WER), czyli około 5 razy (49,0 podzielone przez 9,9) (Yu i in., M2MeT 2022). Trening na dźwięku z dalekiego pola zmniejszył ją do 8,2% wobec 33,3%, ale jej nie zlikwidował. Pomieszczenia z macierzami sufitowymi mają własne dane, opisane w naszych statystykach mikrofonów beamformingowych w salach konferencyjnych.
| Wskaźnik | Wartość | Źródło |
|---|---|---|
| WER Whisper large-v2, spotkania AMI: indywidualne mikrofony zestawów słuchawkowych wobec jednego odległego mikrofonu | 16,9% wobec 36,4% | Radford i in., artykuł o OpenAI Whisper 2022 |
| WER wav2vec 2.0 Large (bez modelu językowego), AMI: mikrofony zestawów słuchawkowych wobec jednego odległego mikrofonu | 37,0% wobec 67,6% | Radford i in., artykuł o OpenAI Whisper 2022 |
| WER rzeczywistych nagrań REVERB, najlepszy system z ośmioma mikrofonami | 9,0% | Kinoshita i in., podsumowanie konkursu REVERB 2016 |
| WER ewaluacji DiPCo, zestaw słuchawkowy bliskiego pola wobec macierzy dalekiego pola (najlepszy model językowy) | 42,10% wobec 77,52% | Van Segbroeck i in., DiPCo 2019 |
| CER AliMeeting, model wytrenowany na dźwięku z zestawów słuchawkowych: test na zestawach słuchawkowych wobec testu na dalekim polu | 9,9% wobec 49,0% | Yu i in., M2MeT 2022 |
| CER AliMeeting, model z dodatkowymi danymi z dalekiego pola, zewnętrznymi i symulowanymi: zestaw słuchawkowy wobec dalekiego pola | 8,2% wobec 33,3% | Yu i in., M2MeT 2022 |
| WER rzeczywistych nagrań REVERB: referencja czysta lub z zestawu słuchawkowego wobec bazowego dalekiego pola | 6,9% wobec 49,2% | Kinoshita i in., podsumowanie konkursu REVERB 2016 |
| Oficjalny bazowy WER CHiME-6 na macierzach dalekiego pola, zbiór deweloperski wobec ewaluacyjnego | 51,8% wobec 51,3% | Watanabe i in., konkurs CHiME-6 2020 |
Najnowsze dostępne dane: artykuł o Whisper (2022) to wciąż największe publiczne zestawienie WER dla zestawów słuchawkowych i odległego mikrofonu na tych samych spotkaniach; nowsze modele nie opublikowały podziału AMI na zestaw słuchawkowy i odległy mikrofon w tym samym formacie. Artykuł bazowy CHiME-6 dopuszczał w czasie testu wyłącznie macierze dalekiego pola, dlatego nie ma w nim kolumny dla bliskiego pola.
3. Pomieszczenia, szum i wysiłek słuchania
Odległość ma znaczenie z powodu tego, co wypełnia dystans: odbić i szumu. Typowy salon potrzebuje od 0,3 do 0,7 s, aby jego odpowiedź zanikła o 60 dB (czas pogłosu), według przeglądu dotyczącego rozpoznawania mowy w dalekim polu (Haeb-Umbach i in., Far-Field Automatic Speech Recognition 2020). Mikrofon zestawu słuchawkowego blisko ust słyszy znacznie mniej tego ogona niż mikrofon kamerki na monitorze.
Dla ludzkich słuchaczy dowody dzielą się w pożyteczny sposób. W kontrolowanym badaniu opublikowanym w Ear and Hearing szum tła spowalniał reakcje średnio o 91 ms (miara wysiłku słuchania przyjęta w badaniu), natomiast pogłos nie zmieniał wysiłku w istotny sposób, chociaż każdy kolejny stopień pogłosu obniżał rozpoznawanie słów o około 8 RAU (racjonalizowane jednostki arcus sinus, czyli przekształcony wynik procentu poprawnych odpowiedzi) (Picou, Gordon i Ricketts, Ear and Hearing 2016). Innymi słowy, echo pomieszczenia kosztuje słowa, a szum pomieszczenia kosztuje energię. To ważne, bo odległy mikrofon wychwytuje więcej jednego i drugiego. W przypadku osób z niedosłuchem australijskie National Acoustic Laboratories ustaliły, że śledzenie rozmów podczas wideokonferencji wymagało znacznie większego wysiłku niż u osób z prawidłowym słuchem, a aparaty słuchowe nie przywracały poziomów typowych dla rozmowy twarzą w twarz. Fizjologiczną stronę zmęczenia rozmowami opisują nasze statystyki biomarkerów zmęczenia spotkaniami wideo.
| Wskaźnik | Wartość | Źródło |
|---|---|---|
| Typowy czas pogłosu w salonie (zanik do -60 dB) | od 0,3 do 0,7 s | Haeb-Umbach i in., przegląd Far-Field ASR 2020 |
| Spadek rozpoznawania słów na każdy stopień wzrostu pogłosu, przy stałym stosunku sygnału do szumu | około 8 RAU | Picou i in., Ear and Hearing 2016 |
| Spowolnienie reakcji w szumie wobec ciszy (wysiłek słuchania) | średnio 91 ms | Picou i in., Ear and Hearing 2016 |
| Wpływ pogłosu na wysiłek słuchania przy porównywalnym rozpoznawaniu | nieistotny (p = 0,18) | Picou i in., Ear and Hearing 2016 |
| Czasy pogłosu testowane w tym badaniu | T30 poniżej 100 ms, 475 ms i 834 ms | Picou i in., Ear and Hearing 2016 |
| Symulowane pomieszczenia REVERB: czasy pogłosu oraz bliska wobec dalekiej odległości mikrofonu | 0,3, 0,6 i 0,7 s; 50 cm wobec 200 cm | Kinoshita i in., podsumowanie konkursu REVERB 2016 |
| WER dalekiego pola w CHiME-5: bazowy wobec mocnego back-endu wobec separacji wielomikrofonowej z usuwaniem pogłosu | tuż poniżej 80% wobec około 60% wobec 43,2% | Haeb-Umbach i in., przegląd Far-Field ASR 2020 |
| Efektywność słuchania użytkowników implantów ślimakowych w rozmowach online, tylko dźwięk wobec z napisami (odsetek średniej osób z prawidłowym słuchem) | około 60% wobec około 80% | Perea Pérez i in., Ear and Hearing 2025 |
Uwaga o wartości odstającej: brak wpływu pogłosu na wysiłek zaskoczył samych autorów, którzy uznali go za niezgodny z obecnymi modelami wysiłku słuchania; zmierzono go u 18 młodych dorosłych z prawidłowym słuchem. Najnowsze dostępne dane: 2016. Szum to ta połowa, którą oprogramowanie może zwalczać, zobacz nasze statystyki neuronowego tłumienia szumu.
4. Jak słuchacze oceniają mówcę przez słaby mikrofon
Najważniejsze odkrycie ostatnich dwóch lat jest takie, że słaby dźwięk z mikrofonu zmienia oceny osoby, a nie tylko zrozumiałość. W eksperymencie opublikowanym w PNAS, w którym wzięło udział 600 słuchaczy, kandydat do pracy słyszany z blaszanym, głuchym dźwiękiem ‘słabego mikrofonu’ uzyskał ocenę szans na zatrudnienie 68,50 wobec 76,04 dla czystego nagrania (d = 0,35, P < 0,001), przy identycznej dokładności transkrypcji 98,07% wobec 98,09% (Walter-Terrill, Ongchoco i Scholl, PNAS 2025). Słuchacze rozumieli każde słowo; po prostu gorzej myśleli o mówcy.
Kontynuacja z 2026 roku z udziałem 299 uczestników i rozmów kwalifikacyjnych z awatarem wykazała, że dźwięk o niskiej przepływności i ograniczonym paśmie obniżał oceny zatrudnialności (p < 0,001), podczas gdy przejście ze średniej do wysokiej jakości nie robiło różnicy (p = 0,813) (Schütze, Biberger i Reber, Forum Acusticum 2026). Sugeruje to istnienie progu: słuchacze karzą wyraźnie pogorszony dźwięk, a nie zwykły. Wcześniejsze prace wykazały to samo uprzedzenie w symulowanych rozmowach kwalifikacyjnych przez Skype, gdzie utrzymywało się nawet po poleceniu ocenianym, by ignorowali jakość połączenia (Fiechter i in., Cognitive Research 2018).
| Wskaźnik | Wartość | Źródło |
|---|---|---|
| Ocena szans na zatrudnienie (od 0 do 100), czyste nagranie wobec blaszanej wersji ‘słabego mikrofonu’ | 76,04 wobec 68,50 (d = 0,35) | Walter-Terrill i in., PNAS 2025 |
| Dokładność transkrypcji, nagranie czyste wobec zniekształconego | 98,09% wobec 98,07% (P = 0,915) | Walter-Terrill i in., PNAS 2025 |
| Słuchacze w eksperymencie 1 | 600 (300 na warunek) | Walter-Terrill i in., PNAS 2025 |
| Różnica w ocenie zatrudnialności, wysoka wobec niskiej jakości dźwięku (skala od 0 do 100) | 6,4 punktu; niska wobec wysokiej p < 0,001; średnia wobec wysokiej p = 0,813 | Schütze i in., Forum Acusticum 2026 |
| Obiektywna jakość (ViSQOL MOS) dźwięku niskiej wobec średniej jakości | 2,13 wobec 4,68 | Schütze i in., Forum Acusticum 2026 |
| Ocena szans na zatrudnienie (od 1 do 10), płynny wobec pogorszonego dźwięku i obrazu, oba eksperymenty łącznie | 6,91 wobec 6,33 (d Cohena = 0,44) | Fiechter i in., Cognitive Research 2018 |
| Słuchacze, którzy ocenili identyczne wystąpienia lub wywiady radiowe słyszane w dobrej wobec słabej jakości dźwięku | 97 (eksperyment 1) i 99 (eksperyment 2) | Newman i Schwarz, Science Communication 2018 |
Uwaga kontekstowa: w badaniu Newmana i Schwarza (DOI 10.1177/1075547018759345) słaby dźwięk obniżał oceny wystąpienia, inteligencji mówcy i wagi badań, jak podsumowało to USC. MOS (mean opinion score, średnia ocena opinii) to standardowa skala jakości odsłuchu, w której wyższa wartość jest lepsza; ViSQOL to model programowy, który ją przewiduje. Najnowsze dostępne dane dla badań Fiechter i Newmana: 2018.
5. Zasady certyfikacji: co naprawdę testują Teams, Zoom i ITU
Programy certyfikacji pokazują, gdzie producenci stawiają poprzeczkę dla dźwięku, a kamerki internetowe w większości leżą poza nią. Strona urządzeń certyfikowanych dla Teams podaje, że urządzenia audio, takie jak zestawy słuchawkowe i zestawy głośnomówiące, muszą oferować dźwięk szerokopasmowy bez echa, zniekształceń i nadmiernych zakłóceń, a kryteria wymienione dla urządzeń wideo są wyłącznie miarami obrazu (Microsoft Learn, certyfikowane urządzenia USB dla Teams, listopad 2026). Z 22 urządzeń USB z tej listy, zakwalifikowanych w 2026 roku, 2 to kamerki internetowe, a 20 to zestawy słuchawkowe lub systemy zestawów słuchawkowych (nasze zliczenie tabeli z listopada 2026).
Poprzeczka dla zestawów słuchawkowych ma też wyższy poziom. Dokumentacja laboratoriów testowych dla specyfikacji testów audio Teams opisuje opcjonalny moduł open space, który ocenia MOS mowy i szumu w hałasie biurowym oraz ‘tłumienie głosów rozpraszających’, czyli to, jak bardzo zestaw słuchawkowy odrzuca głos sąsiada (karta danych HEAD acoustics, specyfikacja testów audio Teams 60026). Zoom ujednolicił obiektywne standardy testowe dla swoich kategorii audio w 2022 roku (Zoom, aktualizacja certyfikacji sprzętu 2022), a stanowisko laboratoryjne Teams opiera się na metodach ITU-T, takich jak P.502 i sztuczne usta P.51 (głośnik naśladujący mówiącego człowieka). Szerszym punktem odniesienia do oceny zarejestrowanej mowy jest ITU-T P.863 (POLQA), standardowy model przewidujący jakość odsłuchu na skali MOS.
| Wskaźnik | Wartość | Źródło |
|---|---|---|
| Wymóg audio dla zestawów słuchawkowych i zestawów głośnomówiących certyfikowanych dla Teams | dźwięk szerokopasmowy bez echa, zniekształceń i nadmiernych zakłóceń; obsługa usuwania echa | Microsoft Learn, certyfikowane urządzenia USB dla Teams 2026 |
| Kryteria wymienione dla urządzeń wideo certyfikowanych dla Teams, takich jak kamerki internetowe | szum, kolor, szczegółowość obrazu, drgania, opóźnienie, liczba klatek na sekundę, kąt widzenia (miary obrazu) | Microsoft Learn, certyfikowane urządzenia USB dla Teams 2026 |
| Urządzenia USB zakwalifikowane w 2026 roku (do tabeli z listopada 2026): kamerki internetowe wobec zestawów słuchawkowych lub systemów zestawów słuchawkowych | 2 wobec 20 (z 22) | Microsoft Learn, nasze zliczenie tabeli z listopada 2026 |
| Wersja specyfikacji testów audio Teams używana przez laboratoria testowe oraz kategorie urządzeń | V5.0 wraz z Aneksem A; 4 kategorie (zestawy słuchawkowe, osobiste telefony biurkowe, osobiste zestawy głośnomówiące, wspólne zestawy głośnomówiące) | karta danych laboratorium testowego HEAD acoustics 2026 |
| Dodatkowe miary w opcjonalnym teście zestawów słuchawkowych w open space | MOS mowy i szumu 3QUEST; tłumienie głosów rozpraszających (średnie i minimalne) | karta danych laboratorium testowego HEAD acoustics 2026 |
| Kategorie audio i pokrewne Zoom z odświeżonymi, ujednoliconymi obiektywnymi standardami testowymi | 7 | aktualizacja certyfikacji sprzętu Zoom, 16 marca 2022 |
| Jak często urządzenia certyfikowane przez Zoom muszą być certyfikowane ponownie | co najmniej raz na dwa lata | aktualizacja certyfikacji sprzętu Zoom, 16 marca 2022 |
| Obowiązująca edycja ITU-T P.863 (POLQA) wraz z poprawką | P.863 (03/18); Poprawka 1 (04/20) dotycząca przewidywania akustycznie nagranej mowy wąskopasmowej | Zalecenie ITU-T P.863 |
Uwaga kontekstowa: ‘szerokopasmowy’ to tu termin telefoniczny oznaczający dźwięk zachowujący szerszy zakres częstotliwości niż tradycyjny wąskopasmowy dźwięk telefoniczny; nie jest to miara głośności. Najnowsze dostępne dane dla kryteriów Zoom: 2022, ponieważ Zoom nie opublikował nowszych progów.
6. Jak ludzie się wyposażają i co to zmienia w prawdziwych spotkaniach
Dane ankietowe o wyposażeniu są skąpe i w większości pochodzą od producentów, ale wskazują jeden kierunek: większość ludzi nadal mówi przez to, co jest wbudowane. Tylko 30% pracowników umysłowych używa w pracy profesjonalnego zestawu słuchawkowego, a 8% uznaje go za swoje główne urządzenie, mimo że 91% korzysta z platformy do spotkań online (Jabra Knowledge Worker Study 2023, ankieta producenta). Ankieta Logitech z 2022 roku, obejmująca ponad 3.000 pracowników zdalnych w USA, Niemczech i Chinach, wykazała, że 85% ma problemy z dźwiękiem (Logitech, ankieta producenta).
Dane niezależne dodają stronę wyników. Badanie około 7.330 użytecznych odpowiedzi w ankietach po spotkaniach z pięciu dużych organizacji wykazało, że używanie zestawu słuchawkowego zwiększało szanse na ocenę ‘Uczestnictwo’ (OR = 1,16), a rozmowy z problemami z jakością dźwięku miały znacznie mniejsze szanse na ocenę jako skuteczne (OR = 0,14) (Hosseinkashi i in., Microsoft Research, badanie skuteczności spotkań 2024). Iloraz szans (OR) poniżej 1 oznacza mniejsze szanse; 0,14 to silny efekt. W połączeniu z różnicą poziomów z sekcji 1 argument za rejestracją z bliskiego pola dotyczy tego, by być postrzeganym jako w pełni obecny, a nie tylko słyszanym.
| Wskaźnik | Wartość | Źródło |
|---|---|---|
| Pracownicy umysłowi używający w pracy profesjonalnego zestawu słuchawkowego | 30% | Jabra Knowledge Worker Study 2023 (ankieta producenta, ponad 7.000 pracowników) |
| Pracownicy umysłowi, którzy twierdzą, że profesjonalny zestaw słuchawkowy to ich główne urządzenie | 8% | Jabra Knowledge Worker Study 2023 (ankieta producenta) |
| Pracownicy zdalni, którzy mają problemy z dźwiękiem w rozmowach | 85% | ankieta użytkowników końcowych Logitech, maj 2022 (ankieta producenta, ponad 3.000 pracowników) |
| Badanie rozmów online, grupa z prawidłowym słuchem: słuchanie przez głośniki wobec słuchawek | 72% wobec 28% | Perea Pérez i in., Ear and Hearing 2025 |
| To samo badanie, grupa z implantami ślimakowymi: głośniki wobec słuchawek wobec bezpośredniego streamingu | 68% wobec 12% wobec 20% | Perea Pérez i in., Ear and Hearing 2025 |
| Skorygowany iloraz szans na ocenę ‘Uczestnictwo’, gdy użytkownik nosi zestaw słuchawkowy | 1,16 | Hosseinkashi i in., Microsoft Research 2024 |
| Wskaźnik uczestnictwa, rozmowy wyłącznie audio z zestawem słuchawkowym wobec bez niego | około 5% wyższy | Hosseinkashi i in., Microsoft Research 2024 |
| Skorygowany iloraz szans na ocenę spotkania jako ‘Skuteczne’, gdy rozmowa miała problemy z jakością (echo, szum, zniekształcenia) | 0,14 | Hosseinkashi i in., Microsoft Research 2024 |
Uwaga o wartości odstającej: tekst badania spotkań mówi, że szanse na Uczestnictwo rosną ‘o 20%’ z zestawem słuchawkowym, podczas gdy jego własna tabela podaje iloraz szans 1,16; podajemy wartość z tabeli. Autorzy ostrzegają też, że wykrywanie zestawu słuchawkowego na podstawie telemetrii jest zawodne, ponieważ wiele urządzeń zgłasza go błędnie. Najnowsze dostępne dane dla ankiety Logitech: maj 2022.
Podsumowanie: jakość mowy wbudowanego mikrofonu kamerki internetowej a zestawu słuchawkowego w liczbach
| Wskaźnik | Wartość | Źródło |
|---|---|---|
| WER Whisper large-v2, mikrofony zestawów słuchawkowych AMI wobec jednego odległego mikrofonu | 16,9% wobec 36,4% | Radford i in., artykuł o OpenAI Whisper 2022 |
| WER DiPCo, bliskie pole wobec macierzy dalekiego pola | 42,10% wobec 77,52% | Van Segbroeck i in., DiPCo 2019 |
| CER AliMeeting, zestaw słuchawkowy wobec dalekiego pola | 9,9% wobec 49,0% | Yu i in., M2MeT 2022 |
| Rzeczywiste nagrania REVERB: WER referencji czystej lub z zestawu słuchawkowego wobec bazowego dalekiego pola wobec najlepszego systemu z 8 mikrofonami | 6,9% wobec 49,2% wobec 9,0% | Kinoshita i in., podsumowanie konkursu REVERB 2016 |
| Poziom mowy, mikrofon laptopa w odległości ok. 60 cm wobec mikrofonu zestawu słuchawkowego w odległości 15-20 cm | 46,91 dB wobec 59,73 dB | Busquet i in., Behavior Research Methods 2023 |
| Zakres WER sześciu mikrofonów w odległości 5 stóp, skrypt wobec swobodnej rozmowy | od 10,7% do 12,0% wobec od 52,7% do 61,3% | Bradford i in., EDM 2022 |
| Typowy czas pogłosu w salonie | od 0,3 do 0,7 s | Haeb-Umbach i in., przegląd Far-Field ASR 2020 |
| Spowolnienie reakcji z powodu szumu tła | średnio 91 ms | Picou i in., Ear and Hearing 2016 |
| Efektywność słuchania użytkowników implantów ślimakowych online, tylko dźwięk wobec z napisami | około 60% wobec około 80% typowej | Perea Pérez i in., Ear and Hearing 2025 |
| Ocena szans na zatrudnienie, czysty dźwięk wobec dźwięku słabego mikrofonu (od 0 do 100) | 76,04 wobec 68,50 | Walter-Terrill i in., PNAS 2025 |
| ViSQOL MOS, niska wobec średniej jakości dźwięku | 2,13 wobec 4,68 | Schütze i in., Forum Acusticum 2026 |
| Ocena szans na zatrudnienie (od 1 do 10), płynny wobec pogorszonego dźwięku i obrazu | 6,91 wobec 6,33 | Fiechter i in., Cognitive Research 2018 |
| Używanie profesjonalnego zestawu słuchawkowego w pracy | 30% | Jabra Knowledge Worker Study 2023 (ankieta producenta) |
| Profesjonalny zestaw słuchawkowy wskazany jako główne urządzenie | 8% | Jabra Knowledge Worker Study 2023 (ankieta producenta) |
| Słuchacze z prawidłowym słuchem w rozmowach online przez głośniki wobec słuchawek | 72% wobec 28% | Perea Pérez i in., Ear and Hearing 2025 |
| Odległość mikrofonu od mówcy w salach AliMeeting | od 0,3 do 5,0 m | Yu i in., M2MeT 2022 |
| Pracownicy zdalni mający problemy z dźwiękiem | 85% | ankieta użytkowników końcowych Logitech 2022 (ankieta producenta) |
| Odstęp ponownej certyfikacji Zoom | co najmniej raz na dwa lata | aktualizacja certyfikacji sprzętu Zoom 2022 |
Metodologia i źródła
- Busquet, Efthymiou and Hildebrand, Voice analytics in the wild: Validity and predictive accuracy of common audio-recording devices, Behavior Research Methods 2023
- Bradford et al., A deep dive into microphone hardware for recording collaborative group work, EDM 2022
- Radford et al. (OpenAI), Robust Speech Recognition via Large-Scale Weak Supervision (Whisper), 2022
- Van Segbroeck et al. (Amazon), DiPCo: Dinner Party Corpus, 2019
- Yu et al., M2MeT: The ICASSP 2022 Multi-channel Multi-party Meeting Transcription Challenge, 2022
- Kinoshita et al., A summary of the REVERB challenge, EURASIP Journal on Advances in Signal Processing 2016
- Watanabe et al., CHiME-6 Challenge: Tackling Multispeaker Speech Recognition for Unsegmented Recordings, 2020
- Haeb-Umbach et al., Far-Field Automatic Speech Recognition, 2020
- Picou, Gordon and Ricketts, The effects of noise and reverberation on listening effort in adults with normal hearing, Ear and Hearing 2016
- Perea Pérez et al., Preferences and Listening Efficiency of Adults With Cochlear Implants During Online Communication, Ear and Hearing 2025
- National Acoustic Laboratories, ustrukturyzowana ocena komunikacji przez platformy wideokonferencyjne, 2022
- Walter-Terrill, Ongchoco and Scholl, Superficial auditory (dis)fluency biases higher-level social judgment, PNAS 2025
- Schütze, Biberger and Reber, Subjective and objective employability for degraded speech in video-mediated job interviews, Forum Acusticum 2026 (wersja wstępna artykułu)
- Fiechter et al., Audiovisual quality impacts assessments of job candidates in video interviews, Cognitive Research: Principles and Implications 2018
- Newman and Schwarz, Good Sound, Good Research, Science Communication 2018, za USC
- Microsoft Learn, tabela certyfikowanych urządzeń USB dla Teams, listopad 2026
- Hosseinkashi et al. (Microsoft Research), Meeting effectiveness and inclusiveness: large-scale measurement in real-world remote meetings, wersja zrewidowana z 2024 roku
- HEAD acoustics, karta danych ACQUA Standards dla specyfikacji testów audio Teams 60026, 2026
- Zoom, New updates to the Zoom hardware certification program, 16 marca 2022
- ITU-T Recommendation P.863, Perceptual objective listening quality prediction
- Jabra, badanie LSE engagement oraz Knowledge Worker Study 2023 (badania producenta)
- Logitech, Your Remote Employees are Underequipped (ankieta producenta), z badaniem terenowym 2CV Research z maja 2022 według pełnego pliku PDF badania Logitech
- Uwaga o danych: żadne publiczne badanie nie zmierzyło dotąd wbudowanego mikrofonu współczesnej kamerki internetowej wobec zestawu słuchawkowego na tych samych mówcach za pomocą POLQA lub ASR, dlatego to zestawienie łączy dane z mikrofonów laptopów, mikrofonów odległych i macierzy jako najbliższy dostępny dowód dla dalekiego pola. Kilka kluczowych zbiorów danych jest starszych niż trzy lata (REVERB 2016, badanie szumu i pogłosu z 2016 roku, Fiechter i Newman 2018, DiPCo 2019, Whisper i M2MeT 2022, kryteria Zoom 2022) i jest oznaczonych w swoich sekcjach. Konflikty i niespójności: tekst badania spotkań podaje wzrost szans na Uczestnictwo o 20% dla użytkowników zestawu słuchawkowego, podczas gdy jego tabela podaje iloraz szans 1,16 (używamy wartości z tabeli); artykuł o DiPCo podaje długość sesji od 15 do 45 minut w streszczeniu i od 15 do 47 minut w treści; artykuł o M2MeT drukuje dwa różne współczynniki nakładania się dla swojego zbioru ewaluacyjnego (nie używamy żadnego). Różnica 6,4 punktu w zatrudnialności pochodzi z wstępnego artykułu Forum Acusticum, który nie ukazał się jeszcze w czasopiśmie. Dane Jabra i Logitech to ankiety producentów i są oznaczone jako takie. Wartości 12,82 dB, 10,76 dB oraz ilorazy to nasze własne odejmowanie lub dzielenie opublikowanych wartości, z działaniem pokazanym w tekście.
Ostatnia aktualizacja: 7 listopada 2026 roku. Aktualizujemy to zestawienie kwartalnie, a kolejnego odświeżenia można się spodziewać po opublikowaniu ostatecznych materiałów konferencji Forum Acusticum 2026 (12. Konwencji Europejskiego Stowarzyszenia Akustycznego).