语音信号的评估一般分为主观和客观。
主观评价指标
MOS
Mean Opinion Score,平均意见得分,由受过专业训练的人员对语音质量进行评价,待测语音的得分为所有人给出的分数的平均值。
分数范围[1, 5]
客观评价指标
PESQ
Perceptual Evaluation of Speech Quality,语音质量感知评估。由国际电信联盟(International Teleconmunication Union)提出,代号为ITU-T P.862。
PESQ为客观评价指标,和主观分数之间的相关性约为0.935。范围[-0.5, 4.5],PESQ越高,语音感知质量越好。
其输入为衰减信号和原始参考信号,输出MOS分的预测值,可以映射到MOS刻度范围[1]。使用python的pesq库时,输入语音的采样率应为8kHz或16kHz,前者使用窄带模式mode = ‘nb’, 后者使用宽带模式mode = ‘wb’。
参考链接:
[1].语音质量评价指标:PESQ
[2].音频质量PESQ得分评估原理与步骤
STOI
Short Time Objective Intelligibility,短时客观可懂度。
客观评价指标,因为语音信号智能被分为可懂和不可懂,所以STOI值被量化到范围[0, 1],STOI越大,语音可懂度越高。
输入语音应为10kHz,否则会被重采样。
步骤:
1. STFT
2. 1/3倍频分析
3. 归一化和裁剪
4. 计算干净语音和带估计语音频谱间的线性相关系数,并统计均值。
详细过程见原文。
参考链接:
[3].原论文 A SHORT-TIME OBJECTIVE INTELLIGIBILITY MEASURE FOR TIME-FREQUENCY WEIGHTED NOISY SPEECH
[4].语音质量的评价指标介绍及MATLAB实现(一)
[5].介绍一下语音评价指标stoi
eSTOI
extended STOI, STOI的扩展版本。
输入语音应为10kHz,否则会被重采样。
和STOI的主要区别在于,预测线性相关系数时,STOI首先计算每个子带的线性相关系数,然后在时间维度跨频率计算加性可懂度;eSTOI计算谱相关系数(spectral correlation coefficients),然后在384ms的分析窗内做时间平均,这使得ESTOI能够更好地覆盖时间调制噪声掩蔽器的效果。具体过程参见原论文。
参考链接:
[6].原论文 An Algorithm for Predicting the Intelligibility of
Speech Masked by Modulated Noise Maskers
SISNR
SSNR
CSIG
CBAK
COVL
参考链接:凌逆战-语音主观和客观评价总结与实现