語音的質(zhì)量評價方法

1、精選優(yōu)質(zhì)文檔-傾情為你奉上        語音質(zhì)量包括兩方面內(nèi)容：可懂度和自然度。前者對應(yīng)語音的辨識水平。而后者則是是衡量語音中字、單詞和句的自然流暢程度?？傮w上看可以將語音質(zhì)量評價可分為兩大類:主觀評價和客觀評價。1、主觀評價        主觀評價以人為主體來評價語音的質(zhì)量。主觀評價方法的優(yōu)點是符合人類聽話時對語音質(zhì)量的感覺，目前得到了廣泛的應(yīng)用。常用的方法有平均意見得分(Mean Opinion Score，MOS得分)，診斷韻字測試(Diagnostic Rhyme Test，DRT得分)，診斷滿意度測量(

2、Diagnostic Acceptability Measure,DAM得分)等。語音質(zhì)量的主觀評價要求大量的人、大量次數(shù)的測聽實驗，以便能得到普遍接受的結(jié)果。但是由于主觀評價耗費大、經(jīng)歷時間長，因此語音質(zhì)量的主觀評價不容易實現(xiàn)。        為了克服主觀評價缺點，人們尋求一種能夠方便，快捷地給出語音質(zhì)量評價的客觀評價方法。不過值得注意的是，研究語音客觀評價的目的不是要用客觀評價來完全替代主觀評價，而是使客觀評價成為一種既方便快捷并能夠準確預(yù)測出主觀評價價值的語音質(zhì)量評價手段。盡管客觀評價具有省時省  力等優(yōu)點，但它還不能反映人對語音質(zhì)量的全

3、部感覺，而且當前的大多客觀評價方法都是以語音信號的時域、頻域及變換域等特征參量作為評價依據(jù)，沒有涉及到語義、語法、語調(diào)等影響語音質(zhì)量主觀評價的重要因素。MOS評分：MOS得分方法是由CCITT推薦的主觀評價方法，現(xiàn)已廣泛作為不同系統(tǒng)之間的比較標準。它采用五級評分制。MOS評分五級標準：MOS判分    質(zhì)量級別    失真級別    5                    優(yōu)        不覺

4、察    4                    良        剛有覺察    3                一般            有覺察且稍覺可厭    2            &

5、#160;       差      明顯覺察，可厭仍可忍受    1                極差            不可忍受        MOS評分中質(zhì)量優(yōu)表示重建語音和原始語音只有很少的細節(jié)差異，且若不進行對照聽比就覺察不出這種差異；質(zhì)量良表示重建語音的畸變或失真不明顯，不注意聽感覺不到；質(zhì)量一般表示重建語音有比較明顯可

6、感知的畸變成失真，但語音自然度和清晰度仍很好，且聽起來沒有疲勞感；質(zhì)量差表示重建語音有較強的畸變或失真，聽起來已有疲勞感；質(zhì)量極差表示重建語音的質(zhì)量極差，聽覺無法忍受。        在數(shù)字語音通信中，通常認為MOS分為4.0 4.5為高質(zhì)量數(shù)字化語音，達到長途電話網(wǎng)的質(zhì)量要求，接近于透明信道編碼，也常稱之為網(wǎng)絡(luò)質(zhì)量。MOS分為3.5分左右稱為通信質(zhì)量，這時能感到重建話音質(zhì)量有所下降，但不妨礙正常通話，可以滿足多數(shù)語音通信系統(tǒng)使用要求。MOS分3.0以下常稱為合成語音質(zhì)量，系指一些聲碼器合成的語音所能達到的質(zhì)量。它雖然有較高的可懂度，但自然度較差。MOS

7、得分法的優(yōu)點是：一、由于編碼系統(tǒng)的質(zhì)量是按數(shù)值大小等級排列，所以不同失真類型的編碼系統(tǒng)就可以相互比較；二、評測者只需實現(xiàn)進行簡單訓(xùn)練，就可直接參與評測，因而容易完成。其缺點是：它把不同種類的失真混為一談，沒有指出失真的原因，不利于算法的改進。另外，測試條件的選擇及其他一些因素會影響MOS方法的結(jié)果。診斷韻字測試（Diagnostic Rhyme Test）        判斷韻字測試是反映語音清晰度或可懂度的一種測試方法，它主要用于低速率語音編碼的質(zhì)量測試，因為這時可懂度已成為主要問題。這種測試方法使用若干對（通常是96對）同韻母進行測試，例如中文的“為

8、”和“費”，英文的fast和vast等。讓受試者每次聽到一對韻字中的某個音，然后讓他判斷所聽到的音是哪一個字，全體實驗者判斷正確的百分比就是DRT得分，通常認為DRT為95%以上時清晰度為優(yōu)，85%-94%為良，75%-84%為中，65%-75%為差而65%以下為不可接受。在實際通話中，清晰度為50%時，整句的可懂度大約為80%，這是因為整句中具有較高的冗余度，即使個別字聽不清楚，人們也能理解整句話的意思。當清晰度為90%時，整句話的可懂度已接近100%，所以對于低速率語音編碼，一般要求其清晰度能達到90%或以上。診斷滿意度測量(Diagnostic Acceptability Measure

9、)DAM是對語音質(zhì)量的綜全評估，它是在多種條件下對話音質(zhì)量的接受程度的一種度量。這種評分體系相當全面，也相當復(fù)雜，這里就不再贅述。2、客觀評價        語音質(zhì)量客觀評價方法采用某個特定的參數(shù)去表征語音通過增強或編碼系統(tǒng)后的失真程度，并以此來評估處理系統(tǒng)的性能優(yōu)劣。信噪比(Signal-to-Noise Ratio，SNR)    SNR一直是衡量針對寬帶噪聲失真的語音增強算的常規(guī)方法。但要計算信噪比必需知道純凈語音信號，但在實際應(yīng)用中這是不可能的。因此，SNR主要用于純凈語音信號和噪聲信號都是己知的算法的仿真中。  &

10、#160;     信噪比計算整個時間軸上的語音信號與噪聲信號的平均功率之比。由于語音信號是一種緩慢變化的短時平穩(wěn)信號，因而在不同時間段上的信噪比也應(yīng)不一樣。為了改善上面的問題，可以采用分段信噪比。坂倉距離測度(Itakura-Saito Distortion, ISD)        坂倉距離測度是通過語音信號的線性預(yù)測分析來實現(xiàn)的。ISD基于兩組線性預(yù)測參數(shù)(分別從原純凈語音和處理過的語音的同步幀得到)之間的差異。對數(shù)似然比測度（Log Likelihood Ratio Measure,LLR）    

11、0;   LLR可以看成一種坂倉距離（Itakura Distance,IS），但IS距離需要考慮模型增益。而LLR不考慮模型增益引起的幅度位移，更重視整體譜包絡(luò)的相似度。對數(shù)譜距離（log spectral distance，LSD）  對數(shù)譜距離的定義PESQ(Perceptual Evaluation of Speech Quality)        2001年2月，ITU-T推出了P.862 標準窄帶電話網(wǎng)絡(luò)端到端語音質(zhì)量和話音編解碼器質(zhì)量的客觀評價方法,推薦使用語音質(zhì)量感知評價PESQ算法，該建議是基于輸入-輸出方式的典型算法，效果良好。        PESQ算法需要帶噪的衰減信號和一個原始的參考信號。開始時將兩個待比較的語音信號經(jīng)過電平調(diào)整、輸入濾波器濾波、時間對準和補償、聽覺變換之后, 分別提取兩路信號的參數(shù), 綜合其時頻特性, 得到PESQ分數(shù), 最終將這個分數(shù)映射到主觀平均意見分(MOS)。PESQ得分范圍在-0.5 - 4.5之間。得分越高表示語音質(zhì)量越好。參考文獻：&#