语⾳质量评估
语⾳质量评估,就是通过⼈类或⾃动化的⽅法评价语⾳质量。在实践中,有很多主观和客观的⽅法评价语⾳质量。主观⽅法就是通过⼈类对语⾳进⾏打分,⽐
如MOS、CMOS和ABX Test。客观⽅法即是通过算法评测语⾳质量,在实时语⾳通话领域,这⼀问题研究较多,出现了诸如如PESQ和P.563这样的有参考和
⽆参考的语⾳质量评价标准。在语⾳合成领域,研究的⽐较少,论⽂中常常通过展⽰频谱细节,计算MCD(mel cepstral distortion)等⽅法作为客观评价。所谓有
参考和⽆参考质量评估,取决于该⽅法是否需要标准信号。有参考除了待评测信号,还需要⼀个⾳质优异的,没有损伤的参考信号;⽽⽆参考则不需要,直接
根据待评估信号,给出质量评分。近些年也出现了MOSNet等基于深度⽹络的⾃动语⾳质量评估⽅法。
语⾳质量评测⽅法以下简单总结常⽤的语⾳质量评测⽅法。
主观评价:MOS[1], CMOS, ABX Test客观评价
有参考质量评估(intrusive method):ITU-T P.861(MNB), ITU-T P.862(PESQ)[2], ITU-T P.863(POLQA)[3], STOI[4], BSSEval[5]
⽆参考质量评估(non-intrusive method)传统⽅法
基于信号:ITU-T P.563[6], ANIQUE+[7]
基于参数:ITU-T G.107(E-Model)[8]
基于深度学习的⽅法:AutoMOS[9], QualityNet[10], NISQA[11], MOSNet[12]此外,有部分的⽅法,其代码已开源:
:该仓库包括MOSNet, SRMR, BSSEval, PESQ, STOI的开源实现和对应的源仓库地址。
ITU组织已公布⾃⼰实现的P.563: 。GitHub上⾯的微⼩修改版使其能够在Mac上编译。
在语⾳合成中会⽤到的计算MCD:
此外,有⼀本书⽤来具体叙述评价语⾳质量:Quality of Synthetic Speech: Perceptual Dimensions, Influencing Factors, and Instrumental Assessment (T-LabsSeries in Telecommunication Services)[13]。