PESQ এবং STOI স্পিচ কোয়ালিটি মেট্রিক্স
PESQ এবং STOI হল স্ট্যান্ডার্ড অবজেক্টিভ মেট্রিক যা মানুষের শ্রোতাদের প্রয়োজন ছাড়াই কতটা ভালো প্রক্রিয়াকৃত বক্তৃতা শোনায় এবং কতটা বোধগম্য তা স্কোর করে।
ওভারভিউ
তারা ইঞ্জিনিয়ারদের বেঞ্চমার্ক কোডেক, নয়েজ রিডুসার, এবং স্পিচ-বর্ধিতকরণ মডেলগুলি স্বয়ংক্রিয়ভাবে করতে দেয়।
গভীর ডুব
PESQ (পার্সেপচুয়াল ইভালুয়েশন অফ স্পিচ কোয়ালিটি), ITU-T P.862 হিসাবে প্রমিত, বক্তৃতার অনুভূত মানের পূর্বাভাস দেয়, প্রধানত টেলিফোন এবং কোডেক পরীক্ষার জন্য। এটি একটি পরিচ্ছন্ন রেফারেন্স সিগন্যালকে একটি অবনমিত একটির সাথে তুলনা করে এবং একটি এমওএস-এর মতো স্কেলে (মোটামুটি -0.5 থেকে 4.5) স্কোর আউটপুট করে, মানুষের শ্রবণ উপলব্ধির মডেলিং করে। 2010 সালে প্রবর্তিত STOI (শর্ট-টাইম অবজেক্টিভ ইন্টেলিজিবিলিটি), পরিবর্তে বোধগম্যতার ভবিষ্যদ্বাণী করে: একজন শ্রোতা আসলে কতগুলো শব্দ বুঝতে পারবে। এটি ফ্রিকোয়েন্সি ব্যান্ড জুড়ে পরিষ্কার এবং প্রক্রিয়াকৃত বক্তৃতার স্বল্প সময়ের অস্থায়ী খামের সাথে সম্পর্কযুক্ত, 0 থেকে 1 পর্যন্ত একটি স্কোর তৈরি করে। উভয়ই হস্তক্ষেপকারী (রেফারেন্স-ভিত্তিক) মেট্রিক। PESQ উত্তর দেয় 'এটা কি ভালো শোনাচ্ছে?' যখন STOI উত্তর দেয় 'আপনি কি এটা বুঝতে পারেন?' তারা একসাথে বক্তৃতা বৃদ্ধি, denoising, এবং dereverberation সিস্টেমের জন্য ডিফল্ট মূল্যায়ন সরঞ্জাম.
প্রযুক্তিগত অন্তর্দৃষ্টি
উভয় মেট্রিকই অনুপ্রবেশকারী: তারা স্কোর করার আগে অবনমিত সংকেতের সাথে একটি পরিষ্কার রেফারেন্স সারিবদ্ধ করে। PESQ সাইকোঅ্যাকোস্টিক লাউডনেস স্কেলে (বার্ক ব্যান্ড) উভয় সিগন্যাল ম্যাপ করে, সময়ের সাথে সাথে উপলব্ধিগত ব্যাঘাত গণনা করে এবং এটিকে এমওএস-এর মতো মানের দিকে নিয়ে যায়। STOI স্পিচকে এক-তৃতীয়-অক্টেভ ব্যান্ডে বিভক্ত করে, সংক্ষিপ্ত ~400 ms খাম অংশ নেয়, ক্লিপ করে এবং সেগুলিকে স্বাভাবিক করে, তারপর রেফারেন্স এবং অবনমিত খামের মধ্যে পারস্পরিক সম্পর্ক গণনা করে। এই পারস্পরিক সম্পর্ক গড় করলে 0-থেকে-1 বোধগম্যতা স্কোর পাওয়া যায়।
কৌশলগত প্রভাব
অ্যাক্সেস এবং পৌঁছানো
এটি ট্রান্সক্রিপশন, বর্ণনা এবং ভয়েস ইন্টারফেসের মাধ্যমে অ্যাক্সেসযোগ্যতা উন্নত করে।
খরচ ও বাজেট
মিডিয়া দলগুলি ছোট বাজেটের সাথে পালিশ করা অডিও দ্রুত পাঠাতে পারে।
গতি এবং স্কেল
গ্রাহক-মুখী সিস্টেমগুলি বৃহত্তর স্কেলে কথ্য মিথস্ক্রিয়া প্রক্রিয়া করতে পারে।
PESQ এবং STOI স্পিচ কোয়ালিটি মেট্রিক্সের ভবিষ্যত
যেহেতু PESQ এবং STOI-এর একটি পরিষ্কার রেফারেন্স প্রয়োজন, তাই গবেষণাটি অ-অনুপ্রবেশকারী, DNSMOS এবং NISQA-এর মতো রেফারেন্স-মুক্ত মেট্রিকগুলির দিকে স্থানান্তরিত হচ্ছে যা শুধুমাত্র নিউরাল নেটওয়ার্ক ব্যবহার করে অবনমিত সংকেত থেকে গুণমান অর্জন করে। নতুন ডিপ-লার্নিং মডেলগুলিকে সরাসরি মানব MOS-এর পূর্বাভাস দেওয়ার জন্য প্রশিক্ষিত করা হয়। এখনও, PESQ এবং STOI রয়ে গেছে বেঞ্চমার্ক, এবং একটি মূল প্রবণতা তাদের পার্থক্যযোগ্য করে তুলছে যাতে এগুলিকে কেবলমাত্র ঘটনা-পরবর্তী মূল্যায়নের পরিবর্তে স্পিচ-এনহ্যান্সমেন্ট নেটওয়ার্কগুলির জন্য প্রশিক্ষণ ক্ষতির ফাংশন হিসাবে ব্যবহার করা যেতে পারে।
বাস্তব-বিশ্ব বাস্তবায়ন
স্ট্যান্ডার্ড টেস্ট সেটে বেঞ্চমার্কিং স্পিচ-বর্ধিতকরণ এবং শব্দ-দমন মডেল
নেটওয়ার্ক ইঞ্জিনিয়ারিং চলাকালীন টেলিফোন এবং ভিওআইপি কোডেক মানের তুলনা করা
সর্বাধিক বোধগম্যতার জন্য শ্রবণ-এইড এবং কক্লিয়ার-ইমপ্লান্ট প্রক্রিয়াকরণের টিউনিং
কনফারেন্সিং এবং ভয়েস-সহকারী পাইপলাইনে ডিভারবারেশন অ্যালগরিদম যাচাই করা
ঝুঁকি এবং প্রহরী
সম্মতি অনুপস্থিত হলে ভয়েস অপব্যবহার এবং ছদ্মবেশের ঝুঁকি বেড়ে যায়।
উচ্চারণ, উপভাষা বা কোলাহলপূর্ণ পরিবেশে যথার্থতা হ্রাস পেতে পারে।
সিন্থেটিক অডিও পরিষ্কার লেবেল ছাড়া খাঁটি বক্তৃতা হিসাবে ভুল হতে পারে।
বাস্তবায়ন রোডম্যাপ
ভয়েস ক্যাপচার, ক্লোনিং এবং পুনঃব্যবহারের জন্য সুস্পষ্ট সম্মতি পান।
বিভিন্ন স্পিকার এবং ব্যাকগ্রাউন্ড কন্ডিশন জুড়ে মান পরীক্ষা করুন।
কখন একজন মানুষকে আউটপুট পর্যালোচনা বা অনুমোদন করতে হবে তা নির্ধারণ করুন।
সিন্থেটিক অডিও লেবেল করুন এবং দায়বদ্ধতার জন্য মূল রেকর্ড রাখুন।
অন্বেষণ চালিয়ে যান
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the PESQ and STOI Speech Quality Metrics quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
পরবর্তী গাইড
বক্তৃতা সংশ্লেষণ গুণমান
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
PESQ এবং STOI স্পিচ কোয়ালিটি মেট্রিক্স কি?
PESQ এবং STOI হল স্ট্যান্ডার্ড অবজেক্টিভ মেট্রিক যা মানুষের শ্রোতাদের প্রয়োজন ছাড়াই কতটা ভালো প্রক্রিয়াকৃত বক্তৃতা শোনায় এবং কতটা বোধগম্য তা স্কোর করে। তারা ইঞ্জিনিয়ারদের বেঞ্চমার্ক কোডেক, নয়েজ রিডুসার, এবং স্পিচ-বর্ধিতকরণ মডেলগুলি স্বয়ংক্রিয়ভাবে করতে দেয়।
PESQ প্রাথমিকভাবে কি পরিমাপ করে?
PESQ (ITU-T P.862) MOS-এর মতো স্কেলে অনুভূত বক্তৃতা গুণমানের পূর্বাভাস দেয়।
STOI প্রাথমিকভাবে কি ভবিষ্যদ্বাণী করে?
STOI বোধগম্যতা অনুমান করে, অর্থাৎ বক্তৃতা কতটা বোধগম্য, 0-থেকে-1 স্কেলে।
PESQ এবং STOI উভয়কেই 'অনুপ্রবেশকারী' মেট্রিক হিসাবে বর্ণনা করা হয়েছে। এর মানে কি?
অনুপ্রবেশকারী মেট্রিক্স একটি স্কোর গণনা করার জন্য একটি পরিষ্কার রেফারেন্সের সাথে অবনমিত সংকেত তুলনা করে।
STOI এর আনুমানিক স্কোর পরিসীমা কত?
STOI 0 এবং 1 এর মধ্যে একটি মান আউটপুট করে, যেখানে উচ্চ মানে আরও বোধগম্য।
PESQ মডেল মানব শ্রবণশক্তি কোন ধরনের অনুধাবন ফ্রিকোয়েন্সি স্কেল ব্যবহার করে?
PESQ বার্ক-ব্যান্ড প্রসেসিং ব্যবহার করে সাইকোঅ্যাকোস্টিক লাউডনেস রিপ্রেজেন্টেশনে সংকেত ম্যাপ করে।