Metriky kvality řeči PESQ a STOI
PESQ a STOI jsou standardní objektivní metriky, které hodnotí, jak dobře zpracované zvuky řeči a jak jsou srozumitelné, aniž by potřebovaly lidské posluchače.
Přehled
They let engineers benchmark codecs, noise reducers, and speech-enhancement models automatically.
Hluboký ponor
PESQ (Perceptual Evaluation of Speech Quality), standardizovaný jako ITU-T P.862, předpovídá vnímanou kvalitu řeči, zejména pro testování telefonů a kodeků. Porovnává čistý referenční signál se zhoršeným signálem a vydává skóre na stupnici podobné MOS (zhruba -0,5 až 4,5), modeluje lidské sluchové vnímání. STOI (Short-Time Objective Intelligibility), představená v roce 2010, místo toho předpovídá srozumitelnost: kolik slov by posluchač skutečně pochopil. Koreluje krátkodobé časové obálky čisté a zpracované řeči napříč frekvenčními pásmy a vytváří skóre od 0 do 1. Obě jsou rušivé (referenční) metriky. PESQ odpovídá: "Zní to dobře?" zatímco STOI odpovídá 'chápete to?' Společně jsou výchozími vyhodnocovacími nástroji pro systémy vylepšení řeči, potlačení šumu a potlačení dozvuku.
Technický přehled
Obě metriky jsou rušivé: před skórováním zarovnávají čistou referenci s degradovaným signálem. PESQ mapuje oba signály na psychoakustickou stupnici hlasitosti (Bark bands), počítá percepční poruchu v průběhu času a regresuje ji na hodnotu podobnou MOS. STOI rozděluje řeč do třetinooktávových pásem, bere krátké ~400 ms obálkové segmenty, ořezává je a normalizuje, poté vypočítává korelaci mezi referenčními a degradovanými obálkami. Zprůměrováním těchto korelací se získá skóre srozumitelnosti 0 ku 1.
Strategický dopad
Přístup a dosah
Zlepšuje dostupnost prostřednictvím přepisu, vyprávění a hlasových rozhraní.
Cena a rozpočet
Mediální týmy mohou dodávat vylepšený zvuk rychleji s menšími rozpočty.
Rychlost a měřítko
Systémy orientované na zákazníky mohou zpracovávat mluvené interakce ve větším měřítku.
Budoucnost ukazatelů kvality řeči PESQ a STOI
Protože PESQ a STOI potřebují čistou referenci, výzkum se posouvá směrem k nevtíravým metrikám bez referencí, jako jsou DNSMOS a NISQA, které hodnotí kvalitu pouze na základě degradovaného signálu pomocí neuronových sítí. Novější modely hlubokého učení jsou také trénovány tak, aby přímo předpovídaly lidské MOS. Přesto PESQ a STOI zůstávají zakořeněnými měřítky a klíčovým trendem je jejich odlišení, takže je lze použít přímo jako funkce pro trénování ztráty řeči pro sítě pro vylepšení řeči, spíše než pouze jako následné vyhodnocení.
Real-World Implementace
Srovnávání modelů vylepšení řeči a potlačení šumu na standardních testovacích sadách
Porovnání kvality telefonu a kodeku VoIP během síťového inženýrství
Ladění naslouchátka a zpracování kochleárního implantátu pro maximální srozumitelnost
Ověřování dereverberačních algoritmů v konferenčních kanálech a kanálech hlasových asistentů
Rizika a zábradlí
Pokud chybí souhlas, zvyšuje se riziko zneužití hlasu a předstírání jiné identity.
Přesnost může klesat v přízvuku, dialektech nebo hlučném prostředí.
Syntetický zvuk lze bez jasného označení zaměnit za autentickou řeč.
Plán implementace
Získejte výslovný souhlas se zachycením hlasu, klonováním a opětovným použitím.
Otestujte kvalitu napříč různými reproduktory a podmínkami pozadí.
Definujte, kdy musí člověk zkontrolovat nebo schválit výstupy.
Označte syntetický zvuk a veďte záznamy o původu pro zajištění odpovědnosti.
Pokračujte v objevování
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
Další průvodce
Kvalita syntézy řeči
Často kladené otázky
What is PESQ and STOI Speech Quality Metrics?
PESQ a STOI jsou standardní objektivní metriky, které hodnotí, jak dobře zpracované zvuky řeči a jak jsou srozumitelné, aniž by potřebovaly lidské posluchače. Umožňují konstruktérům automaticky porovnávat kodeky, redukce šumu a modely pro vylepšení řeči.
Co PESQ primárně měří?
PESQ (ITU-T P.862) předpovídá vnímanou kvalitu řeči na stupnici podobné MOS.
Co primárně předpovídá STOI?
STOI odhaduje srozumitelnost, tedy jak je řeč srozumitelná, na stupnici od 0 do 1.
PESQ i STOI jsou popsány jako „dotěrné“ metriky. co to znamená?
Intruzivní metriky porovnávají degradovaný signál s čistou referencí pro výpočet skóre.
Jaký je přibližný rozsah skóre STOI?
STOI vydává hodnotu mezi 0 a 1, kde vyšší znamená srozumitelnější.
PESQ modeluje lidský sluch pomocí jaké frekvenční stupnice vnímání?
PESQ mapuje signály na psychoakustickou reprezentaci hlasitosti pomocí zpracování Bark-band.