PESQ- und STOI-Sprachqualitätsmetriken
PESQ und STOI sind standardmäßige objektive Metriken, die bewerten, wie gut verarbeitete Sprache klingt und wie verständlich sie ist, ohne dass menschliche Zuhörer erforderlich sind.
Übersicht
They let engineers benchmark codecs, noise reducers, and speech-enhancement models automatically.
Tiefer Einblick
PESQ (Perceptual Evaluation of Speech Quality), standardisiert als ITU-T P.862, sagt die wahrgenommene Sprachqualität voraus, hauptsächlich für Telefon- und Codec-Tests. Es vergleicht ein sauberes Referenzsignal mit einem verschlechterten und gibt eine Bewertung auf einer MOS-ähnlichen Skala (ungefähr -0,5 bis 4,5) aus, die die menschliche Hörwahrnehmung modelliert. STOI (Short-Time Objective Intelligibility) wurde 2010 eingeführt und sagt stattdessen die Verständlichkeit voraus: wie viele Wörter ein Zuhörer tatsächlich verstehen würde. Es korreliert kurzzeitige zeitliche Hüllkurven von sauberer und verarbeiteter Sprache über Frequenzbänder hinweg und ergibt eine Bewertung von 0 bis 1. Bei beiden handelt es sich um aufdringliche (referenzbasierte) Metriken. PESQ antwortet: „Klingt es gut?“ während STOI antwortet: „Kannst du es verstehen?“ Zusammen sind sie die Standardauswertungswerkzeuge für Systeme zur Sprachverstärkung, Rauschunterdrückung und Nachhall.
Technischer Einblick
Beide Metriken sind aufdringlich: Sie gleichen vor der Bewertung eine saubere Referenz mit dem verschlechterten Signal ab. PESQ ordnet beide Signale einer psychoakustischen Lautstärkeskala (Bark-Bänder) zu, berechnet die Wahrnehmungsstörung über die Zeit und regressiert sie auf einen MOS-ähnlichen Wert. STOI teilt Sprache in Terzbänder auf, nimmt kurze Hüllkurvensegmente von ca. 400 ms, schneidet sie ab und normalisiert sie und berechnet dann die Korrelation zwischen Referenz- und verschlechterten Hüllkurven. Die Mittelung dieser Korrelationen ergibt den Verständlichkeitswert 0:1.
Strategische Auswirkungen
Zugang und Erreichbarkeit
Es verbessert die Zugänglichkeit durch Transkription, Erzählung und Sprachschnittstellen.
Kosten und Budget
Medienteams können mit kleineren Budgets schneller ausgefeilte Audioinhalte liefern.
Geschwindigkeit und Umfang
Kundenorientierte Systeme können gesprochene Interaktionen in größerem Maßstab verarbeiten.
Die Zukunft der Sprachqualitätsmetriken PESQ und STOI
Da PESQ und STOI eine saubere Referenz benötigen, verlagert sich die Forschung auf nicht-intrusive, referenzfreie Metriken wie DNSMOS und NISQA, die mithilfe neuronaler Netze die Qualität allein anhand des verschlechterten Signals bewerten. Neuere Deep-Learning-Modelle sind auch darauf trainiert, den menschlichen MOS direkt vorherzusagen. Dennoch bleiben PESQ und STOI etablierte Benchmarks, und ein wichtiger Trend besteht darin, sie differenzierbar zu machen, damit sie direkt als Trainingsverlustfunktionen für Sprachverbesserungsnetzwerke und nicht nur als nachträgliche Auswertungen verwendet werden können.
Reale Umsetzung
Benchmarking von Sprachverbesserungs- und Geräuschunterdrückungsmodellen anhand von Standardtestsätzen
Vergleich der Qualität von Telefon- und VoIP-Codecs während der Netzwerktechnik
Abstimmung der Hörgeräte- und Cochlea-Implantat-Verarbeitung für maximale Verständlichkeit
Validierung von Enthallungsalgorithmen in Konferenz- und Sprachassistenten-Pipelines
Risiken und Leitplanken
Das Risiko von Stimmmissbrauch und Identitätsdiebstahl steigt, wenn die Einwilligung fehlt.
Die Genauigkeit kann je nach Akzent, Dialekt oder lauter Umgebung abnehmen.
Synthetisches Audio kann ohne klare Kennzeichnung mit authentischer Sprache verwechselt werden.
Implementierungs-Roadmap
Holen Sie die ausdrückliche Zustimmung zur Spracherfassung, zum Klonen und zur Wiederverwendung ein.
Testen Sie die Qualität über verschiedene Lautsprecher und Hintergrundbedingungen hinweg.
Definieren Sie, wann ein Mensch Ausgaben überprüfen oder genehmigen muss.
Kennzeichnen Sie synthetisches Audio und bewahren Sie Aufzeichnungen über die Herkunft auf, um die Verantwortlichkeit zu gewährleisten.
Entdecken Sie weiter
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
Nächster Leitfaden
Qualität der Sprachsynthese
Häufig gestellte Fragen
What is PESQ and STOI Speech Quality Metrics?
PESQ und STOI sind standardmäßige objektive Metriken, die bewerten, wie gut verarbeitete Sprache klingt und wie verständlich sie ist, ohne dass menschliche Zuhörer erforderlich sind. Sie ermöglichen es Ingenieuren, Codecs, Rauschunterdrücker und Sprachverbesserungsmodelle automatisch zu vergleichen.
Was misst PESQ hauptsächlich?
PESQ (ITU-T P.862) sagt die wahrgenommene Sprachqualität auf einer MOS-ähnlichen Skala voraus.
Was sagt STOI in erster Linie voraus?
STOI schätzt die Verständlichkeit, also wie verständlich die Sprache ist, auf einer Skala von 0 bis 1 ein.
Sowohl PESQ als auch STOI werden als „intrusive“ Metriken beschrieben. Was bedeutet das?
Intrusive Metriken vergleichen das verschlechterte Signal mit einer sauberen Referenz, um eine Bewertung zu berechnen.
Was ist der ungefähre Bewertungsbereich des STOI?
STOI gibt einen Wert zwischen 0 und 1 aus, wobei ein höherer Wert verständlicher bedeutet.
PESQ modelliert das menschliche Gehör anhand welcher Art von Wahrnehmungsfrequenzskala?
PESQ ordnet Signale mithilfe der Bark-Band-Verarbeitung einer psychoakustischen Lautstärkedarstellung zu.