Métricas de qualidade de fala PESQ e STOI
PESQ e STOI são métricas objetivas padrão que avaliam quão bem a fala processada soa e quão compreensível ela é, sem a necessidade de ouvintes humanos.
Visão geral
They let engineers benchmark codecs, noise reducers, and speech-enhancement models automatically.
Mergulho profundo
O PESQ (Avaliação Perceptual da Qualidade da Fala), padronizado como ITU-T P.862, prevê a qualidade percebida da fala, principalmente para testes de telefone e codec. Ele compara um sinal de referência limpo com um degradado e gera uma pontuação em uma escala semelhante a MOS (aproximadamente -0,5 a 4,5), modelando a percepção auditiva humana. O STOI (Short-Time Objective Intelligibility), introduzido em 2010, prevê a inteligibilidade: quantas palavras um ouvinte realmente entenderia. Ele correlaciona envelopes temporais de curta duração de fala limpa e processada em bandas de frequência, produzindo uma pontuação de 0 a 1. Ambas são métricas intrusivas (baseadas em referências). O PESQ responde 'isso soa bem?' enquanto o STOI responde 'você consegue entender?' Juntos, eles são as ferramentas de avaliação padrão para sistemas de aprimoramento de fala, eliminação de ruído e desreverberação.
Visão Técnica
Ambas as métricas são intrusivas: elas alinham uma referência limpa com o sinal degradado antes da pontuação. O PESQ mapeia ambos os sinais em uma escala de intensidade psicoacústica (bandas Bark), calcula a perturbação perceptiva ao longo do tempo e regride-a para um valor semelhante ao MOS. O STOI divide a fala em bandas de um terço de oitava, pega segmentos curtos de envelope de aproximadamente 400 ms, recorta-os e normaliza-os e, em seguida, calcula a correlação entre os envelopes de referência e degradados. A média dessas correlações produz a pontuação de inteligibilidade de 0 a 1.
Impacto Estratégico
Acesso e alcance
Melhora a acessibilidade por meio de transcrição, narração e interfaces de voz.
Custo e orçamento
As equipes de mídia podem enviar áudio sofisticado com mais rapidez e com orçamentos menores.
Velocidade e escala
Os sistemas voltados para o cliente podem processar interações faladas em maior escala.
O futuro das métricas de qualidade de fala PESQ e STOI
Como o PESQ e o STOI precisam de uma referência limpa, a pesquisa está mudando para métricas não intrusivas e sem referência, como DNSMOS e NISQA, que avaliam a qualidade apenas do sinal degradado usando redes neurais. Os modelos mais recentes de aprendizagem profunda também são treinados para prever diretamente o MOS humano. Ainda assim, o PESQ e o STOI continuam a ser referências consolidadas, e uma tendência chave é torná-los diferenciáveis para que possam ser utilizados diretamente como funções de perda de treino para redes de melhoria da fala, em vez de apenas como avaliações posteriores.
Implementação no mundo real
Comparação de modelos de aprimoramento de fala e supressão de ruído em conjuntos de testes padrão
Comparando a qualidade do codec telefônico e VoIP durante a engenharia de rede
Ajustando o processamento do aparelho auditivo e do implante coclear para máxima inteligibilidade
Validando algoritmos de desreverberação em pipelines de conferência e assistente de voz
Riscos e guarda-corpos
Os riscos de uso indevido de voz e falsificação de identidade aumentam quando falta consentimento.
A precisão pode diminuir em sotaques, dialetos ou ambientes barulhentos.
O áudio sintético pode ser confundido com fala autêntica sem uma rotulagem clara.
Roteiro de implementação
Obtenha consentimento explícito para captura, clonagem e reutilização de voz.
Teste a qualidade em diversos alto-falantes e condições de fundo.
Defina quando um ser humano deve revisar ou aprovar os resultados.
Rotule o áudio sintético e mantenha registros de procedência para fins de prestação de contas.
Continue explorando
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
Próximo guia
Qualidade de síntese de fala
Perguntas frequentes
What is PESQ and STOI Speech Quality Metrics?
PESQ e STOI são métricas objetivas padrão que avaliam quão bem a fala processada soa e quão compreensível ela é, sem a necessidade de ouvintes humanos. Eles permitem que os engenheiros comparem codecs, redutores de ruído e modelos de aprimoramento de fala automaticamente.
O que o PESQ mede principalmente?
PESQ (ITU-T P.862) prevê a qualidade percebida da fala em uma escala semelhante ao MOS.
O que o STOI prevê principalmente?
O STOI estima a inteligibilidade, ou seja, quão compreensível é a fala, numa escala de 0 a 1.
Tanto o PESQ como o STOI são descritos como métricas “intrusivas”. O que isso significa?
Métricas intrusivas comparam o sinal degradado com uma referência limpa para calcular uma pontuação.
Qual é a faixa de pontuação aproximada do STOI?
STOI gera um valor entre 0 e 1, onde maior significa mais inteligível.
O PESQ modela a audição humana usando que tipo de escala de frequência perceptual?
PESQ mapeia sinais em uma representação de intensidade psicoacústica usando processamento de banda Bark.