ตัวชี้วัดคุณภาพคำพูด PESQ และ STOI
PESQ และ STOI เป็นหน่วยวัดวัตถุประสงค์มาตรฐานที่ให้คะแนนว่าเสียงคำพูดที่ได้รับการประมวลผลดีเพียงใด และเข้าใจได้ง่ายเพียงใด โดยไม่จำเป็นต้องใช้ผู้ฟังที่เป็นมนุษย์
ภาพรวม
PESQ และ STOI เป็นหน่วยวัดวัตถุประสงค์มาตรฐานที่ให้คะแนนว่าเสียงคำพูดที่ได้รับการประมวลผลดีเพียงใด และเข้าใจได้ง่ายเพียงใด โดยไม่จำเป็นต้องใช้ผู้ฟังที่เป็นมนุษย์ โดยให้วิศวกรกำหนดมาตรฐานตัวแปลงสัญญาณ ตัวลดเสียงรบกวน และโมเดลการปรับปรุงเสียงพูดโดยอัตโนมัติ
เมตริกคุณภาพคำพูดของ PESQ และ STOI อยู่ในเวิร์กโฟลว์เสียง-AI ที่เปลี่ยนคำพูด เพลง และเสียงเพื่อการสื่อสาร การเข้าถึง และการผลิตสื่อ
เจาะลึก
PESQ (การประเมินการรับรู้คุณภาพคำพูด) ที่ได้รับมาตรฐานเป็น ITU-T P.862 คาดการณ์คุณภาพการพูดที่รับรู้ โดยส่วนใหญ่ใช้สำหรับการทดสอบทางโทรศัพท์และตัวแปลงสัญญาณ โดยจะเปรียบเทียบสัญญาณอ้างอิงที่ชัดเจนกับสัญญาณที่ลดระดับลง และให้คะแนนในระดับคล้าย MOS (ประมาณ -0.5 ถึง 4.5) ซึ่งเป็นการจำลองการรับรู้ทางการได้ยินของมนุษย์ STOI (Short-Time Objective Intelligibility) เปิดตัวในปี 2010 แทนที่จะทำนายความเข้าใจว่า ผู้ฟังจะเข้าใจคำศัพท์ได้กี่คำ โดยเชื่อมโยงขอบเขตเวลาสั้นๆ ของคำพูดที่สะอาดและประมวลผลข้ามย่านความถี่ โดยสร้างคะแนนตั้งแต่ 0 ถึง 1 ทั้งสองแบบเป็นตัวชี้วัดที่รบกวน (อิงตามการอ้างอิง) PESQ ตอบว่า 'ฟังดูดีไหม' ในขณะที่ STOI ตอบว่า 'คุณเข้าใจไหม' เมื่อรวมกันแล้วเป็นเครื่องมือประเมินเริ่มต้นสำหรับระบบปรับปรุงเสียงพูด ลดเสียงรบกวน และลดเสียงก้อง
ข้อมูลเชิงลึกทางเทคนิค
ตัวชี้วัดทั้งสองมีการรบกวน: โดยจะจัดแนวการอ้างอิงที่ชัดเจนกับสัญญาณที่ลดลงก่อนที่จะให้คะแนน PESQ จับคู่สัญญาณทั้งสองบนระดับความดังทางจิต (แถบเสียงเห่า) คำนวณการรบกวนในการรับรู้เมื่อเวลาผ่านไป และลดค่ากลับเป็นค่าที่คล้ายกับ MOS STOI แบ่งคำพูดออกเป็นแบนด์หนึ่งในสามอ็อกเทฟ ใช้เซ็กเมนต์เอนเวโลปสั้นประมาณ 400 มิลลิวินาที คลิปและปรับให้เป็นมาตรฐาน จากนั้นคำนวณความสัมพันธ์ระหว่างเอนเวโลปอ้างอิงและเอนเวโลปที่ลดระดับลง การหาค่าเฉลี่ยความสัมพันธ์เหล่านั้นจะทำให้ได้คะแนนความเข้าใจ 0 ต่อ 1
การเรียนรู้การวัดคุณภาพคำพูดของ PESQ และ STOI
หากต้องการสร้างความเข้าใจอย่างลึกซึ้ง ให้ถือว่าเมตริกคุณภาพคำพูดของ PESQ และ STOI เป็นรูปแบบการดำเนินงาน ไม่ใช่คุณลักษณะเดียว กำหนดผลลัพธ์ที่ต้องการ ชี้แจงสมมติฐาน และแยกสิ่งที่ระบบสามารถทำได้อย่างน่าเชื่อถือจากสิ่งที่ยังต้องใช้วิจารณญาณจากผู้เชี่ยวชาญ
ในทางปฏิบัติ ทีมที่แข็งแกร่งที่ใช้ตัววัดคุณภาพคำพูด PESQ และ STOI จะถือว่าคุณภาพ เวลาแฝง และความยินยอมเป็นส่วนสำคัญของกลยุทธ์การปรับใช้ โดยจะบันทึกเกณฑ์ความสำเร็จที่ชัดเจน ทดสอบกับข้อมูลและขั้นตอนการทำงานที่สมจริง และทำซ้ำตามรูปแบบความล้มเหลวที่สังเกตได้ แทนที่จะชนะการวัดประสิทธิภาพเพียงครั้งเดียว นี่คือจุดที่ความเข้าใจทางทฤษฎีกลายเป็นความสามารถที่คงทนของผลิตภัณฑ์ นโยบาย และการดำเนินงาน
ปรับปรุงการเข้าถึงผ่านการถอดเสียง คำบรรยาย และอินเทอร์เฟซเสียง ในขณะเดียวกัน การใช้ Voice ในทางที่ผิดและการแอบอ้างบุคคลอื่นก็มีความเสี่ยงเพิ่มขึ้นเมื่อไม่ได้รับความยินยอม แนวทางที่ยืดหยุ่นที่สุดคือการรวมความเร็วของการทดลองเข้ากับวินัยในการกำกับดูแล: ดำเนินการนำร่อง จับหลักฐาน เผยแพร่บันทึกการตัดสินใจ และอัปเดตการป้องกันอย่างต่อเนื่องเมื่อพฤติกรรมของโมเดล ความคาดหวังของผู้ใช้ และข้อกำหนดด้านกฎระเบียบมีการเปลี่ยนแปลง
ผลกระทบเชิงกลยุทธ์
ปรับปรุงการเข้าถึงผ่านการถอดเสียง คำบรรยาย และอินเทอร์เฟซเสียง
ปรับปรุงการเข้าถึงผ่านการถอดเสียง คำบรรยาย และอินเทอร์เฟซเสียง ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
ทีมสื่อสามารถจัดส่งเสียงที่สวยงามได้รวดเร็วยิ่งขึ้นด้วยงบประมาณที่น้อยลง
ทีมสื่อสามารถจัดส่งเสียงที่สวยงามได้รวดเร็วยิ่งขึ้นด้วยงบประมาณที่น้อยลง ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
ระบบที่ติดต่อกับลูกค้าสามารถประมวลผลการโต้ตอบด้วยเสียงในขนาดที่ใหญ่ขึ้น
ระบบที่ติดต่อกับลูกค้าสามารถประมวลผลการโต้ตอบด้วยเสียงในขนาดที่ใหญ่ขึ้น ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
การใช้งานจริงในโลกแห่งความเป็นจริง
การเปรียบเทียบแบบจำลองการเพิ่มคุณภาพเสียงพูดและการลดเสียงรบกวนในชุดทดสอบมาตรฐาน
การเปรียบเทียบคุณภาพตัวแปลงสัญญาณโทรศัพท์และ VoIP ในระหว่างวิศวกรรมเครือข่าย
ปรับแต่งการประมวลผลเครื่องช่วยฟังและประสาทหูเทียมเพื่อความชัดเจนสูงสุด
การตรวจสอบอัลกอริธึมการลดเสียงก้องในไปป์ไลน์การประชุมและระบบช่วยเหลือด้วยเสียง
รูปแบบการดำเนินงาน
ตัวชี้วัดคุณภาพคำพูด PESQ และ STOI ในทางปฏิบัติ
การเปรียบเทียบแบบจำลองการเพิ่มคุณภาพเสียงพูดและการลดเสียงรบกวนในชุดทดสอบมาตรฐาน
โดยปกติทีมจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพไว้ล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งการเพิ่มผลผลิตและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
ตัวชี้วัดคุณภาพคำพูด PESQ และ STOI ในทางปฏิบัติ
การเปรียบเทียบคุณภาพตัวแปลงสัญญาณโทรศัพท์และ VoIP ในระหว่างวิศวกรรมเครือข่าย
โดยปกติทีมจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพไว้ล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งการเพิ่มผลผลิตและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
ตัวชี้วัดคุณภาพคำพูด PESQ และ STOI ในทางปฏิบัติ
ปรับแต่งการประมวลผลเครื่องช่วยฟังและประสาทหูเทียมเพื่อความชัดเจนสูงสุด
โดยปกติทีมจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพไว้ล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งการเพิ่มผลผลิตและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
ตัวชี้วัดคุณภาพคำพูด PESQ และ STOI ในทางปฏิบัติ
การตรวจสอบอัลกอริธึมการลดเสียงก้องในไปป์ไลน์การประชุมและระบบช่วยเหลือด้วยเสียง
โดยปกติทีมจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพไว้ล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งการเพิ่มผลผลิตและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
ความเสี่ยงและรั้ว
การใช้เสียงในทางที่ผิดและการแอบอ้างบุคคลอื่นมีความเสี่ยงเพิ่มขึ้นเมื่อขาดความยินยอม
ความแม่นยำอาจลดลงตามสำเนียง ภาษาถิ่น หรือสภาพแวดล้อมที่มีเสียงดัง
เสียงสังเคราะห์อาจถูกเข้าใจผิดว่าเป็นเสียงพูดที่แท้จริงโดยไม่มีการกำกับที่ชัดเจน
แผนงานการดำเนินงาน
ได้รับความยินยอมอย่างชัดแจ้งสำหรับการจับเสียง การโคลน และการใช้ซ้ำ
ถือว่านี่เป็นประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
ทดสอบคุณภาพกับลำโพงและสภาพพื้นหลังที่หลากหลาย
ถือว่านี่เป็นประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
กำหนดเวลาที่มนุษย์จะต้องตรวจสอบหรืออนุมัติผลลัพธ์
ถือว่านี่เป็นประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
ติดป้ายกำกับเสียงสังเคราะห์และเก็บบันทึกที่มาเพื่อความรับผิดชอบ
ถือว่านี่เป็นประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
สำรวจต่อไป
Check your understanding
Test yourself: take the PESQ and STOI Speech Quality Metrics quiz