PESQ اور STOI اسپیچ کوالٹی میٹرکس
PESQ اور STOI معیاری معروضی میٹرکس ہیں جو اسکور کرتے ہیں کہ انسانی سننے والوں کی ضرورت کے بغیر پروسیس شدہ تقریر کتنی اچھی لگتی ہے اور یہ کتنی قابل فہم ہے۔
جائزہ
They let engineers benchmark codecs, noise reducers, and speech-enhancement models automatically.
گہرا غوطہ
PESQ (Perceptual Evaluation of Speech Quality)، جسے ITU-T P.862 کے طور پر معیاری بنایا گیا ہے، تقریر کے سمجھے جانے والے معیار کی پیشین گوئی کرتا ہے، خاص طور پر ٹیلی فون اور کوڈیک ٹیسٹنگ کے لیے۔ یہ ایک صاف حوالہ سگنل کا موازنہ ایک انحطاط شدہ سگنل سے کرتا ہے اور MOS جیسے پیمانے (تقریبا -0.5 سے 4.5) پر اسکور کو آؤٹ پٹ کرتا ہے، جو انسانی سمعی ادراک کی ماڈلنگ کرتا ہے۔ 2010 میں متعارف کرایا گیا STOI (شارٹ ٹائم آبجیکٹیو انٹیلیجیبلٹی)، اس کے بجائے فہمی کی پیشین گوئی کرتا ہے: سننے والا کتنے الفاظ کو سمجھے گا۔ یہ فریکوئنسی بینڈز میں صاف اور پروسیس شدہ تقریر کے مختصر وقت کے عارضی لفافوں کو آپس میں جوڑتا ہے، جس سے 0 سے 1 تک کا سکور ملتا ہے۔ دونوں ہی مداخلت کرنے والے (حوالہ پر مبنی) میٹرکس ہیں۔ PESQ جواب دیتا ہے 'کیا یہ اچھا لگتا ہے؟' جبکہ STOI جواب دیتا ہے 'کیا آپ اسے سمجھ سکتے ہیں؟' وہ ایک ساتھ مل کر تقریر کو بڑھانے، ڈینوائزنگ، اور ڈیوربریشن سسٹم کے لیے پہلے سے طے شدہ تشخیصی ٹولز ہیں۔
تکنیکی بصیرت
دونوں میٹرکس دخل اندازی کرنے والے ہیں: وہ اسکور کرنے سے پہلے انحطاط شدہ سگنل کے ساتھ صاف حوالہ سیدھ میں لاتے ہیں۔ PESQ دونوں سگنلز کو سائیکوکوسٹک لاؤڈنس اسکیل (بارک بینڈز) پر نقش کرتا ہے، وقت کے ساتھ ساتھ ادراک کی خرابی کا حساب لگاتا ہے، اور اسے MOS جیسی قدر پر واپس لے جاتا ہے۔ STOI تقریر کو ایک تہائی آکٹیو بینڈ میں تقسیم کرتا ہے، مختصر ~400 ms لفافے کے حصے لیتا ہے، کلپس کرتا ہے اور انہیں نارملائز کرتا ہے، پھر حوالہ اور انحطاط شدہ لفافوں کے درمیان تعلق کا حساب لگاتا ہے۔ ان ارتباط کا اوسط 0 سے 1 فہم سکور حاصل کرتا ہے۔
اسٹریٹجک اثر
رسائی اور رسائی
یہ نقل، بیان اور صوتی انٹرفیس کے ذریعے رسائی کو بہتر بناتا ہے۔
لاگت اور بجٹ
میڈیا ٹیمیں چھوٹے بجٹ کے ساتھ پالش آڈیو کو تیزی سے بھیج سکتی ہیں۔
رفتار اور پیمانہ
کسٹمر کا سامنا کرنے والے نظام بڑے پیمانے پر بولی جانے والی بات چیت پر کارروائی کر سکتے ہیں۔
PESQ اور STOI اسپیچ کوالٹی میٹرکس کا مستقبل
چونکہ PESQ اور STOI کو صاف ستھرا حوالہ درکار ہے، لہٰذا تحقیق DNSMOS اور NISQA جیسے غیر دخل اندازی، حوالہ سے پاک میٹرکس کی طرف منتقل ہو رہی ہے جو صرف اعصابی نیٹ ورکس کا استعمال کرتے ہوئے تنزلی والے سگنل سے معیار حاصل کرتے ہیں۔ گہرائی سے سیکھنے والے نئے ماڈلز کو بھی تربیت دی جاتی ہے کہ وہ انسانی MOS کی براہ راست پیش گوئی کریں۔ پھر بھی، PESQ اور STOI جڑے ہوئے بینچ مارکس بنے ہوئے ہیں، اور ایک اہم رجحان انہیں مختلف بنا رہا ہے تاکہ انہیں اسپیچ بڑھانے والے نیٹ ورکس کے لیے تربیتی نقصان کے افعال کے طور پر استعمال کیا جا سکے نہ کہ صرف حقیقت کے بعد کی تشخیص کے طور پر۔
حقیقی دنیا کا نفاذ
معیاری ٹیسٹ سیٹوں پر بینچ مارکنگ تقریر میں اضافہ اور شور کو دبانے والے ماڈلز
نیٹ ورک انجینئرنگ کے دوران ٹیلی فون اور VoIP کوڈیک کے معیار کا موازنہ کرنا
زیادہ سے زیادہ قابل فہمی کے لیے ہیئرنگ ایڈ اور کوکلیئر امپلانٹ پروسیسنگ کو ٹیوننگ کرنا
کانفرنسنگ اور وائس اسسٹنٹ پائپ لائنز میں ڈیوربریشن الگورتھم کی توثیق کرنا
خطرات اور گارڈریلز
رضامندی غائب ہونے پر آواز کے غلط استعمال اور نقالی کے خطرات بڑھ جاتے ہیں۔
درستگی لہجوں، بولیوں، یا شور والے ماحول میں گر سکتی ہے۔
واضح لیبلنگ کے بغیر مصنوعی آڈیو کو مستند تقریر کے لیے غلط سمجھا جا سکتا ہے۔
نفاذ کا روڈ میپ
آواز کی گرفتاری، کلوننگ اور دوبارہ استعمال کے لیے واضح رضامندی حاصل کریں۔
متنوع اسپیکرز اور پس منظر کے حالات میں معیار کی جانچ کریں۔
وضاحت کریں کہ جب ایک انسان کو آؤٹ پٹس کا جائزہ لینا یا منظور کرنا ضروری ہے۔
مصنوعی آڈیو کو لیبل کریں اور جوابدہی کے لیے پرووینس ریکارڈ رکھیں۔
دریافت کرتے رہیں
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
اگلا گائیڈ
تقریر کی ترکیب کا معیار
اکثر پوچھے گئے سوالات
What is PESQ and STOI Speech Quality Metrics?
PESQ اور STOI معیاری معروضی میٹرکس ہیں جو اسکور کرتے ہیں کہ انسانی سننے والوں کی ضرورت کے بغیر پروسیس شدہ تقریر کتنی اچھی لگتی ہے اور یہ کتنی قابل فہم ہے۔ وہ انجینئرز کو بینچ مارک کوڈیکس، شور کم کرنے والے، اور تقریر بڑھانے والے ماڈلز کو خود بخود کرنے دیتے ہیں۔
PESQ بنیادی طور پر کیا پیمائش کرتا ہے؟
PESQ (ITU-T P.862) MOS جیسے پیمانے پر سمجھی جانے والی تقریر کے معیار کی پیش گوئی کرتا ہے۔
STOI بنیادی طور پر کیا پیش گوئی کرتا ہے؟
STOI قابل فہمی کا تخمینہ لگاتا ہے، یعنی تقریر کتنی قابل فہم ہے، 0 سے 1 پیمانے پر۔
PESQ اور STOI دونوں کو 'مداخلت کرنے والے' میٹرکس کے طور پر بیان کیا گیا ہے۔ اس کا کیا مطلب ہے؟
دخل اندازی میٹرکس اسکور کی گنتی کرنے کے لیے ایک صاف حوالہ سے تنزلی سگنل کا موازنہ کرتی ہے۔
STOI کی تخمینی اسکور کی حد کیا ہے؟
STOI 0 اور 1 کے درمیان ایک قدر نکالتا ہے، جہاں زیادہ کا مطلب زیادہ قابل فہم ہے۔
PESQ کس قسم کے ادراک فریکوئنسی پیمانے کا استعمال کرتے ہوئے انسانی سماعت کا ماڈل بناتا ہے؟
PESQ بارک بینڈ پروسیسنگ کا استعمال کرتے ہوئے سائیکوکوسٹک لاؤڈنس کی نمائندگی پر سگنلز کا نقشہ بناتا ہے۔