概述
PESQ 和 STOI 是标准的客观指标，可以对处理后的语音声音的好坏程度以及语音的可理解性进行评分，而无需人类听众。它们让工程师自动对编解码器、降噪器和语音增强模型进行基准测试。
PESQ 和 STOI 语音质量指标位于音频 AI 工作流程中，可转换语音、音乐和声音以实现通信、可访问性和媒体制作。
深入探讨
PESQ（语音质量感知评估），标准化为 ITU-T P.862，预测语音的感知质量，主要用于电话和编解码器测试。它将干净的参考信号与降级的参考信号进行比较，并输出类似 MOS 等级的分数（大约 -0.5 到 4.5），模拟人类听觉感知。 STOI（短时客观清晰度）于 2010 年推出，它预测清晰度：听众实际上能理解多少单词。它将跨频段的干净语音和经过处理的语音的短时时间包络关联起来，产生从 0 到 1 的分数。两者都是侵入性（基于参考）指标。 PESQ 回答“听起来不错吗？”而STOI则回答“你能理解吗？”它们共同成为语音增强、降噪和去混响系统的默认评估工具。
技术洞察
这两个指标都是侵入性的：它们在评分之前将干净的参考与降级的信号对齐。 PESQ 将两个信号映射到心理声学响度标度（巴克带）上，计算随时间变化的感知干扰，并将其回归为类似 MOS 的值。 STOI 将语音分成三分之一倍频程，采用约 400 ms 的短包络段，对其进行剪辑和标准化，然后计算参考包络和降级包络之间的相关性。对这些相关性进行平均可得出 0 到 1 的可懂度分数。
掌握 PESQ 和 STOI 语音质量指标
PESQ 和 STOI 是标准的客观指标，可以对处理后的语音声音的好坏程度以及语音的可理解性进行评分，而无需人类听众。它们让工程师自动对编解码器、降噪器和语音增强模型进行基准测试。 PESQ 和 STOI 语音质量指标位于音频 AI 工作流程中，可转换语音、音乐和声音以实现通信、可访问性和媒体制作。为了建立深入的理解，请将 PESQ 和 STOI 语音质量指标视为一种操作模型，而不是单个功能：定义期望的结果，澄清假设，并将系统可以可靠地完成的任务与仍需要专家判断的任务分开。
在实践中，使用 PESQ 和 STOI 语音质量指标的强大团队将质量、延迟和同意视为部署策略中同等重要的部分。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
它通过转录、旁白和语音界面提高了可访问性。与此同时，如果未征得同意，语音滥用和冒充风险就会增加。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
它通过转录、旁白和语音界面提高了可访问性。
它通过转录、旁白和语音界面提高了可访问性。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
媒体团队可以用更少的预算更快地交付精美的音频。
媒体团队可以用更少的预算更快地交付精美的音频。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
面向客户的系统可以处理更大规模的语音交互。
面向客户的系统可以处理更大规模的语音交互。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
在标准测试集上对语音增强和噪声抑制模型进行基准测试
在网络工程期间比较电话和 VoIP 编解码器质量
调整助听器和人工耳蜗处理以获得最大清晰度
验证会议和语音助手管道中的去混响算法
实施模式
PESQ 和 STOI 语音质量指标的实践
在标准测试集上对语音增强和噪声抑制模型进行基准测试。
在标准测试集上对语音增强和噪声抑制模型进行基准测试 当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
PESQ 和 STOI 语音质量指标的实践
在网络工程期间比较电话和 VoIP 编解码器质量。
在网络工程期间比较电话和 VoIP 编解码器质量 团队在预先定义质量阈值、针对边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
PESQ 和 STOI 语音质量指标的实践
调整助听器和人工耳蜗处理以获得最大清晰度。
调整助听器和人工耳蜗处理以实现最大清晰度 当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
PESQ 和 STOI 语音质量指标的实践
验证会议和语音助手管道中的去混响算法。
验证会议和语音辅助管道中的去混响算法 当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
风险与防护栏
如果未征得同意，语音滥用和冒充风险就会增加。
由于口音、方言或嘈杂的环境，准确性可能会下降。
如果没有明确的标签，合成音频可能会被误认为是真实的语音。
实施路线图
获得语音捕获、克隆和重用的明确同意。
获得语音捕获、克隆和重用的明确同意。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
测试不同扬声器和背景条件下的质量。
测试不同扬声器和背景条件下的质量。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
定义人员必须审查或批准输出的时间。
定义人员必须审查或批准输出的时间。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
标记合成音频并保留来源记录以供问责。
标记合成音频并保留来源记录以供问责。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。