概述
PESQ 和 STOI 是標準的客觀指標，可以對處理後的語音聲音的好壞程度以及語音的可理解性進行評分，而無需人類聽眾。它們讓工程師自動對編解碼器、降噪器和語音增強模型進行基準測試。
PESQ 和 STOI 語音品質指標位於音訊 AI 工作流程中，可轉換語音、音樂和聲音以實現通訊、可訪問性和媒體製作。
深入探討
PESQ（語音品質感知評估），標準化為 ITU-T P.862，預測語音的感知質量，主要用於電話和編解碼器測試。它將乾淨的參考訊號與降級的參考訊號進行比較，並輸出類似 MOS 等級的分數（大約 -0.5 到 4.5），模擬人類聽覺感知。 STOI（短時間客觀清晰度）於 2010 年推出，它預測清晰度：聽眾實際上能理解多少單字。它將跨頻段的乾淨語音和經過處理的語音的短時時間包絡關聯起來，產生從 0 到 1 的分數。兩者都是侵入性（基於參考）指標。 PESQ 回答「聽起來不錯嗎？」而STOI則回答「你能理解嗎？」它們共同成為語音增強、降噪和去混響系統的預設評估工具。
技術洞察
這兩個指標都是侵入性的：它們在評分之前將乾淨的參考與降級的訊號對齊。 PESQ 將兩個訊號映射到心理聲學響度標度（巴克帶）上，計算隨時間變化的感知幹擾，並將其回歸為類似 MOS 的值。 STOI 將語音分成三分之一倍頻程，採用約 400 ms 的短包絡段，對其進行剪輯和標準化，然後計算參考包絡和降級包絡之間的相關性。將這些相關性平均可得出 0 到 1 的可懂度分數。
掌握 PESQ 和 STOI 語音品質指標
PESQ 和 STOI 是標準的客觀指標，可以對處理後的語音聲音的好壞程度以及語音的可理解性進行評分，而無需人類聽眾。它們讓工程師自動對編解碼器、降噪器和語音增強模型進行基準測試。 PESQ 和 STOI 語音品質指標位於音訊 AI 工作流程中，可轉換語音、音樂和聲音以實現通訊、可訪問性和媒體製作。為了建立深入的理解，請將 PESQ 和 STOI 語音品質指標視為一種操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地完成的任務與仍需要專家判斷的任務分開。
在實踐中，使用 PESQ 和 STOI 語音品質指標的強大團隊將品質、延遲和同意視為部署策略中同等重要的部分。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
它透過轉錄、旁白和語音介面提高了可訪問性。同時，如果未徵得同意，語音濫用和冒充風險就會增加。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
它透過轉錄、旁白和語音介面提高了可訪問性。
它透過轉錄、旁白和語音介面提高了可訪問性。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
媒體團隊可以用更少的預算更快地交付精美的音訊。
媒體團隊可以用更少的預算更快地交付精美的音訊。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
面向客戶的系統可以處理更大規模的語音互動。
面向客戶的系統可以處理更大規模的語音互動。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
在標準測試集上對語音增強和噪音抑制模型進行基準測試
在網路工程期間比較電話和 VoIP 編解碼器質量
調整助聽器和人工耳蝸處理以獲得最大清晰度
驗證會議和語音助理管道中的去混響演算法
實施模式
PESQ 和 STOI 語音品質指標的實踐
在標準測試集上對語音增強和噪音抑制模型進行基準測試。
在標準測試集上對語音增強和噪音抑制模型進行基準測試 當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
PESQ 和 STOI 語音品質指標的實踐
在網路工程期間比較電話和 VoIP 編解碼器品質。
在網路工程期間比較電話和 VoIP 編解碼器品質 團隊在預先定義品質閾值、針對邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
PESQ 和 STOI 語音品質指標的實踐
調整助聽器和人工耳蝸處理以獲得最大清晰度。
調整助聽器和人工耳蝸處理以實現最大清晰度 當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
PESQ 和 STOI 語音品質指標的實踐
驗證會議和語音助理管道中的去混響演算法。
驗證會議和語音輔助管道中的去混響演算法 當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
風險與防護欄
如果未徵得同意，語音濫用和冒充風險就會增加。
由於口音、方言或嘈雜的環境，準確性可能會下降。
如果沒有明確的標籤，合成音訊可能會被誤認為是真實的語音。
實施路線圖
獲得語音捕獲、克隆和重用的明確同意。
獲得語音捕獲、克隆和重用的明確同意。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
測試不同揚聲器和背景條件下的品質。
測試不同揚聲器和背景條件下的品質。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
定義人員必須審查或批准輸出的時間。
定義人員必須審查或批准輸出的時間。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
標記合成音訊並保留來源記錄以供問責。
標記合成音訊並保留來源記錄以供問責。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。