【音视频专题】音频质量评估方法那些事

今天参加了声网 Agora 的《实时语音质量监控系统的过去、现在与未来》讲座，结合之前在音频处理方面的工作经验，下面分享一些个人的理解。

音频（泛指人能听到的自然界的所有声音，人耳能听到声音的频谱范围一般为 20-20000HZ）和语音（语音是指人说话的声音，人说话的声音频谱能量范围大部分分布在 300-3400HZ）是不同的，人可以听到比说话更广范围的声音，例如乐器、自然界和尖鸣声等，但这些声音人并不能发出。

进行质量评估的原因有几个方面。比如，我们在通话、刷视频、听音乐等活动中的音频都经过了编解码压缩处理，以便于以更小的代价进行传输和存储。像原始声音中掺杂噪声的去除，原始说话声音的增强处理等。可以看出，无论是编解码处理还是其他语音处理，目的都是为了让人听起来更舒服。因此，质量评估方法就是评估在声音处理后，人听起来的感受度情况。

音频评估方法分为主观评价和客观评价。

主观评价就是人凭借听觉感受对语音进行打分，常见的有 MOS、CMOS 和 ABX Test。例如，AB TEST 在我早期的工作中经常使用，比如对语音增强算法做了小的优化，想得到实际听觉的感受改善情况，就会把原始算法和优化后算法处理后的语音进行编组，让小伙伴们帮忙测试打分，以此判断是变优还是变差。国际电信联盟（ITU）将语音质量的主观评价方法做了标准化处理，代号为 ITU-T P.800.1。其中收听质量的绝对等级评分（Absolute Category Rating, ACR）是目前比较广泛采用的一种主观评价方法。参与评测的人员对语音整体质量进行打分，分值范围为 1-5 分，分数越大表示语音质量越好。这种 MOS 值分数后来也应用于客观质量评价。一般 MOS 应为 4 或者更高的，会被认为是比较好的语音质量，一旦 MOS 低于 3.6，则这个语音质量基本不太能接受。

客观评价则是使用算法代替人打分的工作，通过算法来评估声音的质量。在客观评价中又分为有参考评价和无参考评价。

以下表中为主流语音编解码 MOS 值测试评分（来自 Opus 官网，后来又出来了 MOS9，即最高分为 9 分）。

这里重点介绍下 PESQ 和 POLQA。

PESQ 属于有参考的客观评价方案，将两个音频信号作为输入，其中一个由 itu 组织提供，另一个输入为经过被测 voip 系统处理后的输出信号。PESQ 算法通过对输入的两个信号提取时频域或变换域特征参数的差异，再将特征参数差异经神经网络模型映射得到客观的音质分值。PESQ 分值其实就是对 MOS 值的一个映射。

POLQA 算法是新一代语音质量评估标准，适用于固网、移动通信网络和 IP 网络中的语音质量评估。POLQA 被 ITU-T（International Telecommunication Union）确定为推荐规范 P.863，可用于高清语音、 3G、4G/VoLTE、5G 网络语音质量评估。它用以替代和升级 2001 年发布的 PESQ（ITU-T Recommendation P.862）。

与传统 PESQ 的区别在于，POLQA 算法具有以下优点：

当然，音频质量评估不只是评估编解码，还有其他因素会影响，如 VAD 传输，丢包补偿，网络质量变化（时延/抖动/丢包），甚至包括设备采集。

上述无论有参考和无参考，都有其应用的局限性，包括使用场景比较窄，鲁棒性差，复杂度高等问题。而要克服这些问题，就需要一套覆盖多场景，性能运行几乎无感知的质量评估算法及体系。因此，声网自行开发了一套独有的音频质量评估手段，包括上行质量评估和下行质量评估。

上行链路声音经历采集-AEC（回声消除）-NS（噪声抑制）-AGC（增益）处理过程，因此质量评估包含了设备采集稳定性/回声消除能力/噪声抑制能力/音量增益能力的处理效果。

下行链路则主要是通过设备播放给人听，经过编解码-网络传输-弱网对抗（我理解是 VAD/PLC/纠错等处理）-设备播放，最终多弱网、多设备、多模式测试下，其算法与 POLQA 误差值小于 0.15，可以说是达到了不错的效果。

关于音频质量评估，个人认为后续会按照更细化的领域方向发展，包含元素的不同，比如语音评估和音乐评估应该是属于不同的；包含场景的不同，比如实时在线处理和线下评估，实时处理需要高实时性，性能消耗小；而线下评估不需要这么高的要求，对于精准度则要求更高，则可以更多的利用 AI 人工智能的优势以及算法系统上的优化。

本文如未解决您的问题请添加抖音号：51dongshi（抖音搜索懂视），直接咨询即可。