实时语音质量监控

今天主要想介绍下，实时语音的质量到底是什么样的，大概介绍一下这个领域的一些已有的一些方法，然后会再介绍一下现有的方法，并且介绍一下未来想做的一些事情。

语音质量评估方法

首先，大概介绍一下语音质量评估，这个之前就一般从那个方法而言的话，是分为主观的一个评价方法，还有一个客观的评价方法的。那主观性评价方法的话，其实就是完全靠人的一个情感，那主观其实也是分两种的，一种是我完全不给你一个原始的参考信号，就是我只给你一段语音，然后你听完之后你来告诉我，你认为这在于它的分数是应该是多少，那还有一种方法呢，会给你一个锚点，然后告诉你这个是最差的，然后让你去基于这个最差的去做一个评价，这个方法也是在目前论文中用的最多的一种，就是主观的一个评价方法。

客观评价方法

对于客观评价方法，根据是不是需要一个原始无损的参考信号，分为有参考的客观条件，有参考的客观评价方法，最早差不多是大概九六年左右，就有一个标准叫 P.861 的，率先就是提出来一种方法，就是给一个无损的，再给一个受损的语音信号，然后来比较它们的一些相似度，或者是一些听觉的一些损伤，然后来给一个分数。2000 年的时候，出来了一个 p.862，后来大概在 04 年，有一个称为 PESQ-WB 的方法，就把之前 pesq 从 8khz 的测试范围扩大到 16khz，然后，我们现在常用的一般就是这个 PESQ-WB。现在很多论文，其中包括比如：降噪、无损等，都还会用这种方法来做一个评价。差不多到 12 年的时候，ITPO 出来一个新的标准，p.863，这个 POLQA 方法其实是 pesq 的升级版，就是其在噪声的抑制上做了一些改进，另外，它的准确性其实还是蛮高的，这里说的准确性，其实就是同一段语调，用 POLQA 测出来的结果，跟人听出来的分数看是否接近，越接近，则测试越高的。

有参考客观评价方法

• P.861 PSQM 最早的标准
• P.862 PESQ、PESQ-WB，应用最广泛的有参考评价方法
• P.863 POLQA，最新的有参考评价方法

无参考客观评价方法

1. P.563，最著名的窄带无参考评价方法
2. ANIQUE，据作者称准确度超过有参考的 PESQ
3. E-Model/P.1201，参数域评价方法
4. xxNet，深度学习域评价方法

其实还是蛮多的，就比如说，最常用的那个 Itot 的 p.563 方法，其实主要就是只要给他一段语音就不需要给它一个原始无损的语音，然后他它会从它的语音的完整性，然后得到一个噪声的程度，然后看是不是都够流畅来判断这段语音是不是 OK。如果是它觉得这些 feature 所有的都没有问题的话，它就会给一个高分，如果有一些 feature，非常大的原因可能出现了，比如说语音之间的断裂，或者是因为噪声过大，它也会给一个相对低的一个分数，在 p.563 之后，又出来一个 ANIQUE，是美国的一个标准，据其文献称，它的准确度会超过刚才讲过的有参考的 pesq 的方法。再有就是参数域的方法，参数域的话，不会对语音信号去做处理，而是去用一些状态信息去做一个估计的事情。比如：这个 E-Model 方法，从采集到回声，再到编码的一整个，如果有哪个模块有一些损伤，它们会把损伤的影响因子从整体中裁剪掉。还有一种比较新的 p.1201 标准，这个标准包括音频、视频两种评价方法。其中音频部分，主要包括网络参数、编解码、音量参数等。

客观评价方法痛点

• 有参考方法，只能用在上线前
• 无参考方法-传统信号域，应用场景窄、鲁棒性差
• 无参考方法-传统参数域，仅在有限弱网条件下可以保持精度
• 无参考方法-深度学习，应用场景和语料有限，复杂度略高
• 场景窄
• 精确率差
• 鲁棒性差
• 复杂度高

线下测试的线上化

在线质量感知能力，其特点是，高精确、广覆盖、低复杂、强鲁棒。质量评估足够准确，覆盖绝大多数业务场景，不引入过多算法复杂度，和语音内容弱相关。

下行链路质量评价方法

一个标准流程：编码-传输-解码-播放，所以其涉及到的因素：编解码器性能、网络质量、弱网对抗算法质量、设备播放能力等。我们做一组数据测试：在多弱网、多设备、多模式的测试 case 下，该方法的打分与 POLQA 的参考打分 MAE 小于 0.1 分，MSE 小于 0.01 分，误差最大值小于 0.15 分。下图是某设备某模式的多弱网测试结果：

上行链路质量评价方法

模块比较多，而且每个模块独立，所以，首先，每个模块有自己的独立检测能力。比如：回声模块，当前可能会漏掉回声，这一点，本身需要知道。然后，在所有模块自我检测完之后，在编码之前，还会做统一检测的模块，相当于一个卫士，做整个流程的把关。把所有的场景的共性提取，我们可以总结为四点：

• 设备采集稳定性
• 回声消除能力
• 噪声抑制能力
• 音量调整能力

漏回声的原因

其实我们非常希望知道当前是否会漏回声，那漏回声原因总体分为四大类：

• 延时抖动，引起延时抖动的原因可能有很多，比如：线程卡住没有及时送入信号，还有可能是当前外放设备非线性严重，双设备、非因果，非因果一般因为 buffer 原因
• 大混响环境，混响长度超过滤波器长度
• 采集信号溢出，导致滤波器不收敛
• 双讲，强依赖 NLP，顾此失彼

噪音、杂音原因

• 设备噪声，单频音、工频噪声、笔记本⻛扇声、无序杂音
• 环境噪声，Babble、鸣笛等
• 信号溢出，爆破音
• 算法引入，残留回声等

音量小

• 设备采集能力弱/说话声音小，大多数

  设备播放能力弱，对端

• 模拟增益、模拟 boost 增益小，PC 端

  数字增益小，双向增益

独立检测模块

• 啸叫检测，检测并抑制
• 杂音检测，预警
• 噪音检测，量化噪音引入的影响
• 硬件检测，估计设备外放性能

未来

感知、反馈和监控的一体化

• 内部状态更细
• 体验覆盖更广
• 反馈速度更快
• 覆盖通话更全