主観的な音声品質を評価する方法

いずれにしても、データネットワークで最も重要なリソースは、通信チャネルの帯域幅です。 通信チャネルの最大スループットとその数を増やすことに加えて、既存のチャネルの使用を最適化することが理にかなっていることは明らかです。 たとえば、圧縮アルゴリズムの適用。 いずれの場合も、最適なアルゴリズム（計算の複雑さ、圧縮率などの点で）は独自のものです。

音の圧縮の特徴は、人間による知覚の主観性です。 これにより、信号から重要でない情報を除外することが同時に可能になりますが、圧縮アルゴリズムが複雑になります。

主観品質の損失を最小限に抑えて最高の圧縮率を実現するには、その知覚の法則を知る必要があります。 これは心理音響学が行うことです。

圧縮に心理音響特性を使用する場合、品質評価の従来の方法はもはや適切ではありません。 したがって、たとえば、S / N比はほとんど役に立たなくなります。 人が知覚しない部分を考慮せずに圧縮が行われます。 したがって、品質評価では、人間の聴覚装置の特性も考慮する必要があります。



カットの下で、音声信号のいくつかの特性と、人による知覚の特性、これらの信号の品質を評価するための客観的および主観的な方法が考慮されます。



PSこの記事では、2011年に航空機のラジオエレクトロニクス学部のモスクワ航空研究所で擁護された私の論文を使用します。 402.以前は、作品はどこにも公開されていませんでした。

音声信号とその主な特性

一般に、電気通信システムにおける音声信号は、音声メッセージを送信する機能を実行するプロセスを意味します。 それは、音響的、機械的、電気的、およびその他のプロセスです。 音声メッセージは通常、人間の脳内で作成されます。 次に、それは、言語器官の関節運動を制御する神経系の信号に変わります。 順番に、これらの動きは、音声形成路における音声信号の形成を制御します。 発話経路は、喉頭、咽頭、口腔、鼻腔で構成され、壁の体積と弾力性は時間とともに変化します。 発話音を発音するプロセスでの発話経路の構成の変更は、経路を通過する音波に影響します。 受信した信号は、音響信号の形で周囲の空間に放出されます。 次に、通信システムの伝送経路の音響信号が電気信号に変換されます。

将来、信号は電気のままでさまざまな変換を受ける可能性があります。 場合によっては、増幅後の電気信号は電気音響変換器に直接入力されますが、その他の場合には、最終的に一連の変換（変調と復調、量子化、コーディング、圧縮など）の後、原則として音響信号にもなりますが、信号は、たとえば音声認識タスクでデジタルのままになる場合があります。 耳の鼓膜に作用する音響信号は機械的信号に変わり、内耳では神経系の信号に変わります。 中枢神経系のこの信号はデコードされ、その結果、元のメッセージが再作成されます。 場合によっては、通信システムの歪みのために、このメッセージが元のメッセージと異なる場合があります。

音波の周波数はさまざまですが、人は20〜22,000 Hz（1.56 cm〜17.19 m）の周波数を知覚します。 人間が知覚する音量レベルのダイナミックレンジは非常に大きいです。



微妙に識別可能な音のパワーは1μWであることが実験的に確立されました。 音圧を単位とする音量スケールもあり、10 ^ -5 N / cm2の圧力がゼロレベルと見なされます。 このスケールでは、dB SPL（音圧レベル-SPL）という表記が使用されます。

実際には、電気通信による音声メッセージの送信は、音声信号、つまり電波の形で提示される音波を通信チャネルを通じてデジタル的に表現、処理、および送信することによって解決されます。 この場合、スピーチは、話される言葉、声の音色、イントネーション、性別、話者の年齢に応じて、複雑な形の振動です。 音声の周波数範囲では、音声信号が占める帯域幅を理解してください。 100〜8000 Hzの周波数範囲にあります。 ただし、CCITT（テレフォニーおよび電信に関する国際諮問委員会）の推奨事項に従って、信号を変換および処理する場合、300〜3400 Hzの周波数範囲に制限されています。

音の主観的知覚

すでに述べたように、人間の補聴器は、周波数が20〜22,000 Hzの範囲の音を知覚します。 しかし

人間の耳の感度は、知覚される範囲全体で同じではありません。

この図は、対応する音声と音楽を含む聴覚の領域を示しています。



人間の発話の周波数範囲は、およそ100〜8000 Hzです。

聴覚閾値の存在は、損失のある音声圧縮アルゴリズムを構築するための基礎です。

周波数マスキング

さらに、効果的な圧縮のために、人間の聴覚器官の2つの特性、周波数マスキングと一時的マスキングが使用されます。

周波数（聴覚）マスキングは、通常聞こえる音が同様の周波数の別の大きな音で覆われている場合に発生します。 この図は、マスキング音とマスク音を模式的に示しています。



可聴（マスキング）音は、その付近の可聴性のしきい値（マスキング中の可聴性のしきい値）を上げます。 結果は音です

より大きな音でマスクされているため、破線で示されている音は聞こえなくなります。 このプロパティは圧縮で使用されます。 そのような音に対応する信号は、とにかく聞こえないため、データ配列から単純に削除されます。 周波数マスキングは、信号の周波数に依存します。 低音域の100 Hzから高域の4000 Hzまでの範囲です。 その結果、可聴周波数の領域は、耳の感度が低下するいくつかの重要な帯域に分割できます。

クリティカルストライプ

臨界帯域は、周波数とともに音の別の特性です。 周波数とは異なり、重要な帯域は聴覚に基づいて決定されます。

クリティカルバンドは次のように説明できます。音響周波数の聴覚知覚が制限されているため、可聴性のしきい値

音が臨界帯域fにある場合、周波数fは隣接する音によって上げられます。 重要なストリップの幅は、そのサイズと呼ばれます。

一時的なマスキング

一時的なマスキングは、周波数fの大きな音の前に時間がある場合、または近い周波数の小さな音が続く場合（および近い周波数の同時音の場合）に観察されます。 前の音のマスキングは10ミリ秒以下の間隔で表示されますが、後続の音は100〜200ミリ秒の間隔でマスクできます。

音声信号をデジタル形式に変換する

ポータルの対象ユーザーを考えると、特別な意味はありませんが、離散化と量子化のプロセスを検討してください。

音声品質評価方法

オーディオ信号伝送システムの品質を評価する方法は、主にこのシステムの目的（音声、音楽など）によって決まります。 これらのシステムの共通の特徴は、それらすべてが最終的に人間の聴覚システムに来るということです。 通信チャネルを介して送信する場合、音声はランダムなプロセスと見なされ、その特性によって送信信号のパラメーター（ダイナミックレンジ、帯域、信号対雑音比）が決まります。 これらのパラメータはすべて測定可能であり、正確に決定できます。 しかし、一方で、音声信号は人によって知覚されることを考えると、人の観点から、音声信号は聴覚の心理生理学の法則に従って主観的に評価されることに注意すべきです。 したがって、音声信号の品質は、人の音知覚システムを完全に置き換えることのできない多くの指標によって客観的に評価されます。 音声信号を直接送信する際のニュアンスを考慮しない場合、音声品質の客観的な評価は主観的な評価と相関するはずです。

コーデックの品質は、次の2つの基準で評価できます。

1. 客観的な品質の維持
   
   ハードウェアの歪み検出。
   
   
2. 主観的品質の維持
   
   主観統計による歪みの認知度の判定
   
   テスト。
   
   

音の経路の客観的なパラメータと知覚との関係を確立する厳密な数学的関係はまだ得られていないため、既存の方法はどれも音質の正確な評価を与えることができません。 現在、音信号の品質を評価する方法には、主観的、客観的、心理音響的の3つのタイプがあります。

主観的方法

信号の歪みを評価するために、専門家グループの助けを借りて主観統計テスト（SSS）が実行されます。

主観的品質評価は、十分な数の専門家リスナーの主観的品質評価の統計処理に基づいています。 これらの推定値は、話者の年齢と性別、フレーズの発音速度、およびその他の状況に大きく依存します。 主観的評価を取得する際のテストは、実際の条件、たとえば外来ノイズ、他の人の背景音声などを模倣して実行されます。これらのテストの定量結果は、平均品質、リスナーの努力レベル、明瞭度、自然音を反映します。

MSSの個々の結果はランダムなイベントであり、確率理論と数学的統計の装置を使用して結果を分析します。 ただし、これらの対策を考慮しても、テスト結果を正確に繰り返すことは不可能です。

平均専門家意見スコア（MOS）は、電話ネットワークの伝送品質を評価するためにITU-T Rec。P.800で定義されている主観的な測定値です。

さまざまなタスクに対して、カテゴリの異なる5点評価尺度を使用できます。 ITU-T研究で最も一般的に使用される3つの意見尺度は次のとおりです。











推定値（平均意見スコア）が示されています

MOSキャラクター。 MOS評価は表に示されています：

主観的品質評価 サウンディングスピーチ	音声情報の知覚レベル	格付け
いいね	スピーチは完全かつ楽に知覚されます。	5
よし	音声は、具体的な努力なしに、自由に知覚されます	4
満足	発言は中程度の努力で知覚され、欠陥の存在は否定できない	3
悪い	スピーチは注意によって知覚されます。	2
とても悪い	スピーチの全体または一部が知覚されない	1

MOSの絶対値はテストのコンテキストに依存し、言語の知識レベルの違いなどの影響を受けます。

客観的な方法

客観的な方法は、主観的な方法と比較して時間のかからない方法を提供します。 客観的な方法は、エンコードされた信号と元の信号の違いの程度を評価することに基づいています。

パラメータは多様であり、コーディングの種類によって根本的に異なる場合があります。 客観的指標と主観的品質との間にはある程度の相関関係があるという事実にもかかわらず、主観的品質を明確に判断することは不可能であり、実際、各コーデックの品質評価の異なる方法を説明しています。 したがって、現在、主観的品質を評価するための普遍的な客観的方法がないことは明らかです。

信号対雑音比（SNR）

最も一般的な推定値は、信号対雑音比です。 この方法は、一般的な信号対雑音比基準とも呼ばれます。 信号持続時間全体にわたる信号電力とノイズの全体的な比率を考慮します。 ただし、任意の間隔で有用な信号の強度が低い場合、有用な信号の強度が高い信号の別の部分によってマスクされる可能性があり、最終的に推定がゆがめられます。

セグメントS / N比（segSNR）

これは、S / N比法の開発です。 この場合、S / N比は15から20 msの間隔で推定されます。これにより、不均一な信号強度が画像全体を歪めないため、全体としてより正確な推定値を取得できます。

心理音響法

品質を評価するための心理音響学的方法では、一般的な音、特に音声に対する人間の知覚の特性を考慮に入れます。 これらの方法の特徴は、信号の主観的な品質のみがハードウェアとソフトウェアを使用して評価されることです。 したがって、厳密に言えば、それらは客観的な方法に関連していますが、人による音の主観的知覚の特性に基づいて構築されています。

音響信号の冗長性を排除する方法が開発されるにつれて、客観的なパラメーターで品質を評価することが不可能になり、主観的統計的テストは依然として非常に面倒です。 冗長性の排除は、人による音と音声の知覚の特性に基づいており、これはすでに品質評価方法でこれらの機能に関する知識を適用する理由として機能しました。

音声信号の品質を評価する任意の方法のタスクは、主観的統計テストとの高度な相関を達成することです。これは、これまで音声品質の最も正確な評価のままです。

ほとんどの方法は、何らかの心理音響モデルを使用して元の信号とエンコードされた信号を比較することに基づいています。 人のエンコードされた信号の歪みの顕著な度合いが推定されます。 心理音響モデルは、人間の聴覚装置の観点から音声信号をその内部表現に変換するモデルであり、元の信号の内部表現と比較されます。

最も一般的なのは、 ITU-T Rec。P.862で定義されている加重スペクトル歪み（WSS）とPESQ推定値です。

加重スペクトル歪み（WSS）

WSSメソッドは、元の信号セグメントと歪んだ信号セグメントの間の25の重要な聴覚帯域でのスペクトル歪みを推定します。

まず、25のクリティカルバンドのそれぞれの信号エネルギーが決定され、ピーククリティカルバンドが決定されます。 その後、ピークに関する情報が与えられると、各臨界帯域の重み係数が決定されます。 さらに、各臨界帯域の重みとエネルギーを考慮して推定値が形成されます。

PESQスコア

このアルゴリズムは、電話システムの音声通信の品質を決定するための客観的な方法論であり、エキスパートリスナーによるこのタイプの通信の品質の主観的評価の結果を予測します。 音声伝送の品質を判断するために、PESQは入力または基準信号と、通信システムの出力での歪みバージョンとの比較を提供します。 このプロセスを図に概略的に示します。







入力信号と出力信号を比較した結果は、通信品質の評価です。これは、ITU-T P.800仕様に従って専門家グループによって決定された平均主観的MOSスコア（平均意見スコア）と類似しています。 PESQの推定値は、巨大なMOS評価データベースを使用して較正されます。

PESQには多くの新しい開発があり、PSQMやMNB [ITU-T P.861]など、音声コーデックのパフォーマンスを評価するための以前のアルゴリズムと比較して有利です。 これらの革新により、エンドツーエンドの音声伝送の品質を決定し、コーデックを含むネットワーク機器の個々の要素の通信品質への影響を評価するために、PESQを自信を持って使用することができます。

PESQ規格の開発中に、ITU-Tの専門家は、さまざまな通信条件で得られる結果とMOS推定値との相関関係の観点から音声通信の品質を決定する最良の方法を選択しました。パケットデータ。

PESQアルゴリズムでは、信号品質劣化の次の原因が考慮されます。エンコード中の歪み、伝送エラー、パケット損失、パケット伝送遅延時間およびこの時間の変動、アナログネットワークコンポーネントでの信号フィルタリング。



PESQの信号処理：

1. レベリング
   
   入力音声信号と出力音声信号を正しく比較するには、それらのパワーレベルを揃える必要があります。 これが必要なのは、入力信号を特定のレベルにすることができず、テスト前のテスト対象システムのゲインが不明であるためです。
   
   PESQでは、リスニング信号のレベルは一定であり、ERP（Ear Reference Point）[ITU-T P.830、条項8.1.2]での79 dBの音圧に等しいと想定されています。 指定されたレベルにするために、両方の信号が増幅されます-入力と出力。
2. 入力フィルタリング
   
   アナログ接続は、多くの場合、送信される信号をある程度フィルタリングします。 たとえば、ハンドセットの送信部は通常、標準AFC修正IRS（中間参照システム）送信[ITU-T P.830]と同様の振幅周波数応答（AFC）を持つ音声信号をフィルタリングします。 原則として、これは許容されます。なぜなら、この種の信号処理は、そのエンコードから生じる信号歪みよりも通信の品質への影響が少ないためです。
3. タイムアライメント
   
   通信システムでは、信号伝送に可変遅延が存在する場合があります。 入力信号と出力信号を正しく比較するには、それらを時間的に相互に位置合わせする必要があります。 PESQでは、信号リスニングがシミュレートされますが、ネットワーク内の後者の遅延時間に関する情報はありません。 信号の音声部分を識別し、PESQでノイズを除去するために、音声が検出されます。
   
   タイムアライメントは3段階で実行されます。
   
   
   • 最初のステップで、PESQは音声検出器によって識別されたアクティブな音声の大きな断片を整列させます。 これらのフラグメントには、所定のしきい値（200ミリ秒）を超えない期間の一時停止が含まれる場合があります。 このプロセスでは、入力と比較して、出力信号の大きなフラグメントの伝送遅延が比較されます。
   • 2番目の段階では、PESQは、スピーチの小さなセクション（フレーム）を時間的に部分的に一致させます。 このプロセスは、アクティブなスピーチの大きなフラグメントの送信中に一貫性のない遅延を明らかにします;パケットネットワークでは、このような遅延は非常に重要です。
   • 第3段階は、聴覚変換の操作後に実行されます。 この段階で、いわゆる「悪い間隔」（非常に大きな歪みのある音声の断片）が再調整されます。 このステップにより、少数のファイルを使用する場合のアルゴリズムの精度が向上します。ファイルの転送中に、初期タイムアライメントプロセス中に遅延変動が誤って決定されます。
4. 聴覚変換
   
   入力信号と出力信号の比較の前に、人間の聴覚の特定の機能を模倣した聴覚変換が行われます。 これにより、感覚面として表される時間と周波数の関数として、信号の知覚ラウドネスに関する情報が得られます。 歪みパラメータの決定入力ファイルと出力ファイルの知覚表面の違いはエラー表面と呼ばれます。 テスト対象のシステムに表示されるこれらのファイルの音のすべての可聴差を示します。 エラーサーフェスは、大音量信号の背景に対して聞こえない小さな信号歪みの通信品質への影響を考慮して分析されます（マスキング効果）。 正および負のエラーに関する情報に基づいて、2つの歪みパラメータがエラーサーフェスの特定の領域での非線形平均値として計算されます。 これらのパラメーターは次のとおりです。
   
   
   • 絶対（対称）歪み絶対可聴エラー
   • 追加の（非対称）歪み-入力信号よりも大幅に大きい可聴エラーを特徴付ける

したがって、アルゴリズムは、各タイプのエラー値が合計される2つの歪みパラメーターを提供します。 アルゴリズムの最終段階で、これらの歪みパラメーターは通信品質推定値に変換されます。これは、対称歪みと非対称歪みの平均値の線形結合です。

PESQアルゴリズムは、通信業界で標準化された5ポイントスケール（1〜5 [ITU-T P.800]）で音声品質を評価します。 ただし、PESQスコアは4.5を超えません。これは、通常、MOSの主観的なテストによって得られる最大値であるためです。

PESQ評価は、コミュニケーションの質に対するユーザーの認識を特徴付けます。 評価4.5は、アルゴリズムが歪みを検出しなかったことを意味します。

使用したソース

1. Sergeenko V.S.、Barinov V.V.、通信システムのデータ、音声、音声、画像の圧縮、2009年、RadioSoft IE
2. リヒターSG、デジタル移動通信システムのコーディングと音声伝送、2009年、ホットライン-テレコム
3. ITU-T P.800