1、SJ 中华人民共和国电子行业军用标准FL 5895 SJ 20923-2005 基于感知测度的军用通信设备客观音质评价方法Methodofo均ectivespeech quality assessment based on a perceptual measure for military communication equipments 060913000046 2005-0311发布2005-04-01实施中华人民共和国信息产业部批准SJ 20923-2005 目次前言.II引言.皿1 范围.12 引用文件.13 术语、定义和缩略语.1M 术语和定义.13.2 缩略语.24 客观音质评价过
2、程.25 语音源材料的准备.25.1 语音材料的选取.25.2 去除停顿.25.3 测试材料的录制.25.4 参考测试语音.36 实验参数选择.37 客观音质的计算.37.1 预处理.57.2 时间到频率的映射.67.3 等响曲线预加权.67.4 频率弯折变换与滤波.67.5 局部换算.87.6 强度一响度变换.87.7 认知的模拟.98 客观音质到主观音质的变换.98.1 平均意见分.98.2 等价Q值.109 结果的统计相关分析.10附录A(规范性附录)客观音质评价最小化语音源数据库.12附录B(规范性附录)部分曲线.14附录c(规范性附录)去除信号停顿流程及强度弯折计算公式.17I SJ
3、 20923-2005 II 目IJ言本标准附录A、附录B、附录C是规范性附录。本标准由信息产业部电子第四研究所归口。本标准起草单位:中国电子科技集团公司第三十研究所。本标准主要起草人:张知易、吴江滨、王瑛。SJ 20923-2005 寻|通信设备主观语音质量的评估是通信网络设计中的一项关键技术，SJ 20771-96已经为通信设各音质的主观评估规定了一套评测方法。然而，主观评测代价甚高，费时费力，因此，语音通信技术的发展，急需制定出一种有效的客观评估方法，以便通过少量的客观测试就可预估出设备的主观音质。信号噪声比(SNR)这个客观音质评价测度广泛用来评定语音编码器及其通信设备的性能。但是，它
4、不适于预测现代网络的主观语音质量，特别是低比特率的数字语音设备。最近十来年，国内外研究出了许多性能较好的客观音质评价测度，如LPC1ftJ谱距离(LPC-CD)、信息指数(11)、相关函数(CHF)、对数谱距离(LSD)、MEL倒谱系数距离(MEL-CD)及Bark谱距离(BSD)等测度。近年来，国内用各种语音编码器，加性、乘性(MNRU)噪声和类语音仿真干扰等多种失真语音条件，对LPC-CD、MEL-CD、BSD和LSD这些客观测度预测主观音质进行了大量的实验研究，将结果与国外文献资料做了仔细比较，并用主观昕觉感知的瞬时掩蔽特性对性能相对好的BSD算法做了改进。最终结果表明，改进的BSD测度
5、(MBSD)预测的主观音质与实际评测的音质问具有更好的相关性，本标准基本建立在MBSD的基础上。本标准所述的COOLEDIT PRO软件是SyntrilliumSoftware Corporation的产品，具体购买使用内容可从其公司网站上获得。III SJ 20923-2005 基于感知测度的军用通信设备客观音质评价方法1 范围本标准规定了基于心理声学、体现人的感知特性的巴克谱距离测度算法、测试语音材料的选取、从客观测量到主观音质的预测及结果的分析计算。本标准适用于室内外语音编码技术、通信设备或系统的语音，通过MBSD客观失真距离的计算，预估出昕觉感知的主观质量，同时也适用毛主且士安详件也主
6、发研究。2 引用文件飞FO条4关内有的的误肿制文包贝不rhll,. 单改用文件，其后的任何修其最新版GBff 1 行主观性能评定3 术语、3. 1 术语和定义下列术语和定3. 1. 1 客观音质。bj由给定客观失真测度度可以是MOS分或等价Q值。3. 1.2 客观音质评价。bjective由给定客观失真测度得到的原始语音3. 1.3 临界频带critical band 在发生听觉掩蔽的情况下，其谱密度刚好掩蔽与中心频率相同的纯音所具有的噪声带宽。3.1.4 巴克谱Bark spectrum 以临界频带为基础，频率以Bark为单位的频率谱，用Q表示。3.1.5 主客观的统计相关系数statist
7、icalcorrelation coefficient between subjective qual ity and objective qual ity estimated 统计实验中，通过客观测量预测的主观音质和实测主观音质之间的归一化相关系数。3. 1. 6 前向掩蔽效应forward masking effect 是人在听觉过程中出现的一种瞬时掩蔽现象，即先出现的高能量声信号(掩蔽信号)，一旦超过某个阐值，会在一定时间(大约200ms)之内抑制后到达的低能量信号(被掩蔽信号。SJ 20923-2005 3.1.7 掩蔽滤波器masking fi Iter 模拟瞬时掩蔽存在而使阙值提高
8、的特性曲线的滤波器。3.1.8 掩蔽矩阵masked matrix 它是0，1矩阵，0和1分别指示计算帧的频谱矢量中，各个频带发生掩蔽和没发生掩蔽。3.1.9 取样的音高功率密度sampled pitch power density 临界频带域中，指定频带(即音调的功率谱密度。3. 1. 10 取样压缩的晌度密度sampled compressed loudness density 分帧的临界频带内，以方表示的音高功率密度，变换到以宋表示的密度。3.2 缩略语下列缩略语适用于本标准。BSD一一巴克谱距离;MBSD-一一改进的巴克谱距离:MOS-平均意见分。4 客观音质评价过程客观音质评测的过程
9、如图1所示。被测设备产生的信号及参考信号语音设备客观测试步骤如下:采用MBSD进行音质评测图1客观音质评价过程客观质量到主观质量的变换预佑的平均主观得a) 标准语音源材料的准备:选用SJ20852-22标准中的语音材料或附录A中提供的最小化语音数据库中的材料:b) 选择体现被测设备或系统突出特性的实验条件和参数:c) 产生被测设备或系统的测试语音:d) 基于MBSD测度，用标准语音源材料和测试语音材料进行客观音质失真距离的计算:e) 由客观失真距离，预测主观音质，如果要对结果进行统计相关分析，则按SJ20771-20的规定，完成相应语音条件的主观音质的评测实验。5 语音源材料的准备5. 1 语
10、音材料的选取按照SJ20771-2o规定的每个测试条件，应从SJ20852-2002或附录A中至少三男三女的每个发音人中选取1个(可相同或不相同)测试单元，即至少6个单元。5.2 去除停顿附录A中A.2提供了己经去除停顿的最小化语音数据库的语音材料。当采用SJ20852-22规定的语音材料时，应用附录C中C.1的去除信号停顿流程完成去除语句前后及音节之间的停顿。5.3 测试材料的录制在同一个系统测试条件下，如果要完成第4章中测试步骤中e)的测试，必须在同一个录制状态，完成所选材料有停顿(用于主观测试)和无停顿(用于客观测试)测试语音的录制。录制应采用与语音源数据库相同的采样频率(8kHz)和量
11、化精度(16位线性PCM)，同时采用高性能的声卡和相关音频编辑软件完成录制，生成*.WAV格式的数据文件。2 SJ 20923-2005 注:可使用COOLEDIT PRO软件。以上标准语音数据库存放在附录A.3中的光盘中。5. 4 参考测试语音a) 除被测设备或系统的语音条件外，应按ITU-TP.830和SJ20771-2000及SJ20852-2002的规定，在主观测试中，应适当包括一些参考失真语音条件。为将客观测试结果用等价Q值表示，应当测试ITU-TP.810中规定的、SJ20852-2002中提供的窄带调制噪声参考单元(MNRU)的参考条件。b) 在编码器性能客观音质评测中，应包括一
12、些标准时、频域语音编码器，以便将测试的结果和标准编码器的结果相比较。标准的编码器可从SJ20852-2002中提供的0.72632-kbi的ADPCM、24-kbit/sADPCM、16-kbit/sADPCM、0.7298-kbit/s CS-ACELP, TIA厄IAJIS-96A736 8-kbit/s和话首朱可甲咱也C适当选择。6 实验参数选择被测系统的多种音a) 设备允许b) 主观测试c) 输入输出d) 数字语e) 本标准采响，但信道用感模拟与受试者判主观感知的绝对描述了人的感知和的感觉得分。特别地，种受试者用来将输出和且且+且与且+型E试琦槐主理感知模型感知模型图2音质感知的基本原
13、理因素的影原则应符合MBSD可靠地即最终得到同样号的音质一样。一图2所示。受试者特件3 SJ 20923-2005 就MBSD而言，将构成源信号和设备输出信号的物理信号，映射到尽可能匹配语音信号内在表达(我们头脑中的表达)的一些心理学表达，这些内在表达利用了心理学上频率(临界频带频率)和晌度(压缩强度，宋)的等同。音质便根据内在表达的差别作出判断，这个差是作为频率和时间的函数，用于噪声干扰和失真计算的，平均的干扰和失真直接与设备的音质相关。从外在的物理域到内在的心理域的变换的感觉模拟分四步完成:a) 时间-频率变换:b) 频率的弯折:c) 强度的弯折(压缩); d) 前向掩蔽计算。为得到主客观
14、的高度相关，MBSD法除了感知的模拟外，还用到一些认知的模拟。MBSD算法的流程框图，如图3所示。否4 被测系统输出信号y,n 否图3客观测量流程图SJ 20923-2005 7. 1 预处理在进行MBSD算法失真距离计算之前，应当首先完成每个测试项的输入输出对的初始化:a).时间对齐或同步:b) 预加重处理:c) 系统增益补偿换算:d) 音高功率密度的校准响度设定的校准)。式中:xm一一输入信ym一一-输出信亏宫。输出ym则应乘以Ug7.1.4 音高功率密度的校?为确保客观测量精确度最佳N地须响度之间提供一个校准，假设:OdBSPI 实际语音信号电平，为最佳昕音声压级，则:a) 用心理声学实
15、验中常用的1kHz的40dBSPL (-64 dBov)正弦波完成校准，将纯音的最大音高功率表达值调到10000，则对这个纯音，用校准因子Sp:S_ = - . (3) r max( Px i j) 、，J叮，h/，、. . . . . . . 计算其信号第ir帧内频带j的功率P均/U (见7.4)。b) 设定纯音的压缩响度为1压缩宋，则对于这个纯音，应用校准因子SI计算其输入和测试信号的压缩响度。5 SJ 20923-2005 式中:Lx，一一响度密度(见附录。S , = _1. Lxi 如果第一校准正确完成，则SI=240.05。应当指出，只要实际的语音电平不是-26dB，或听音声级不是7
16、8dB，输入数据都应据此换算。7.2 时间到频率的映射7.2.1 时域开窗用Hamming窗w(n)对第i帧源信号码(n)(见式(6)和输出测试信号Yj(n)(见式(7)进行窗取。2nn w(n) = 0.54 -0.46cos(一一一)，n=O , 1 , . . ., N -1 . . . . . . . . . . . . . . . . . . . . ( 5 ) N-l 式中:N一一帧长。式中:n一一一帧内的第n个信号样值。XWi (n) = w (n) Xi (n) yWi (n) = w (n) Yi (n). . (7) MBSD定义在整个信号以帧为单位计算的基础上，每帧长20
17、0个样(大致与耳窗的长相当)，相邻帧彼此重叠50%。为提高频率分辨率，7.2.2中的阿T(快速傅立叶变换)按N=256点帧长计算(多出的56个点用零值样填补)。7.2.2 取样的功率谱密度(SPO)窗取的源信号XWjn和输出信号YWjn的取样SPD，用PXjk和jk表示，由FFT计算得到:式中:扣一一线性频率域的频率标号。xwj(n)F灯=Xjk. (8) YWj(n)二字FFT二字Yjk. (9) PXjk=(Re Xjk)2 +(Im Xjk)2 . (10) PYjk=(Re Yjki+(Im Yj均i. (11) 7.3 等晌曲线预加权在线性频率域中，用模拟逼近40dB等响曲线的函数日
18、创(见式(12)对式(10)、(11)的功率谱进行加权(见式(13)、(14)。式中:E(叫=(aT+56.8xl06)al/(aT-6.3x106)2.(aT+0.38x109). (12) PXj (k) = E (k) PXjk. (13) pYj (k) = E (k) .PYjk. (14) E(创=Ek L1叫E坷，A=2L1J， L1J=fslN。7.4 频率弯折变换与滤波用式(15)将以赫兹(Hz)为单位的线性频率刻度，弯折到巴克域中以巴克(n)为单位的临界频带刻度:Q () =61n li1200+ (li12007r) 2+1 0.5. . (15) 6 SJ 20923-
19、2005 从而，在每帧内得到从频率指数k到巴克域音高指数j的取样音高功率密度PXi(j)和PYi(j)，分别用式(16)和(17)计算:; _ ( 1fj 1平)-HH-HH-HH-HH-(16)PX; (j) = Sn一J_，._ ,_ ,),Px;(k) p & Il (j)-Ij(j)+l l) ./j 1 l. (17) PYj(j)=SD一.LPYj (k) ,. p & Il (j)-Ij(j)+l l) 式中:4一一线性频率(相应于频带j的带宽)，Hz; L1z一一临界频带域每个带的带宽:马(j)一一频带j内的第一个样的索引，Hz; h (j)一一最后一个样的索引，Sp一一音高功
20、率校准为在OH川400Hz值捅固有毛作补!S3t-:都攒9挝样。本标准采用的巴克带中心频率及带2 3 4 5 6 7 8 9 10 11 1269 4. 11e+00 12 1481 4.72巳+0013 1724 5，63巳+0014 2001 6.77巳+0015 2319 340 2489 7.76巳+0016 2684 390 2879 7,94e+00 17 3103 448 3327 8, 1ge+OO 序号巴克带的传输函数选为:。、JOO -EA ，、55 以053-川-KQ5 -rL、句3nu-qJ飞-BEA-，.、国-nu ) qd nu + Q ( 5 mJ nu 唱EAI
21、I(Q)=p 10 -I.O(Q-O 5) 。7 SJ 20923-2005 将PXj(j)和pYj(j)与F(Q)进行卷积(见式(19)、(20)，得到附录A中A.1所示的17个加权函数加权后产生的取样音高功率密度谱。PX，向=艺PXj仙Qj)vr(Q).( 0=-1.3 P毗Py，(凡)，(儿(Q良问)=艺Py川，(Q_Q吗刮Q盹问J)vr叭附附(Q旷旷).川. . . .川. . .川. . . . .川. .川. 0=牛句-137.5 局部换算7.5.1 增益补偿换算考虑系统增益的变化，作为对慢变增益的补偿，应在每帧之内对源信号和输出信号可闻时频分量(对表1中，超过绝对听觉闻阔的PoU
22、l的带)进行换算，用弯折的频率表达来计算源信号和失真信号第i帧之内的总功率:PXj: L. PXj (j) . (21) 巧j: L. PY(j 当PXj和pYj局于40dBSPL时，带j的输出信号功率pYj(j)应乘以换算因子品，月j(j) = s, , pYj(j) ，其中S.=Pxj . (22) , /， 当PXj和pYj任何一个低于40dBSPL时，带j的输出信号功率pYj(j)应乘以品的均值S川它是先前算出的所有品的平均结果。7, 5.2 前向掩蔽滤波前向掩蔽情况下，因昕觉事件剌激而造成事后闻阔变化的特性，如附录B中B.2所描述。本标准采用与它最匹配的对数指数型延迟特性函数(见式(
23、23)，来模拟这种前向掩蔽闻阑滤波器特性。i一dl() = (Vi j-au _ min). exp(一一).(23) eq 式中:i一一-帧指数:j一-B缸k临界频带数:A一一时间偏移指数:。一一给定Bark带及时间点的强度值:E矿一-时间常数归一化因子(设定为收敛区间内包含的整帧数);d;()一门限:au_min-门限响应延迟收敛点。将实际信号的强度电平和闻阔的估计加以比较，闻阙估值超过实际声音强度电平的点，被当作受掩蔽的点，而将掩蔽矩阵R(i, j)的相应元素rjj记作0，否则记为1。R (i, j)的功能是将受掩蔽的频谱点的影响，从整个信号时间帧的失真距离的测量中去除掉。因而失真距离M
24、BSD的计算，只计及感觉到的差别的影响，而感觉不到的差别将不包括在计算结果中。7, 6 强度一晌度变换7. 6, 1 强度弯折由于声音强度和感觉响度之间不是线性关系，应用立方根指数率对得到的功率谱(以方为单位)进行压缩，以给出取样压缩了的响度密度函数，即以宋为单位的昕觉功率谱(见式24):， (j) =而忘和Ly，(j):而忑.(24) 8 SJ 20923-2005 强度一响度变换也可采用ITU-TP.861中的算法，见附录C中的C巳.27. 6. 2 瞬时压缩晌度总的瞬时压缩响度由取样压缩响度密度(j)和LYi(j)之和求得(见式25、26):问=兰问j. L1 z . (25 ) . (
25、26 ) 句=LLyJj . L1z . 28 ) : 对于源信号的响度进行换算(见式27、当Lxi和LYi7.7.2 取样的用欧几里. (29 ) . (30 ) 、1EA 鸣、d/. . . . . . . . . . . . . . 其中:8 客观音质到主观音质的变换按上述第七章的方法算出的MBSD指示由于被测设备引起的输出语音质量的下降程度。因此，必须将MBSD和特定的主观音质评价测度关联起来，以便由这个测度估计出设备的主观音质。8. 1 平均意见分8. 1. 1 平均意见分(MOS)在主观音质评估中，ITU-T P.800规定的评昕音质最常用的是绝对等级评定(ACR)法，而这种方法以
26、MOS分来给出主观音质的评定。由于MOS和MBSD之间的关系对于不同的语言，甚至对于同一种语言的不同主观测试并非相同，这就难以确定一个将MBSD值转换到预估的MOS值的唯一函数关系。因此，实际上须对单种语言和各种类型的主观测试预先建立起它们之间相互转换的那些函数关系。注:MOS的绝对值和主观实验的内容有关，要由预先确定的转换关系的MOS值，预测出主现实验中的主观音质，实验的内容应该是和建立转换关系用到的内容即使不完全等同，也应该是同一类型、高度关联的。8.1 . 2 主客观的关系9 SJ 20923-2005 客观失真测量的失真距离D(m) (m为具体的失真测度和主观音质估值之间是非线性、单调
27、变化的函数关系，般采用最小二乘法，用二次函数曲线来拟合，即客观预测的MOS(表示为MS)由下式给出:MS国恤血d= aD2(m)+bD(m)+c . (32) 式中zD(m)一一-MBSD。对应不同类型的主观测试条件，a、b、c将取不同的值。附录B中的B.3分别给出了部分典型波形和参数语音编码器，及其它们组合起来的巴克谱失真距离BSD和预测MS的拟合曲线，它们可作为建立MBSD和预测MS映射关系和统计相关分析的参考。当用预测的MS提供结果时，应报告MBSD变换到MS的拟合函数形式。8. 2 等价Q值由于主观判断易受实验设置，例如实验语音音质范围的影响，所以，要将不同主观测试的MOS加以比较就很
28、困难。因此，对于语音编码器之类的语音设备，有时把等价Q值作为主观音质的量度。这个等价Q值要按ITU-TP.81O建议中规定的MNRU的Q值来确定。它是语音功率和调制噪声功率之比，以分贝(dB)为单位。在客观测量中，编码语音等价Q值直接从MNRU的Q值和MBSD预先己确定的关系预测出来，如图4所示，无须将MBSD变换到MOS值。增加II 编湾霹拍镜切问编码语音的MBSDumnnoanu Q值增加图4编码语音Q值的确定9 结果的统计相关分析客观测量结果的分析应当建立在每个测试条件的MBSD、预测的MS值或者预测的等价Q的基础上，对于统计相关分析，应该完成全部测试条件的主、客观测量。而且，对每个测试
29、条件，平均得分应按男、女声及他们的平均分别进行计算。设MS(k)或Q(k)是条件(k)客观预测的结果，MOS (k)和Q(k)是实测的结果，则表明客观测试结果和主观接近程度的量度，用归一化相关系数来描述，以MOS分计算为例:乞MOS*Mbsp=1kkz1t E飞L MOS2(k)飞ILMbS2(k) 同时，计算出预测的标准偏差:10 SJ 20923-2005 =Jf(MOS (协M6s( k )2 V k=l (34) 由于每个条件的测试都要用到多个男、女发音人及他们的的多个测试工页，结果分析应考虑发音人、测试项等对客观质量产生的变化，可按常规的变量分析技术完成的重要测试那样，由统计的样本偏
30、差、标准偏差、学生式(t-)分布及奇异值处理准则等，估计出结果的置信区间，可参照GB厅13504一1992的有关章节的计算方法执行。11 SJ 20923-2005 附录A(规范性附录)客观音质评价最小化语音源数据库A.l 语音材料a) 1) 中国科学院声学研究所2) 他去无锡市，我到黑龙江3) 沈阳旅大市，广州内蒙古b) 1) 星期一我得了感冒2) 文艺要为工农兵服务3) 婶子的闺女在照镜子c) 1) 店员把右边的肥皂盒递过来2) 女工生产黑色的书包3) 孩子们到野外去放风筝d) 1) 佛教是一种精神信仰2) 医生的工作是治疗疾病3) 今年果树长得很茂盛e) 1) 解放军大部分是工农成分2)
31、 文明人每天都刷牙3) 眼泪有时会流进鼻子。1) 西北的桶子是南方的2) 先生答复学生的问题3) 收割是播种以后的事g) 1) 总部命令立即停止射击2) 联合舰队保持航向全速前进3) 机动编队实行战略转移h) 1) 731部队向8592高地靠拢2) 侦察机构请求灯火管制3) 警戒地带进入立体防御1) 爆破小组紧急集合2) 做好两栖佯攻的战斗准备3) 无线电制导系统发生故障1) 064台立即向总台报告2) 司令员说话真干脆3) 他明天从内蒙去广州k) 1) 埃及和希腊也是文明古国2) 知识是力量的象征3) 天才在于勤奋，聪明在于积累1) 猫和狗有时相处得很和谐2) 黑暗即将过去，光明就要来临3)
32、 科学技术是第-生产力12 SJ 20923-2005 A. 2 语音源数据库A.1所述材料的语音数据库为8址Iz采样，16位线性PCM量化的波形文件(格式为*.Wav)，包括句子有停顿(用于主观测试)和句子无停顿(用于客观测试)两种，每个测试项的电平均标准化，均为-26dB。如果需要进行电平调整，可用COOLEDIT PRO软件完成调整。A. 3 存放介质一一光盘A.2中所述标准语音源数据库存放在所附光盘中。13 附录B(规范性附录)部分曲线SJ 20923-2005 巴克谱取样音高传输特性巴克带的加权函数见图B.l。B.1 0.9 日，自。70.6 。.5. . . . . . . - .
33、 -._ 88 r 111111111 . . 舍0.4 0.3 。2。1128 120 112 96 80 。16个巴克带的加权函数B. 1 图前向掩蔽闻域高度随时间的变化B.2 前向掩蔽闻阔事后高度变化见图B.280 50 (dB) Mm门限高度P L S 30 100 10-1 2 nu 1 10-3 延迟时间(秒)前向掩蔽闻闹事后高度变化曲线B. 2 圈14 SJ 20923-2005 B. 3 语音编码系统BSD和预测MOS之间的映射关系波形编码条件见图B.3。参数编码条件见图B.4。波形和参数语音编码条件的组合见图B.5。3.5 , 叫R曹30 2 2.5 二次拟合曲线=0.9784= 0.3518 o a=3.6186 b=-6.6852 c=4,1293 。图B.4参数编码条件15 SJ 20923-2005 16 二次拟合曲线9 45f cID 1=:0=0.9795=0.2979 4f飞a=2.3创4b=-5.4151 c=4.1472 iJ.po . 35f o， 4:. I 0 0,:. 0 联3f OVS. 皇|口。2，5 _00日o、o口。、9I聋0 2 C萨马OO巧、01 5
