语音质量评估_f0 rmse

语音合成质量评估

语音质量评测方法：
1、主观方法：MOS、CMOS、MUSHRA

2、 客观方法：MCD、F0 RMSE、F0 MSE、 E MSE、Dur MSE、 mel loss

主观方法介绍：

1. MOS（Mean Opnion Score）平均意见得分。

   在实时通讯领域，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。在使用ACR方法对语音质量评价时，参与评测的人员对语音整体质量进行打分，分值范围为0-5分，分数越大表示语音质量最好。

   级别	MOS值	评价标准
   4.0~5.0	很好，听得清楚；延迟小，交流流畅
   3.5~4.0	稍差，听得清楚；延迟小，交流欠流畅，有点杂音
   3.0~3.5	还可以，听不太清；有一定延迟，可以交流
   1.5~3.0	勉强，听不太清；延迟较大，交流需要重复多遍
   0~1.5	极差，听不懂；延迟大，交流不通畅

   一般MOS应为4或者更高，这可以被认为是比较好的语音质量，若MOS低于3.6，则表示大部分被测不太满意这个语音质量。
   MOS测试一般要求：

   • 足够多样化的样本（即试听者和句子数量）以确保结果在统计上的显著；
   • 控制每个试听者的实验环境和设备保持一致；
   • 每个试听者遵循同样的评估标准。

2. CMOS （comparison mean option score）
   在比较平均选项分数（CMOS）测试中，测试人员每次听两个音频，并使用一个测试中的分数来评估后者与前者相比的感觉，范围为[−3，3]，间隔为1。

3. MUSHRA （MUlti Stimulus test with Hidden Reference and Anchor）
   MUSHRA 打分范围0-100 分，可以对非常小的差异进行评级。取消那些对超过 15% 的所有测试项目的隐藏参考评分低于 90 MUSHRA 分的听众资格。

客观方法介绍：

1. MCD （Mel cepstral distortion）
   它表示的是转换后语音的 MFCC 特征与标准输出语音的 MFCC 特征的差距，越小越好，单位为DB。设某一帧的标准输出特征为 $y$，而合成后的特征为 $\hat{y}$，则这一帧的 MCD 定义为：

   $$MCD(y,\hat{y})=\frac{10\sqrt{2}}{ln10}\Vert y-\hat{y}{\Vert }_2\text{\hspace{1em}(1)}$$

   但研究发现，它与人们主观感受到的音质的相关性并不够强。

2. F0 RMSE 基频的均方根误差,单位HZ。$f0$表示目标$f0$特征，$\hat{f}0$表示预测的$f0$特征。RMSE的值越低表示基频轮廓越接近，效果越好。
   $$RMSE(f0,\hat{f}0)=\sqrt{\frac{1}{N}\sum _{i=1}^N(f{0}_i-\hat{f}{0}_i{)}^2}\text{\hspace{1em}(2)}$$

3. F0 MSE、 Energy MSE、Duration MSE 和 mel loss分别是基频的均方误差，能量的均方误差，持续时间的均方误差和梅尔频谱的损失，计算方式和（2）式类似，只是无需开根号。

参考：
语音质量评估
MUSHRA
MCD论文
RMSE