本文主要讲解人工智能中语音合成，语音转换，语音克隆等生成语音的一些质量评估方法~
1.语音质量评测方法
主观方法：MOS、CMOS、ABX Test、MUSHRA、PESQ
客观方法：MCD、STOI、F0 RMSE、F0 MSE、 E MSE、Dur MSE、 mel loss、
主观评价方法
1.1.MOS
MOS 是一种主观评价方法，通过被试听众对合成语音的主观打分来评估语音合成的质量。
官网：https://www.itu.int/rec/T-REC-P.800.1-201607-I/en
如果平均主观评价值MOS是4或者更高，被认为是比较好的语音质量，而若平均MOS低于3.6，则表示大部分接听者不能满意这个语音质量。
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。
1.2.CMOS
comparative mean opinion score的缩写，naturalspeech论文中提出的相关概念，通过采用“平均意见分”（Mean Opinion Score, MOS）来衡量 TTS 质量，因为MOS 对于区分声音质量的差异不是非常敏感，只是对两个系统的每条句子单独打分，没有两两互相比较。而 CMOS（Comparative MOS）在评测过程中可以对两个系统的句子两两对比并排打分，并且使用七分制来衡量差异，所以对质量差异更加敏感。
1.3.ABX Test
ABX测试是一种常用的主观评估方法，用于比较两个声音样本中哪一个更接近于第三个参考样本。参与者在三次听觉对比中选择A或B与X相匹配。这种测试常用于评估音频编解码器、语音合成系统等的效果。
1.4.MUSHRA（MUltiple Stimuli with Hidden Reference and Anchor）
MUSHRA是一种主观评估方法，用于比较多个音频样本（被评估的）与隐藏的参考音频样本。评估者需要对参考音频和每个样本进行评分，以确定哪个样本最接近参考音频。
客观评价方法
1.5.MCD
论文题目：Mel-cepstral distance measure for objective speech quality assessment
论文地址：https://ieeexplore.ieee.org/document/407206
Github：https://github.com/MattShannon/mcd
梅尔倒谱畸变 （MCD） 是衡量两个序列的不同程度的量度 梅尔·塞普斯特拉（Mel Cepstra）是用于评估参数语音合成系统的质量， 包括统计参数语音合成系统，其想法是 合成的 mel 倒谱序列和天然的 mel 倒谱序列之间的 MCD 越小， 合成语音更接近于再现自然语音。它绝不是评估合成质量的完美指标语音，但通常与其他指标结合使用是一个有用的指标。
MCD的计算方法如下：
提取MFCCs：首先，从合成语音和目标语音中提取MFCCs。这涉及将语音信号转换为频谱表示，然后应用梅尔滤波器组并使用倒谱分析获得MFCC系数。
计算距离：接下来，通过比较合成语音和目标语音之间的MFCC系数来计算距离。通常使用欧几里得距离（Euclidean distance）或动态时间规整（Dynamic Time Warping，DTW）等方法来衡量两个语音信号之间的相似性或差异。
求取平均值：对所有帧（或时间段）的距离进行平均，得到整个语音信号的MCD分数。MCD分数越低表示合成语音和目标语音之间的差异越小，质量越高。
MCD 是衡量语音合成质量的一种常用指标，但它只是梅尔倒谱系数之间的距离度量，不能完全代表语音合成的质量。在使用 MCD 时需要注意，它是一种客观评价指标，还需要结合其他指标和主观评价来全面评估语音合成系统的性能。
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。在我看到的几乎所有论文中，没有使用此方法·
在MCD（Mel Cepstral Distortion）的计算过程中，三种模式（plain、dtw、dtw_sl）表示了不同的计算方式，主要体现在计算梅尔倒谱距离时的方法上：
Plain（普通模式）：这种模式下的 MCD 计算是基于梅尔倒谱系数的直接欧氏距离。它是最简单、直接的计算方式，没有额外的变换或校正。
DTW（动态时间规整）：动态时间规整是一种通过比较两个序列的相似性的方法，在MCD中，使用DTW来对齐两个序列，以最小化它们之间的距离。它允许序列在时间轴上有一定程度的弹性对齐，可以处理一些在时间上略微错位的情况。
DTW_SL（DTW with Straight-line Constraint，带直线约束的DTW）：这种模式下的DTW在进行对齐时，增加了直线约束。这意味着对齐过程中的路径是在不太影响整体相似性的情况下，尽量保持直线，从而减少了可能不必要的弯曲和错位。
1.6.PESQ(Perceptual Evaluation of Speech Quality)
PESQ是一种客观评估方法，用于测量语音质量。它计算原始语音和经过处理（压缩、编码等）的语音之间的差异，以提供语音质量的分数。这个指标常用于衡量语音编解码器或通信系统的性能。
1.7.STOI(Short-Time Objective Intelligibility)
STOI 是用于测量语音清晰度和可懂度的客观评价方法，特别适用于测量语音合成的可懂度和识别率。
STOI（Short-Time Objective Intelligibility）是一种用于测量语音信号质量的客观评估指标。它旨在衡量清晰度和可懂度之间的相关性，是一种针对语音信号的质量评估方法。
STOI 主要通过比较原始语音和失真/噪声语音之间的频谱相关性来评估语音信号的可懂度。它的核心思想是，在人耳感知语音时，大脑会对频谱相关性进行敏感的处理。因此，STOI利用了频谱之间的相关性来估计语音信号的清晰度和可懂度。
这个方法的一般步骤如下：
短时傅立叶变换（STFT）：语音信号被分成短时间段，并进行STFT，将信号转换成频谱形式。
频谱相关性计算：对原始语音和失真/噪声语音的频谱进行相关性计算。通常是通过计算频谱帧之间的相似度来衡量。
相关性平均：计算所有频谱帧的相关性，并求得平均值，作为整个信号的STOI评分。
STOI的结果介于0到1之间，数值越接近1表示语音信号的可懂度越高，越接近0表示可懂度较低。
这个评价方法在语音信号的音质、清晰度和可懂度方面提供了一种定量的评估，通常用于语音信号处理领域，特别是在语音增强、降噪、编解码和语音合成等应用中，可以帮助评估算法的效果。
1.8.LLR(Log Likelihood Ratio)
用于评估模型生成的语音是否属于给定的语音分布。
2.在语音任务中的使用【详细代码】
语音合成
语音转换
语音克隆
语音合成中常使用的主要是MOS和CMOS，但是因为主观性比较大，差异可能也比较大~
2.1.MOS计算
import mathimport numpy as npimport pandas as pdfrom scipy.linalg import solvefrom scipy.stats import tdef calc_mos(data_path: str):'''计算MOS，数据格式：MxN，M个句子，N个试听人，data_path为MOS得分文件，内容都是数字，为每个试听的得分:param data_path::return:'''data = pd.read_csv(data_path)mu = np.mean(data.values)var_uw = (data.std(axis=1) ** 2).mean()var_su = (data.std(axis=0) ** 2).mean()mos_data = np.asarray([x for x in data.values.flatten() if not math.isnan(x)])var_swu = mos_data.std() ** 2x = np.asarray([[0, 1, 1], [1, 0, 1], [1, 1, 1]])y = np.asarray([var_uw, var_su, var_swu])[var_s, var_w, var_u] = solve(x, y)M = min(data.count(axis=0))N = min(data.count(axis=1))var_mu = var_s / M + var_w / N + var_u / (M * N)df = min(M, N) - 1 # 可以不减1t_interval = t.ppf(0.975, df, loc=0, scale=1) # t分布的97.5%置信区间临界值interval = t_interval * np.sqrt(var_mu)print('{} 的MOS95%的置信区间为：{} +—{} '.format(data_path, round(float(mu), 3), round(interval, 3)))if __name__ == '__main__':data_path = ''calc_mos(data_path)
2.2.使用MCD进行计算
单语音对比
from pymcd.mcd import Calculate_MCD# instance of MCD class# three different modes "plain", "dtw" and "dtw_sl" for the above three MCD metricsmcd_toolbox = Calculate_MCD(MCD_mode="plain")# two inputs w.r.t. reference (ground-truth) and synthesized speeches, respectively# 同样的元语音和生成语音对比mcd_value = mcd_toolbox.calculate_mcd("1.wav", "gen_1.wav")print(mcd_value)
批量
from pymcd.mcd import Calculate_MCDimport osimport numpy as npdef batch_calculate_mcd(original_folder, generated_folder):mcd_toolbox = Calculate_MCD(MCD_mode="dtw")mcd_values = []# 获取文件夹中的文件列表，并按照文件名排序original_files = sorted(os.listdir(original_folder))generated_files = sorted(os.listdir(generated_folder))# 逐对比较语音文件for orig_file, gen_file in zip(original_files, generated_files):orig_path = os.path.join(original_folder, orig_file)gen_path = os.path.join(generated_folder, gen_file)# 进行MCD值的计算mcd_value = mcd_toolbox.calculate_mcd(orig_path, gen_path)print(f"MCD value for {orig_file} and {gen_file}: {mcd_value}")mcd_values.append(mcd_value)# 计算均值和方差mean_mcd = np.mean(mcd_values)variance_mcd = np.var(mcd_values)print(f"Mean MCD value: {mean_mcd}")print(f"Variance of MCD values: {variance_mcd}")original_folder_path = './original_data'generated_folder_path = './gen_data'batch_calculate_mcd(original_folder_path, generated_folder_path)
2.3.STOI
单语音对比
# pip install scipy numpyimport numpy as npfrom scipy.io import wavfilefrom scipy.signal import stftdef stoi(x, y, fs):win_len = int(fs * 0.025) # 窗长为25mshop_len = int(fs * 0.010) # 窗移为10ms_, _, Pxo = stft(x, fs=fs, nperseg=win_len, noverlap=hop_len)_, _, Pyo = stft(y, fs=fs, nperseg=win_len, noverlap=hop_len)# 计算时间频率上的STOIstoi_values = []for i in range(Pxo.shape[1]):Pxo_i = np.abs(Pxo[:, i])Pyo_i = np.abs(Pyo[:, i])Rxy = np.sum(Pxo_i * Pyo_i) / np.sqrt(np.sum(Pxo_i ** 2) * np.sum(Pyo_i ** 2))stoi_values.append(Rxy)return np.mean(stoi_values)# 读取原始语音和生成语音rate_orig, orig_audio = wavfile.read('original_data/1.wav')rate_gen, gen_audio = wavfile.read('gen_data/gen_1.wav')if rate_orig != rate_gen:print("If the sampling rate of the original audio and the generated audio are different, please adjust the sampling rate of the generated audio to the sampling rate of the original audio.")# 计算STOI值stoi_value = stoi(orig_audio, gen_audio, rate_orig)print("stoi value:", stoi_value)
批量对比
import osimport numpy as npfrom scipy.io import wavfilefrom scipy.signal import stftdef stoi(x, y, fs):win_len = int(fs * 0.025) # 窗长为25mshop_len = int(fs * 0.010) # 窗移为10ms_, _, Pxo = stft(x, fs=fs, nperseg=win_len, noverlap=hop_len)_, _, Pyo = stft(y, fs=fs, nperseg=win_len, noverlap=hop_len)stoi_values = []for i in range(Pxo.shape[1]):Pxo_i = np.abs(Pxo[:, i])Pyo_i = np.abs(Pyo[:, i])# 计算频谱之间的相关性Rxy = np.sum(Pxo_i * Pyo_i) / np.sqrt(np.sum(Pxo_i ** 2) * np.sum(Pyo_i ** 2))stoi_values.append(Rxy)return np.mean(stoi_values)def calculate_stoi_for_files(original_folder, generated_folder):original_files = os.listdir(original_folder)generated_files = os.listdir(generated_folder)for orig_file, gen_file in zip(original_files, generated_files):orig_path = os.path.join(original_folder, orig_file)gen_path = os.path.join(generated_folder, gen_file)rate_orig, orig_audio = wavfile.read(orig_path)rate_gen, gen_audio = wavfile.read(gen_path)# 调整采样率...# 如果需要的话，进行采样率调整...# 计算STOI值stoi_value = stoi(orig_audio, gen_audio, rate_orig)print(f"STOI值 - {orig_file} vs {gen_file}: {stoi_value}")# 原始语音和生成语音文件夹路径original_folder_path = 'path_to_original_audio_folder'generated_folder_path = 'path_to_generated_audio_folder'# 计算STOI值calculate_stoi_for_files(original_folder_path, generated_folder_path)
3.测试总结
3.1.在MCD测试中总结
测试了一个说话人的三个不同模式时的语音分数，模式为plain/dtw。
第一个为真实生成，其他三个为不同语句，由此可见MCD的值并不能完全代表语音生成结果的还坏！
3.2.在STIO测试中总结
数据对比时，容易出现nan和index索引问题，
【扩展】
使用MCD值，求均值和方差，画出直方图
# pip install matplotlib seabornimport matplotlib.pyplot as pltimport seaborn as snsimport numpy as np# 语音和对应的数值speeches = ['1', '2', '3', '4', '5', '6', '7', '8', '9', '10', '11', '12', '13', '14', '15', '16', '17', '18,','19', '20']#data = np.random.rand(10, 10)data = [5,8,7,6,8,4,10,7,9,6,7,5,6,8,10,11,8,10,9,8] # 与每个语音对应的数值# 计算均值和方差mean_value = np.mean(data)variance_value = np.var(data)# 创建直方图plt.figure(figsize=(10, 6)) # 设置图的大小x = np.arange(len(speeches)) # 使用语音的索引作为x轴plt.bar(x, data, color='skyblue', edgecolor='black') # 绘制直方图，设置颜色和边缘颜色plt.xlabel('Speeches') # x轴标签plt.ylabel('Value') # y轴标签plt.title('Values for Each Speech') # 设置标题# 设置x轴标签为语音名称plt.xticks(x, speeches)# 显示均值和方差plt.axhline(mean_value, color='red', linestyle='--', label=f'Mean: {mean_value:.2f}') # 添加均值线plt.axhline(mean_value + np.sqrt(variance_value), color='green', linestyle=':', label='Std Dev') # 上方标准差线plt.axhline(mean_value - np.sqrt(variance_value), color='green', linestyle=':', label='_nolegend_') # 下方标准差线plt.grid(axis='y') # 只在y轴上显示网格线plt.legend() # 显示图例plt.tight_layout() # 调整布局plt.show() # 显示图表
想要了解更多内容，可在小程序搜索🔍AI Pulse,获取更多最新内容。
