NORESQA：一种基于非匹配参考的语音质量评估框架
音频与语音处理
2021-10-19 v2 声音
摘要
语音质量评估（SQA）的感知任务对机器而言具有挑战性。依赖相应干净参考可用的客观SQA方法一直是SQA的主要常用方法。显然，这些方法在真实场景中失效，因为真实场景中没有可用的真值干净参考。近年来，训练神经网络预测评分的非侵入式方法备受关注，但它们存在若干缺陷，如缺乏鲁棒性、依赖标注数据训练等。本工作中，我们提出语音质量评估的新方向。受人类即使面对内容不匹配的语音信号也能比较并评估其质量的先天能力启发，我们提出一种新颖框架，可在不使用任何主观数据的情况下，针对给定语音信号相对于任意提供的参考预测主观相对质量分数。我们表明，用我们框架训练的神经网络所产生的分数与主观平均意见分数（MOS）具有良好相关性，并且与DNSMOS等明确依赖人类MOS训练网络的方法相比也具有竞争力。此外，我们的方法还提供了一种在神经网络中嵌入质量相关信息的自然方式，我们展示其有助于语音增强等下游任务。
引用
@article{arxiv.2109.08125,
title = {NORESQA: A Framework for Speech Quality Assessment using Non-Matching References},
author = {Pranay Manocha and Buye Xu and Anurag Kumar},
journal= {arXiv preprint arXiv:2109.08125},
year = {2021}
}