注意

点击这里下载完整示例代码

Torchaudio-Squim：TorchAudio 中的非侵入式语音评估¶

作者：Anurag Kumar, Zhaoheng Ni

1. 概述¶

本教程展示了如何使用 Torchaudio-Squim 来估算用于评估语音质量和可懂度的客观与主观指标。

TorchAudio-Squim 使 Torchaudio 能够进行语音评估。它提供了接口和预训练模型，用于估算各种语音质量和可懂度指标。目前，Torchaudio-Squim [1] 支持对三种广泛使用的客观指标进行无参考估算：

宽带语音质量感知评估（PESQ）[2]
短时客观可懂度 (STOI) [3]
尺度不变信噪比 (SI-SDR) [4]

它还支持使用非匹配参考 [1, 5] 对给定音频波形进行主观平均意见得分 (MOS) 的估算。

参考文献

[1] Kumar, Anurag 等。“TorchAudio-Squim：TorchAudio 中无需参考的语音质量与可懂度度量。”ICASSP 2023-2023 IEEE 声学、语音与信号处理国际会议（ICASSP）。IEEE，2023。

[2] I. Rec，“P.862.2：宽带电话网络和语音编解码器评估建议 P.862 的宽带扩展”，国际电信联盟，CH–日内瓦，2005。

[3] Taal, C. H., Hendriks, R. C., Heusdens, R., & Jensen, J. (2010 年 3 月). 一种用于时频加权噪声语音的短时客观可懂度度量。收录于 2010 年 IEEE 国际声学、语音与信号处理会议（第 4214-4217 页）。IEEE。

[4] Le Roux, Jonathan 等。“SDR——半成品还是完美之作？”ICASSP 2019-2019 IEEE 声学、语音和信号处理国际会议 (ICASSP)。IEEE，2019。

[5] Manocha, Pranay 和 Anurag Kumar。“使用非匹配参考通过 MOS 进行语音质量评估。”Interspeech，2022。

import torch
import torchaudio

print(torch.__version__)
print(torchaudio.__version__)

2.6.0.dev20241104
2.5.0.dev20241105

2. 准备¶

首先导入模块并定义辅助函数。

我们需要 torch 和 torchaudio 来使用 Torchaudio-squim，需要 Matplotlib 来绘制数据，以及 pystoi 和 pesq 来计算参考指标。

try:
    from pesq import pesq
    from pystoi import stoi
    from torchaudio.pipelines import SQUIM_OBJECTIVE, SQUIM_SUBJECTIVE
except ImportError:
    try:
        import google.colab  # noqa: F401

        print(
            """
            To enable running this notebook in Google Colab, install nightly
            torch and torchaudio builds by adding the following code block to the top
            of the notebook before running it:
            !pip3 uninstall -y torch torchvision torchaudio
            !pip3 install --pre torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/nightly/cpu
            !pip3 install pesq
            !pip3 install pystoi
            """
        )
    except Exception:
        pass
    raise


import matplotlib.pyplot as plt

import torchaudio.functional as F
from IPython.display import Audio
from torchaudio.utils import download_asset


def si_snr(estimate, reference, epsilon=1e-8):
    estimate = estimate - estimate.mean()
    reference = reference - reference.mean()
    reference_pow = reference.pow(2).mean(axis=1, keepdim=True)
    mix_pow = (estimate * reference).mean(axis=1, keepdim=True)
    scale = mix_pow / (reference_pow + epsilon)

    reference = scale * reference
    error = estimate - reference

    reference_pow = reference.pow(2)
    error_pow = error.pow(2)

    reference_pow = reference_pow.mean(axis=1)
    error_pow = error_pow.mean(axis=1)

    si_snr = 10 * torch.log10(reference_pow) - 10 * torch.log10(error_pow)
    return si_snr.item()


def plot(waveform, title, sample_rate=16000):
    wav_numpy = waveform.numpy()

    sample_size = waveform.shape[1]
    time_axis = torch.arange(0, sample_size) / sample_rate

    figure, axes = plt.subplots(2, 1)
    axes[0].plot(time_axis, wav_numpy[0], linewidth=1)
    axes[0].grid(True)
    axes[1].specgram(wav_numpy[0], Fs=sample_rate)
    figure.suptitle(title)

3. 加载语音和噪声样本¶

SAMPLE_SPEECH = download_asset("tutorial-assets/Lab41-SRI-VOiCES-src-sp0307-ch127535-sg0042.wav")
SAMPLE_NOISE = download_asset("tutorial-assets/Lab41-SRI-VOiCES-rm1-babb-mc01-stu-clo.wav")

  0%|          | 0.00/156k [00:00<?, ?B/s]
100%|##########| 156k/156k [00:00<00:00, 17.6MB/s]

WAVEFORM_SPEECH, SAMPLE_RATE_SPEECH = torchaudio.load(SAMPLE_SPEECH)
WAVEFORM_NOISE, SAMPLE_RATE_NOISE = torchaudio.load(SAMPLE_NOISE)
WAVEFORM_NOISE = WAVEFORM_NOISE[0:1, :]

目前，Torchaudio-Squim 模型仅支持 16000 Hz 采样率。如有必要，请对波形进行重采样。

if SAMPLE_RATE_SPEECH != 16000:
    WAVEFORM_SPEECH = F.resample(WAVEFORM_SPEECH, SAMPLE_RATE_SPEECH, 16000)

if SAMPLE_RATE_NOISE != 16000:
    WAVEFORM_NOISE = F.resample(WAVEFORM_NOISE, SAMPLE_RATE_NOISE, 16000)

修剪波形，使其具有相同的帧数。

if WAVEFORM_SPEECH.shape[1] < WAVEFORM_NOISE.shape[1]:
    WAVEFORM_NOISE = WAVEFORM_NOISE[:, : WAVEFORM_SPEECH.shape[1]]
else:
    WAVEFORM_SPEECH = WAVEFORM_SPEECH[:, : WAVEFORM_NOISE.shape[1]]

播放语音样本

Audio(WAVEFORM_SPEECH.numpy()[0], rate=16000)

播放噪声样本

Audio(WAVEFORM_NOISE.numpy()[0], rate=16000)

4. 创建失真（含噪）语音样本¶

snr_dbs = torch.tensor([20, -5])
WAVEFORM_DISTORTED = F.add_noise(WAVEFORM_SPEECH, WAVEFORM_NOISE, snr_dbs)

播放信噪比为 20dB 的失真语音

Audio(WAVEFORM_DISTORTED.numpy()[0], rate=16000)

播放信噪比为 -5dB 的失真语音

Audio(WAVEFORM_DISTORTED.numpy()[1], rate=16000)

5. 可视化波形¶

可视化语音样本

plot(WAVEFORM_SPEECH, "Clean Speech")

可视化噪声样本

plot(WAVEFORM_NOISE, "Noise")

可视化信噪比为 20dB 的失真语音

plot(WAVEFORM_DISTORTED[0:1], f"Distorted Speech with {snr_dbs[0]}dB SNR")

可视化信噪比为 -5dB 的失真语音

plot(WAVEFORM_DISTORTED[1:2], f"Distorted Speech with {snr_dbs[1]}dB SNR")

6. 预测目标指标¶

获取预训练的 SquimObjective模型。

objective_model = SQUIM_OBJECTIVE.get_model()

  0%|          | 0.00/28.2M [00:00<?, ?B/s]
100%|##########| 28.2M/28.2M [00:00<00:00, 383MB/s]

将失真语音（信噪比为 20dB）的模型输出与真实值进行比较

stoi_hyp, pesq_hyp, si_sdr_hyp = objective_model(WAVEFORM_DISTORTED[0:1, :])
print(f"Estimated metrics for distorted speech at {snr_dbs[0]}dB are\n")
print(f"STOI: {stoi_hyp[0]}")
print(f"PESQ: {pesq_hyp[0]}")
print(f"SI-SDR: {si_sdr_hyp[0]}\n")

pesq_ref = pesq(16000, WAVEFORM_SPEECH[0].numpy(), WAVEFORM_DISTORTED[0].numpy(), mode="wb")
stoi_ref = stoi(WAVEFORM_SPEECH[0].numpy(), WAVEFORM_DISTORTED[0].numpy(), 16000, extended=False)
si_sdr_ref = si_snr(WAVEFORM_DISTORTED[0:1], WAVEFORM_SPEECH)
print(f"Reference metrics for distorted speech at {snr_dbs[0]}dB are\n")
print(f"STOI: {stoi_ref}")
print(f"PESQ: {pesq_ref}")
print(f"SI-SDR: {si_sdr_ref}")

Estimated metrics for distorted speech at 20dB are

STOI: 0.9610356092453003
PESQ: 2.7801527976989746
SI-SDR: 20.692630767822266

Reference metrics for distorted speech at 20dB are

STOI: 0.9670831113894452
PESQ: 2.7961528301239014
SI-SDR: 19.998966217041016

将失真语音（信噪比为 -5dB）的模型输出与真实值进行比较

stoi_hyp, pesq_hyp, si_sdr_hyp = objective_model(WAVEFORM_DISTORTED[1:2, :])
print(f"Estimated metrics for distorted speech at {snr_dbs[1]}dB are\n")
print(f"STOI: {stoi_hyp[0]}")
print(f"PESQ: {pesq_hyp[0]}")
print(f"SI-SDR: {si_sdr_hyp[0]}\n")

pesq_ref = pesq(16000, WAVEFORM_SPEECH[0].numpy(), WAVEFORM_DISTORTED[1].numpy(), mode="wb")
stoi_ref = stoi(WAVEFORM_SPEECH[0].numpy(), WAVEFORM_DISTORTED[1].numpy(), 16000, extended=False)
si_sdr_ref = si_snr(WAVEFORM_DISTORTED[1:2], WAVEFORM_SPEECH)
print(f"Reference metrics for distorted speech at {snr_dbs[1]}dB are\n")
print(f"STOI: {stoi_ref}")
print(f"PESQ: {pesq_ref}")
print(f"SI-SDR: {si_sdr_ref}")

Estimated metrics for distorted speech at -5dB are

STOI: 0.5743248462677002
PESQ: 1.1112866401672363
SI-SDR: -6.248741626739502

Reference metrics for distorted speech at -5dB are

STOI: 0.5848137931588825
PESQ: 1.0803768634796143
SI-SDR: -5.016279220581055

7. 预测平均意见得分（主观）指标¶

获取预训练的 SquimSubjective模型。

subjective_model = SQUIM_SUBJECTIVE.get_model()

  0%|          | 0.00/360M [00:00<?, ?B/s]
 10%|9         | 35.2M/360M [00:00<00:00, 369MB/s]
 20%|#9        | 70.5M/360M [00:00<00:00, 351MB/s]
 29%|##8       | 104M/360M [00:00<00:00, 339MB/s]
 39%|###9      | 141M/360M [00:00<00:00, 355MB/s]
 51%|#####     | 183M/360M [00:00<00:00, 385MB/s]
 63%|######2   | 226M/360M [00:00<00:00, 409MB/s]
 75%|#######4  | 270M/360M [00:00<00:00, 425MB/s]
 87%|########7 | 314M/360M [00:00<00:00, 436MB/s]
 99%|#########9| 358M/360M [00:00<00:00, 444MB/s]
100%|##########| 360M/360M [00:00<00:00, 409MB/s]

加载不匹配的参考（NMR）

NMR_SPEECH = download_asset("tutorial-assets/ctc-decoding/1688-142285-0007.wav")

WAVEFORM_NMR, SAMPLE_RATE_NMR = torchaudio.load(NMR_SPEECH)
if SAMPLE_RATE_NMR != 16000:
    WAVEFORM_NMR = F.resample(WAVEFORM_NMR, SAMPLE_RATE_NMR, 16000)

计算信噪比为 20dB 的失真语音的 MOS 指标

mos = subjective_model(WAVEFORM_DISTORTED[0:1, :], WAVEFORM_NMR)
print(f"Estimated MOS for distorted speech at {snr_dbs[0]}dB is MOS: {mos[0]}")

Estimated MOS for distorted speech at 20dB is MOS: 4.309267997741699

计算信噪比为 -5dB 的失真语音的 MOS 指标

mos = subjective_model(WAVEFORM_DISTORTED[1:2, :], WAVEFORM_NMR)
print(f"Estimated MOS for distorted speech at {snr_dbs[1]}dB is MOS: {mos[0]}")

Estimated MOS for distorted speech at -5dB is MOS: 3.291804075241089

8. 与真实值和基线的比较¶

可视化由 SquimObjective 和 SquimSubjective 模型估算的指标，可以帮助用户更好地理解这些模型如何在实际场景中应用。下图展示了三个不同系统的散点图：MOSA-Net [1]、AMSA [2] 以及 SquimObjective 模型，其中 y 轴代表估算的 STOI、PESQ 和 Si-SDR 分数，x 轴代表相应的真实值。

https://download.pytorch.org/torchaudio/tutorial-assets/objective_plot.png

[1] Zezario, Ryandhimas E., Szu-Wei Fu, Fei Chen, Chiou-Shann Fuh, Hsin-Min Wang, 和 Yu Tsao。“基于深度学习的跨域特征非侵入式多目标语音评估模型。”IEEE/ACM 音频、语音与语言处理汇刊 31 (2022): 54-70。

[2] Dong, Xuan 和 Donald S. Williamson。“一种用于真实环境中客观语音评估的注意力增强多任务模型。”收录于 ICASSP 2020-2020 IEEE 国际声学、语音与信号处理会议 (ICASSP)，第 911-915 页。IEEE，2020。

下图显示了 SquimSubjective 模型的散点图，其中 y 轴代表估计的 MOS 指标分数，x 轴代表相应的真实值。

https://download.pytorch.org/torchaudio/tutorial-assets/subjective_plot.png

脚本的总运行时间： ( 0 分钟 6.495 秒)

通过 Sphinx-Gallery 生成的画廊