[发明专利]音频质量综合评测方法及系统

说明书

本发明公开了一种音频质量综合评测方法及系统，其中方法包括：接收待测音频数据；对所述待测音频数据进行语音识别，得到识别文本；分别从所述待测音频数据和所述识别文本获取质量评测特征，所述质量评测特征包括声学特征和语义特征；利用所述质量评测特征以及预先训练的音频质量评测模型，对所述待测音频数据进行评价，得到音频质量评测结果。本发明通过分析音频数据的声学及语义两个层面的信息，弥补了现有的评测方案标准单一的问题，在实际评测过程中不仅大大节省人工工作量，并且还具有较高的评价准确度，使得评价结果更为客观、全面。

技术领域

本发明涉及自然语言理解及语音信号处理领域，尤其是一种音频质量综合评测方法及系统。

背景技术

语音识别被广泛地应用在各种领域，如工业、家电、通信、汽车电子、医疗、家庭服务、消费电子产品等。尤其是随着深度神经网络等新技术的应用以及硬件计算能力的飞速提升，语音识别的效率与效果都在逐年提升，因而在可预期的未来，语音识别必然会获得更加广泛的应用。

音频作为语音识别系统的输入，其质量好坏直接影响到语音识别的正确率，同时音频质量对于语音识别模型训练也起到至关重要的作用，所以有必要对音频质量进行评测。但是音频资源浩如烟海，完全用人工进行评价不切实际，同时音频资源种类繁多，单一的评价特征往往不能得到全面可靠的评测结果。所以有必要提出一种音频质量的自动评测方法及系统，能够对大量、多类的音频实现高效的自动评测，得到可靠的评测结果。

现有音频质量评测方法一般包含主观评测方法及客观评测方法两大类。主观评测方法需要人工听音频数据给出主观打分，所述人工一般为专家或专业人士，当音频时长较长或者音频较多时，人工评测的工作量较大，成本也较高，不具有实用性；客观评测方法并不能完全地代替主观质量评估，而是在尽量接近人类主观感知的基础上获得一种既方便又能够准确有效地预测音频质量的方法。当前的客观评测方法大都是提取语音信号的时域、频域或变换域的特征参数，估计语音信号的质量，如频谱、包络、响度、回音和噪声等，此类评估方法考虑因素单一，得到的评测结果不够全面。

本发明的设计初衷是面向人类语音音频，语音质量的好坏最后均会反映在终端受众(人或非人)的接受度上，传统的单纯依靠声学特征进行质量评测的方式忽略了语义层面对于质量评价结果的影响，由于无论是间接还是直接，最终的受众仍会关注该段人类语音的清晰表达上，但“清晰表达”在某些容易被忽略的场景中包含了针对语义清楚的特定需求，当受众能够较容易地识别、理解音频中的语义时，往往会提升对该音频的正面评价。因此，对于音频质量评价体系，将语义层面与声学层面相结合的需求会具有超越传统观念的重要意义。

发明内容

针对上述需求，本发明的目的是提供一种音频质量综合评测方法及系统，综合声学及语义两个维度评价音频质量，以此获得更为全面、客观的评测结果。

本发明采用的技术方案如下：

一种音频质量综合评测方法，包括：

接收待测音频数据；

对所述待测音频数据进行语音识别，得到识别文本；

分别从所述待测音频数据和所述识别文本获取质量评测特征，所述质量评测特征包括声学特征和语义特征；

利用所述质量评测特征以及预先训练的音频质量评测模型，对所述待测音频数据进行评价，得到音频质量评测结果。

可选地，

所述分别从所述待测音频数据和所述识别文本获取质量评测特征包括：

从所述待测音频数据中获取所述声学特征，所述声学特征包括：流畅度特征和/或完整性特征；

从所述识别文本中获取语义特征，所述语义特征包括：语义置信度特征和/或语法准确性特征。

可选地，