心理声学模型驱动的高效语音质量评价算法：性能与优化

本文主要探讨了一种基于心理声学模型的高性能语音质量评价算法，即EPM2SQE（Efficient Psychoacoustic Model-based Speech Quality Evaluation）。该算法的核心在于利用心理声学原理来模拟人耳对语音质量的主观感知，从而实现客观化的语音质量评估。 首先，算法采用了12阶梅尔频率倒谱系数（Mel Frequency Cepstral Coefficients，MFCC）作为语音信号的主要特征向量。相较于巴克斯谱（Barks spectrum），MFCC具有较低的空间复杂度，能够更有效地捕捉语音信号的频谱特性，特别是对于快速变化的信号，这种低维度的表示方法能更好地反映听觉感知的关键信息。 在MFCC的基础上，算法进一步进行了相对幅度谱（Relative Spectral Transform，RASTA）滤波，这一步旨在增强信号中的瞬态成分，因为人类对这些成分的感知更为敏感。通过这种方式，算法模拟了人耳对声音动态变化的敏感性，使得评估结果更加接近主观体验。 接下来，算法将滤波后的参数映射到响度，这是一种直观的物理量，代表声音的强度和清晰度。通过对原始语音和受损语音的响度进行比较，计算出两者之间的感知扰动。这种扰动反映了因质量损失而导致的听觉感知差异。 在频域和时域上，算法分别对这一扰动进行聚合，形成一个单一的扰动值。这个值随后被输入到认知模型中，该模型基于心理学和听觉科学的研究，考虑了人类对不同频段和时间尺度上的声音变化的敏感性，从而得出一个综合的客观评分。 实验结果显示，相比于国际电信联盟提出的其他语音质量评价算法，EPM2SQE在运行效率上表现出显著的优势，平均运行时间减少了41%，内存占用也降低了51%。然而，在主观评价的相关度方面，尽管有61.8%的下降，但考虑到算法的客观性和计算效率，这种牺牲是可接受的。 本文提出的基于心理声学模型的语音质量评价算法EPM2SQE提供了一种高效、低内存占用的量化评估方法，适用于自动化评估和大规模实时应用，有助于提高语音通信系统的性能优化和用户体验。