知覚的客観的聴取品質分析

知覚的客観聴品質分析（POLQA ）は、デジタル音声信号を分析することによって音声品質を予測するモデルをカバーするITU-T標準の仮題でした。 [ 1 ]このモデルは、2011年に勧告ITU-T P.863（知覚的客観聴品質評価）として標準化されました。この標準の第2版は2014年に登場し、現在有効な第3版は、知覚的客観聴品質予測というタイトルで2018年に採用されました。[ 2 ]

測定範囲

POLQAは、デジタル音声信号分析を用いて音声品質を予測するモデル[ 3 ] [ 4 ]をカバーしています。これらの客観的指標の予測値は、主観的聴取試験で得られる主観的な品質スコアに可能な限り近づく必要があります。通常、平均オピニオンスコア（MOS）が予測されます。POLQAは、電話ネットワークを評価するためのテスト刺激として、実際の音声を使用します。

テクノロジー能力

POLQAはPESQ（ITU-T勧告P.862）の後継です。 [ 5 ] POLQAは現在のP.862モデルの弱点を回避し、より高帯域幅のオーディオ信号の処理に向けて拡張されています。さらなる改良は、タイムコール信号と多くの遅延変動を持つ信号の処理を対象としています。P.862と同様に、POLQAは一般的な電話帯域（300〜3400 Hz）での測定をサポートしていますが、さらに、広帯域および超広帯域音声信号（50〜14000 Hz）でHD-Voiceを評価するための2番目の動作モードがあります。POLQAは、口と耳のシミュレータを備えた人工頭部で音響的に録音された音声信号の評価も対象としています。

開発の歴史

POLQA活動は、2006年初頭にITU-TにおいてP.OLQAという仮称で開始されました。2009年半ばには、複数の候補モデルを評価するためのコンペティションが開始されました。2010年5月、ITU-Tは3社（OPTICOM、SwissQual / Rohde & Schwarz、TNO（オランダ応用科学研究機構））から候補モデルを選定しました。3社はそれぞれのアプローチを統合し、単一のモデルとしてまとめ上げ、勧告ITU-T P.863として採択されました。[ 2 ]

ITU-Tの完全参照客観音声品質測定ファミリーは、1997年に勧告ITU-T P.861（PSQM）から始まり、2001年にITU-T P.862（PESQ） [ 5 ]に置き換えられました。P.862はその後、勧告ITU-T P.862.1 [ 6 ]（PESQスコアのMOSスケールへのマッピング）、ITU-T P.862.2 [ 7 ]（広帯域測定）、ITU-T P.862.3 [ 8 ] （アプリケーションガイド）によって補完されました。ITU-T P.863（POLQA） [ 2 ]の初版は2011年に発効しました。勧告ITU-T P.863のアプリケーションガイドは2019年に承認され、ITU-T P.863.1として発行されました。[ 9 ]

ITU-Tの客観的音声品質測定規格のリストには、上記の完全な参照方法に加えて、ITU-T P.563 [ 10 ]（参照なしアルゴリズム）も含まれています。

テストの類型

POLQA は P.862 PESQ に似ており、劣化または処理された音声信号を元の信号と比較して評価する Full Reference (FR) アルゴリズムです。リファレンス信号 (話者側) の各サンプルを、劣化信号 (聞き手側) の対応する各サンプルと比較します。両方の信号間の知覚的差異は、差異としてスコア化されます。知覚心理音響モデルは、MP3 や AAC と同様の人間の知覚モデルに基づいています。基本的に、信号はマスキング関数を適用した後、周波数領域(臨界帯域) で分析されます。2 つの信号表現間のマスクされていない差異は、歪みとしてカウントされます。最後に、音声ファイル内の累積歪みは、MOS テストで通常行われる 1 ～ 5 の品質スケールにマッピングされます。FR 測定は最高の精度と再現性を提供しますが、ライブ ネットワークでの専用テスト (モバイル ネットワーク ベンチマークのドライブ テスト ツールなど) にのみ適用できます。

POLQAはフルリファレンスアルゴリズムであり、リファレンス信号とテスト信号の対応する抜粋を時間的にアラインメントした後、音声信号をサンプルごとに分析します。POLQAは、ネットワークのエンドツーエンド（E2E）品質評価や、個々のネットワークコンポーネントの特性評価に適用できます。

POLQA の結果は主に、1 (悪い) から 5 (優れている) までのスケールをカバーする 平均意見評点(MOS) をモデル化します。

POLQAアルゴリズムの説明

アルゴリズムへの入力は、16ビットPCMサンプルを含む2つのデータベクトルで表される2つの波形です。最初のベクトルには（歪みのない）基準信号のサンプルが含まれ、2番目のベクトルには劣化信号のサンプルが含まれます。POLQAアルゴリズムは、時間的アライメントブロック、入力信号のサンプルレートの差を補正するために使用されるサンプルレートコンバータのサンプルレート推定器、およびMOS計算を実行する実際のコアモデルで構成されています。最初のステップでは、2つの入力信号間の遅延が決定され、2つの信号の相対的なサンプルレートが推定されます。サンプルレートの推定は、時間的アライメントによって計算された遅延情報に基づいています。サンプルレートの差が約1%を超える場合、サンプルレートの高い信号がダウンサンプリングされます。各ステップの後、結果は平均遅延信頼性指標（遅延推定の品質の尺度）とともに保存されます。最終的に、全体的な信頼性が最も高かった再サンプリングステップの結果が選択されます。正しい遅延が決定され、サンプルレートの差が補正されると、信号と遅延情報はコアモデルに渡され、歪みの知覚度と不快感を計算し、MOSスケールにマッピングします。アルゴリズムのより詳細かつ包括的な説明は[ 2 ]に記載されています。次の数節では、POLQAの内部構造の基本について概要を説明することのみを目的としています。

コアモデル

コアモデルの主要要素は知覚モデルです。これは、様々な主要な歪みの種類に対応するために、異なるパラメータを用いて4回計算されます。これらの歪みの種類は、加法歪みと減法歪みに分類できます。どちらのタイプにおいても、さらに強い影響と弱い影響が区別されます。知覚モデルへの入力は波形と遅延情報です。出力は、信号における歪みの知覚しやすさを測る指標である擾乱密度です。メインブランチの知覚モデルは、周波数歪み、ノイズ歪み、残響歪みの指標も生成します。非常に強い歪みを検出する検出器によってトリガーされる後続のスイッチにより、4つの擾乱密度値が、加法歪みと減法歪みの2つに削減されます。現時点では、擾乱密度は歪みの知覚しやすさのみを示す指標であり、認知的影響はまだ考慮されていません。しかし、人間が知覚できるものの質を評価する場合、認知的側面は重要です。本質的には、知覚度を表す指標である「擾乱密度」を不快感を表す指標に変換します。この変換は、以下の状況における擾乱密度値を補正することによって行われます。

  • 大幅なレベル変動
  • 多くのフレームの繰り返し
  • 力強い音色
  • スペクトルの平坦性
  • 音声休止中のノイズ切り替え
  • 遅延のバリエーションが豊富
  • 擾乱密度の経時的な大きな変動
  • 信号の音量の大きな変化

このステップでは、スペクトル平坦性およびレベル変動の 2 つの追加指標も計算されます。

これまでのすべての処理は、約32ミリ秒と43ミリ秒（サンプルレートに依存し、オーバーラップは50%）のフレームに対して、各Barkバンドごとに個別に実行されました。最終段階では、すべての指標を時間と周波数にわたって積分し、最終的なMOS LQO値を算出します。

知覚モデル

知覚モデルの鍵となる概念は理想化です。その根底にある考え方は、POLQAが絶対カテゴリー評価（ACR）テストをシミュレートすることにあります。しかし、ACRテストでは、被験者は音声信号を採点する際に、実際の参照信号と比較することはできません。代わりに、被験者は理想的な信号がどのように聞こえるかを理解しており、それを自身の参照信号として使用することが前提となります。したがって、完全に完璧ではない参照信号（例えば、音量が適切ではない、音色、ノイズ、残響が多すぎるなど）を採点するよう求められた場合、その評価は完璧よりも低くなります。そのため、POLQAは理想化の段階で参照信号の小さな欠陥を修正し、劣化信号と比較するための、人間の被験者が頭の中で使用するのと同じ理想的な参照信号を導き出します。参照信号の理想化と同様に、ACRテストではほとんど知覚できない劣化信号に存在する歪み（例えば、小さなピッチシフト、線形周波数歪み）は部分的に補正されます。知覚モデルは、まず基準信号を理想的な平均アクティブ音声レベルである約 -26dBov にスケーリングします。劣化信号にはこのようなスケーリングは実行されません。劣化信号のレベルが理想的な -26dBov から逸脱している場合は、信号が劣化しているとみなされます。次に、両方の信号のスペクトルが、サンプル レートに応じて 32ms ～ 43ms の持続時間で 50% オーバーラップするフレームを使用して FFT によって計算されます。その後、劣化信号の小さなピッチ シフトが除去されます (周波数デワーピング)。次に、個々のスペクトル線 (FFT ビン) をいわゆる臨界帯域に結合することにより、スペクトルは心理音響的に動機付けられたピッチ スケールに変換されます。使用されるピッチ スケールは、帯域あたり平均解像度 0.3 Bark の Bark スケールに似ています。結果はピッチ パワー密度です。この段階では、周波数応答歪み、加法性ノイズ、室内残響という最初の3つの歪み指標が計算されます。その後、各帯域の励起が導出されます。これには、周波数領域と時間領域におけるマスキング効果のモデリングが含まれます。その結果、各信号の各フレームについて、各周波数成分がどの程度の音量で知覚されるかを大まかに示す頭部内部表現が得られます。次に、過剰な音色と低レベルの定常ノイズを除去することで、基準信号のさらなる理想化ステップが行われます。同時に、線形周波数歪みと定常ノイズは、劣化信号から部分的に除去されます。理想化された励起を減算することで、最終的に歪みの可聴性を示す歪み密度が得られます。

研究におけるPOLQA

POLQAを使用して、声調言語と非ネイティブリスニングが音声品質測定に与える影響を調査した論文があります。[ 11 ]

参照

参考文献

  1. ^ 「POLQA - 次世代モバイル音声品質テスト標準」 www.polqa.info 2021年4月11日閲覧。
  2. ^ a b c d「P.863：知覚的客観的聴取品質予測」 www.itu.int . 2021年4月11日閲覧。
  3. ^ Beerends, John G.; Schmidmer, Christian; Berger, Jens; Obermann, Matthias; Ullmann, Raphael; Pomy, Joachim; Keyhl, Michael (2013-07-08). 「知覚的客観聴品質評価（POLQA）、エンドツーエンド音声品質測定のための第3世代ITU-T標準 パートI：時間的アライメント」オーディオエンジニアリング協会誌61 ( 6 ): 366– 384.
  4. ^ Beerends, John G.; Schmidmer, Christian; Berger, Jens; Obermann, Matthias; Ullmann, Raphael; Pomy, Joachim; Keyhl, Michael (2013-07-08). 「知覚的客観聴品質評価（POLQA）、エンドツーエンド音声品質測定のための第3世代ITU-T標準 パートII—知覚モデル」オーディオエンジニアリング協会誌61 ( 6 ): 385– 402.
  5. ^ a b「P.862：音声品質の知覚的評価（PESQ）：狭帯域電話ネットワークおよび音声コーデックのエンドツーエンド音声品質評価のための客観的な手法」 www.itu.int . 2021年4月11日閲覧。
  6. ^ 「P.862.1：P.862の生の結果スコアをMOS-LQOに変換するためのマッピング関数」 www.itu.int 2021年4月11日閲覧。
  7. ^ 「P.862.2：広帯域電話網および音声コーデックの評価のための勧告P.862の広帯域拡張」 www.itu.int . 2021年4月11日閲覧。
  8. ^ 「P.862.3：勧告P.862、P.862.1、およびP.862.2に基づく客観的品質測定のアプリケーションガイド」www.itu.int . 2021年4月11日閲覧。
  9. ^ 「P.863.1 : ITU-T勧告P.863の適用ガイド」 www.itu.int . 2021年4月11日閲覧。
  10. ^ 「P.563：狭帯域電話アプリケーションにおける客観的な音声品質評価のためのシングルエンド法」 www.itu.int . 2021年4月11日閲覧。
  11. ^ D. Ebem（ナイジェリア大学）他 (2011). 「声調言語と非母語話者の聴取が音声品質の測定に与える影響」（PDF） . Journal of the Audio Engineering Society . 59 (2011年9月): 9.
「 https://en.wikipedia.org/w/index.php?title=Perceptual_Objective_Listening_Quality_Analysis&oldid=1322557080」より取得