人类主观评估语音质量时音频质量的“黄金标准”。传统音频评估指标需要参考干净的语音信号，这无法对真实的应用环境中的音频作出准确评估。因为真实应用中干净的语音信号难以获得。然而，传统的无参考方法与人类主观评估质量相关性很差，没有被广泛采用。本文介绍了来自微软的深度学习多阶段噪声抑制评估方法。该方法能够在无参考的情况下，与人类主观评估高度相关。首先介绍其基本原理，然后介绍具体的使用方法。

网络结构

模型的输入是Spectrogram，120个Mel波段在长度为9秒的剪辑上计算，在16kHz采样，帧大小为20毫秒，跳跃长度为10毫秒，输入尺寸为900 x 120。该模型的batch大小为32，使用Adam优化器和MSE损失函数。Encoder和Decoder均由6个具有PReLU激活函数的Conv2d块组成，旨在从输入特征中提取高维特征，降低分辨率。将频谱特征作为输入。LSTM 层隐藏大小为512，T-F核大小为3 ，跨度为 1*2 ，每个 Conv2d 或 ConvTranspose2d 层后面跟着一个batchnorm层。在最后一个 ConvTranspose2d层之后嵌入线性层以映射输出特征的复数比率掩码（CRM）。最后，CRM与输入 stft 谱图相乘得到干净的 stft 谱图，所有的激活函数都是PReLU。

Batch标准化的作用？

批量标准化降低了低卷剪辑的预测准确性。主观评分对振幅低的剪辑倾向给予较低的评分。

评价方法

采用ITU-T P.835主观测试框架来衡量语音质量（SIG）、背景噪声质量（BAK）和整体音频质量（OVRL），评价均为0-5（5为最佳）；

该模型对语音的评分与人类主观评分的相关性

PCC：皮尔逊相关系数

SRCC：斯皮尔曼秩相关系数

使用注意事项

• 目前只支持单通道语音信号处理；
• 采样率支持16000Hz，其他采样率会被自动转化；
• 可选项-p，打开表明存在周围人说话干扰的情况下会惩罚，降低分数
• 可选项-p在代码上对分数的区别：1模型不同，2针对模型计算得到的原始分数，使用不同的多项式求解；

使用方法：

有两种使用DNSMOS的方式：

1.使用Web-API：

使用本地上传到此GitHub repo的模型进行本地评估。

要使用Web-API：请填写以下表格：https://forms.office.com/r/pRhyZ0mQy3 我们将向您发送您可以在dnsmos.py脚本中插入的AUTH_KEY。

示例命令：python dnsmos --testset_dir --method p835

2.使用本地评估方法：

git下载源码：https://github.com/microsoft/DNS-Challenge/tree/master/DNSMOS

运行dnsmos_local.py

计算常规MOS分数

python dnsmos_local.py -t C:\temp\SampleClips -o sample.csv

设置扬声器干扰惩罚，“-p”参数

python dnsmos_local.py -t C:\temp\SampleClips -o sample.csv -p