近日，由全球语音技术顶尖会议INTERSPEECH 2022举办的会议场景下非侵入式客观语音质量评估挑战赛成绩正式公布，快手音视频技术团队在包括皮尔逊相关系数（pearson correlation coefficient，PCC）和均方根误差（root mean square error，RMSE）的全部指标中均跻身世界前三，综合得分（RMSE_MAP）斩获全球亚军。


图1

会议场景下非侵入式客观语音质量评估比赛成绩


背 景
实时语音通信系统在日常工作和生活中已得到广泛应用。在会议场景中，语音音质会受到许多因素影响，如背景噪声、房间混响、传输信道丢包和抖动等。无论是语音通信系统中的音频算法迭代，还是网络传输服务提供商的资源统筹和排障，都需要一种能够在各种使用场景下评价语音质量的方法。由于主观测试成本较高，如ITU-T P.800的测试方法需组织大量人员参与，因此，需要一种有效的客观评估方法来评价或监控正在进行对话的语音质量。

挑战赛任务
本次语音质量评估大赛涵盖了实时语音通信过程中可能遇到的各种语音质量损伤场景，发布了超过86,000条数据的主观质量分数语料库。参赛队伍需使用这些语音信号和对应的主观评分，开发评估语音质量的算法，以达到更接近人主观听感的效果。该项挑战赛共吸引了来自中国，巴基斯坦，加拿大，印度，美国，爱尔兰，韩国，瑞士，德国等10个国家和地区的学术界和工业界团队报名，竞争激烈。

针对音质损伤的预训练方法
为了实现以上目标，快手音频团队搭建了一种针对语音音质损伤类型的预训练方法。该预训练网络的目标为在网络产生的特征空间（embedding space）中拉近相同损伤类型（不同语音内容）信号的距离，并拉远不同损伤类型（相同语音内容）的距离，使得网络产生的特征向量（embedding）可以描述输入语音的损伤类型。该预训练方法不依赖主观音质标签，团队通过数据增广方法增加了2,000小时的预训练数据，覆盖会议场景的各种损伤类型，提升最终模型泛化能力。使用比赛提供的语料库对预训练模型进行进一步训练，最终得到预测人主观听感的语音评测网络。

图2：语音损伤预训练方法


团队介绍

快手音频技术团队汇聚领域内顶尖人才，结合实际业务推进前沿算法的应用和落地，深入实时语音通信、音频音效及后处理、音频内容理解、音频编解码、音频硬件等多个领域。团队成员在IEEE ICASSP、Interspeech、ACM/IEEE TALSP等顶级学术会议和期刊上，均有发表系列学术论文，并多次斩获国际音频挑战赛冠军。