中國集群通信網(wǎng)
有信：如何做好VoIP語音質(zhì)量評(píng)測(cè)？
1 背景介紹
VoIP(Voice over IP)即IP電話，是將話音編碼、壓縮轉(zhuǎn)換成數(shù)據(jù)包，在IP網(wǎng)絡(luò)中進(jìn)行傳輸?shù)募夹g(shù)。語音通信因其特有的可靠性和高QoS（Quality of Service）一直被大家廣發(fā)使用。但現(xiàn)在的人們通過手機(jī)通話時(shí)已經(jīng)不僅僅滿足于信息的獲取，而更多地關(guān)注語音質(zhì)量如何，是否能高保真地還原聲音的效果，并表達(dá)最真實(shí)的情感。
有信以實(shí)時(shí)語音通話為核心，經(jīng)過幾年的深耕細(xì)作，用戶總注冊(cè)量已經(jīng)超1.2億，日活躍用戶達(dá)600萬。能夠獲得這么多的用戶與有信電話高水平的語音通話質(zhì)量密不可分，語音質(zhì)量也是有信電話與傳統(tǒng)電話公司競爭的一項(xiàng)關(guān)鍵因素。
業(yè)界各方為了提高VoIP語音質(zhì)量各顯其能，語音質(zhì)量的評(píng)測(cè)方案層出不窮，但都以主觀評(píng)測(cè)為主流。我們?cè)趯?duì)有信VoIP網(wǎng)絡(luò)電話做評(píng)測(cè)時(shí)，會(huì)從抗時(shí)延、抗丟包、噪聲抑制以及音量大小等多種維度去考慮，本文主要介紹了客觀評(píng)測(cè)語音質(zhì)量的一些方法和案例。
2 測(cè)試環(huán)境搭建
2.1 測(cè)試設(shè)備
測(cè)試設(shè)備：PC +測(cè)試手機(jī)2部+音頻線2條+耳機(jī)麥克風(fēng)二合一轉(zhuǎn)接線。
以上設(shè)備按照?qǐng)D2-1方式連接后，在 PC 上播放音頻，聲音從 PC 的揚(yáng)聲器通過音頻線和轉(zhuǎn)接線傳入到主叫A的麥克里，然后主叫A中的通話軟件采集聲音并經(jīng)過網(wǎng)絡(luò)傳到被叫B，之后聲音從被叫B通過音頻線連接PC的麥克風(fēng)傳入到PC上，在PC上進(jìn)行音頻錄制操作。這里需要注意的是，由于主叫和被叫都有麥克風(fēng)權(quán)限，為了保證測(cè)試過程中數(shù)據(jù)的準(zhǔn)確性，不受外界聲音的影響，連接電腦mic端的被叫B一定要保持靜音，主叫A一定要插出耳機(jī)模式。
圖2-1
2.2 網(wǎng)絡(luò)環(huán)境模擬
VoIP決定了對(duì)網(wǎng)絡(luò)的強(qiáng)依賴性，因此需要評(píng)定在不同網(wǎng)絡(luò)狀態(tài)下的語音質(zhì)量的各項(xiàng)指標(biāo)。這里推薦使用網(wǎng)絡(luò)模擬軟件 Network Emulator Toolkit 模擬網(wǎng)絡(luò)丟包、抖動(dòng)等網(wǎng)絡(luò)異常情況。在電腦上安裝網(wǎng)絡(luò)模擬軟件，然后將電腦網(wǎng)絡(luò)作為 WiFi 熱點(diǎn)(可以使用 360 隨身 wifi 等工具實(shí)現(xiàn))，測(cè)試機(jī)連接熱點(diǎn) wifi，通過設(shè)置不同的參數(shù)實(shí)現(xiàn)丟包和網(wǎng)絡(luò)抖動(dòng)等網(wǎng)絡(luò)異常的情況。
網(wǎng)絡(luò)丟包設(shè)置方法：可以通過設(shè)置 Periodic Loss （周期性丟包）參數(shù)實(shí)現(xiàn)（如設(shè)置參數(shù)為 10，表示每 10 個(gè)包丟一個(gè)包，即丟包率為 10%），也可以設(shè)置Random Loss（隨機(jī)丟包）參數(shù)實(shí)現(xiàn)（Random Loss 中的數(shù)值若填寫0.05，則表示隨機(jī)丟包率為5%），一般隨機(jī)丟包更貼近真實(shí)的網(wǎng)絡(luò)情況。
網(wǎng)絡(luò)抖動(dòng)設(shè)置方法：可以通過設(shè)置變化的延時(shí) Linear 參數(shù)來實(shí)現(xiàn)，Linear 設(shè)置項(xiàng)表示在設(shè)置時(shí)間內(nèi) period，延時(shí)會(huì)從設(shè)置的最小值 Min 逐漸變化到設(shè)置的最大值 Max （如設(shè)置 min 為 0，max 為 100，表示抖動(dòng)幅度為 100ms），也可以設(shè)置Normal Distributed 的參數(shù)來模擬。
2.3 音頻文件以及分析工具的選擇
分析音頻的軟件有很多，本文采用Cool Edit Pro，方便易用。將音頻文件在Cool Edit Pro中打開，可以看到音頻是否滿足測(cè)試條件，例如，在音質(zhì)測(cè)試時(shí)，要保證波形適中，振幅分布均勻。
由于 PESQ 算法的特殊性，對(duì)聲音源文件的選擇有一定的要求。
1. 源聲音文件的長度在6s～8s之間，過長或過短都會(huì)影響計(jì)算結(jié)果。
2. 靜音區(qū)和非靜音區(qū)的比例要適中，盡量保正［非靜音：靜音＝6:4 ］或 ［非靜音：靜音＝5:5 ］或［非靜音：靜音＝4:6 ］。使用 PESQ 計(jì)算 MOS 分時(shí)，要用純凈的不帶噪聲的文件。
3. 使用 Cool Edit Pro 錄音時(shí)，應(yīng)保證輸出的波形適中，可通過調(diào)節(jié)音頻播放音量和 PC 錄音音量來控制。
3 測(cè)試指標(biāo)以及測(cè)試方法
3.1 音質(zhì)（QV）
音質(zhì)（Quality of Voice）是指經(jīng)傳輸、處理后 音頻信號(hào)的保真度，是對(duì)音量音高、音調(diào)、音色等一些列影響因素的綜合評(píng)價(jià)。本文所用的音質(zhì)的測(cè)試方法，是利用python的音頻插件pyAudio來輸入源文件以及錄制輸出音頻，通過國際通用的PESQ（Perceptual evaluation of speech quality）算法來對(duì)比兩個(gè)輸入和輸出的音頻，最終計(jì)算出MOS（Mean Opinion Score）值。以上整個(gè)過程都是通過腳本完成，避免了人工參與引入的誤差。如1.1中的示意圖連接好設(shè)備后，兩臺(tái)手機(jī)通過AppA進(jìn)行通話，通話過程中執(zhí)行腳本，腳本中一些變量的值，例如執(zhí)行次數(shù)、采樣率、Delay時(shí)長等都可以根據(jù)測(cè)試對(duì)象的實(shí)際情況進(jìn)行靈活調(diào)整，以盡量找到測(cè)試對(duì)象的天花板。
3.2 語音時(shí)延（DV）
語音時(shí)延（Delay of Voice），兩個(gè)移動(dòng)終端進(jìn)行通話過程中，主觀感受的時(shí)延是指輸出音頻的時(shí)間減去輸入音頻的時(shí)間，即被叫聽到聲音的時(shí)間減去主叫發(fā)出聲音的時(shí)間。DV過大，比較容易出現(xiàn)響應(yīng)遲緩、或者雙講的情況，非常影響通話體驗(yàn)。本文中對(duì)DV的測(cè)試方法是，如 1.1 中的示意圖連接好設(shè)備后，兩臺(tái)手機(jī)通過AppA進(jìn)行通話，通過腳本來計(jì)算音頻輸入的時(shí)間和錄制音頻的輸出時(shí)間，這個(gè)過程相比主觀測(cè)試，排除了人耳的差異性帶來的誤差，使得測(cè)試結(jié)果更精準(zhǔn)。通過腳本跑出的時(shí)延數(shù)據(jù)，取 50～100組延時(shí)數(shù)據(jù)算平均值即可。
3.3 噪聲抑制（NS）
大多數(shù)情況下，VoIP通信系統(tǒng)的輸入端不可能接受到純凈的原始語音，只能接受到被背景噪聲干擾后的含噪語音。背景噪聲極大地干擾了語音通信的質(zhì)量，降低了語音的清晰度和可懂性。噪聲抑制（Noise Suppression）的主要目的在于從含噪語音中提取盡可能純凈的原始語音。但是，過度的NS可能會(huì)產(chǎn)生降低語音音量等級(jí)、處理后的語音中的噪聲不均勻，導(dǎo)致體驗(yàn)差等的負(fù)面效應(yīng)。
如果是分析同一個(gè)app不同版本的降噪效果，可以使用語音音量和噪聲音量的Average RMS Power差值進(jìn)行比對(duì)，單位是dB，一般為正數(shù)（語音音量大于噪聲音量）,差值越大，NS效果越好。但是，如果要分析不同app的NS效果，PESQ 差距大時(shí)，則認(rèn)為 PESQ 低的 NS 對(duì)音質(zhì)的損傷高，NS 效果差（但有噪聲的文件計(jì)算出來的PESQ的值并不準(zhǔn)確，因此不建議使用該方法），我們要同時(shí)考慮到NS的負(fù)面影響。因此，當(dāng)PESQ 差距較小時(shí)， 我們定義
d1＝ RMS（產(chǎn)品 1 的非噪聲）－RMS（產(chǎn)品 2 的非噪聲）
d2＝ RMS（產(chǎn)品 1 的噪聲）－RMS（產(chǎn)品 2 的噪聲）
如果：
d1 > d2，則產(chǎn)品1的NS優(yōu)于產(chǎn)品2；
d1 = d2，則產(chǎn)品1、2的NS效果基本一致；
d1 < d2，則產(chǎn)品1的NS差于產(chǎn)品2。
3.4 音量大小（VV）
音量大�。╒olume of Voice）即音頻的強(qiáng)度和幅度。不同的群體對(duì)音量大小的適應(yīng)度存在一定的差異性。因此衡量音量的大小要從不同的維度來考量。本文中音量大小的評(píng)定是在不同播放音量條件下，播放同一個(gè)源聲音文件，同時(shí)錄制輸出的音頻，分析不同文件的Average RMS Power，單位是dB，為負(fù)數(shù)，絕對(duì)值越大，音量越小。其中，不同的播放音量大小的定義為：
小音量——30%；
正常音量——50%；
大音量——70%。
4 測(cè)試結(jié)果
4.1 抗丟包性能
以5%為步長，從無丟包率逐級(jí)遞增到30%的隨機(jī)丟包率，分別評(píng)測(cè)AppA和AppB在不同丟包率條件下的語音時(shí)延和MOS分。測(cè)試結(jié)果如下：
從上圖可以看出，隨著丟包率的遞增，AppA和AppB的MOS分均沒有明顯的變化趨勢(shì)，整體的MOS分，AppA高于AppB。隨著丟包率的遞增，AppA和AppB的語音時(shí)延均表現(xiàn)出先增加后下降的趨勢(shì)（由于測(cè)試時(shí)網(wǎng)絡(luò)狀態(tài)不同，導(dǎo)致數(shù)據(jù)結(jié)果有一定的差異性），整體的語音時(shí)延，AppA的大于AppB。
4.2 抗時(shí)延性能
以50ms為步長，從0ms的網(wǎng)絡(luò)時(shí)延逐級(jí)遞增至400ms，分別評(píng)測(cè)AppA和AppB在不同網(wǎng)絡(luò)時(shí)延條件下的語音時(shí)延和MOS分。測(cè)試結(jié)果如下：
從上圖可以看出，隨著網(wǎng)絡(luò)時(shí)延的增加，AppA的MOS分整體處于輕微的下降趨勢(shì)，下降幅度不明顯，AppB整體趨勢(shì)較平穩(wěn)，MOS分變化不大。在語音時(shí)延方面，隨著網(wǎng)絡(luò)時(shí)延的增加，AppA的語音時(shí)延整體處于增加趨勢(shì)，且增加幅度較大，無網(wǎng)絡(luò)時(shí)延時(shí)的語音時(shí)延為400.92ms，當(dāng)網(wǎng)絡(luò)時(shí)延400ms時(shí)的語音時(shí)延為489.44ms；AppB的語音時(shí)延隨著網(wǎng)絡(luò)時(shí)延的增加變化不大。整體看，不同網(wǎng)絡(luò)時(shí)延下，AppA的語音時(shí)延高于AppB。
4.3 通話過程中語音時(shí)延的變化情況分析
通過分析不同網(wǎng)絡(luò)時(shí)延下的語音時(shí)延數(shù)據(jù)流，觀察不同的網(wǎng)絡(luò)時(shí)延條件下，從通話開始到通話結(jié)束整個(gè)過程中，不同app的語音時(shí)延變化情況。
注：上圖中橫坐標(biāo)軸表示的是通話20分鐘左右的語音時(shí)延數(shù)據(jù)，每通通話取100組數(shù)據(jù)來分析。粗略估計(jì)第10組數(shù)據(jù)大概在通話5-10分鐘左右。
從上圖可以看出，網(wǎng)絡(luò)時(shí)延較大的條件下，AppA在通話開始的幾分鐘，語音時(shí)延一直處于較高的狀態(tài)，大概通話10分鐘左右，語音時(shí)延數(shù)據(jù)逐漸趨于平穩(wěn)，并可維持平穩(wěn)狀態(tài)一直到通話結(jié)束，因此可以推測(cè)，AppA在通話開始時(shí)質(zhì)量不是很穩(wěn)定，但是隨著通話時(shí)長的增加，會(huì)逐步進(jìn)入一個(gè)較好的通話質(zhì)量狀態(tài)。
從AppB的數(shù)據(jù)上來看，無論網(wǎng)絡(luò)時(shí)延增加到多少，AppB的語音時(shí)延從通話開始就一直處于一個(gè)平穩(wěn)狀態(tài)，但是在通話過程中，會(huì)有偶爾的語音時(shí)延波動(dòng)，可以推測(cè)，AppB的整體通話質(zhì)量較平穩(wěn)，但中間偶爾會(huì)有質(zhì)量不佳的情況。
4.4 噪聲抑制
使用語音音量（圖4-1）和噪聲音量（圖4-2）的Average RMS Power差值進(jìn)行比對(duì)，單位是dB，一般為正數(shù)（語音音量大于噪聲音量）,差值越大，NS效果越好。
圖4-1 截取的200ms語音（非噪聲）部分音頻
圖4-2 截取的200ms噪聲部分音頻
在競品分析時(shí)，可用不同競品之間的非噪音差減去噪音差，若差值大于0，則可以認(rèn)為噪聲抑制效果較好。
注：我們定義播放音量的級(jí)別分別為：小音量=30%，正常音量=50%，大音量=70%。
從上表可以看出，無論是小音量、正常音量還是大音量的條件下，AppA的非噪聲減去噪聲的值均大于AppB。音量越大，差值越大。用AppA的音量減去AppB的音量得到音量差，用AppA的噪聲減去AppB的噪聲得到噪音差，最后用音量差-噪音差，得出的值，見上表。在小音量、正常音量和大音量的條件下，所有的差值均大于0，可以認(rèn)為AppA的噪聲抑制效果較好。
從上圖看出，同一個(gè)源聲音文件（噪聲RMS均值為-32.54dB，非噪聲RMS均值為-23.87dB）通過AppA輸出的音頻，小音量時(shí)，噪聲能量減少1.21dB，非噪聲基本保持不變，正常音量時(shí)，噪聲能量減少2.18 dB，非噪聲減少3.37 dB；大音量時(shí)，噪聲減少3.97 dB，非噪聲減少6.1 dB�？梢钥闯�，對(duì)于AppA，播放音量越大，噪聲抑制過程所減弱的音量越多。
通過AppB輸出的音頻，小音量時(shí)，噪聲能量減少7.2dB，非噪聲減少5.87 dB，正常音量時(shí)，噪聲能量減少9.54 dB，非噪聲減少8.23 dB，大音量時(shí)，噪聲能量減少9.21 dB，非噪聲能量減少7.69 dB。可以看出，對(duì)于AppB，不同音量下輸出的噪聲和非噪聲能量減少相當(dāng)，無明顯差別。
4.5 音量
注：源聲音文件的Average RMS Power為：-18.69dB。見圖4-3.
圖4-3 輸入的源音頻文件
輸出的聲音文件的音量大小如下表所示：
從上圖可以看出，不同的播放音量下，AppB的輸出音量均大于AppA。其中，小音量時(shí)，AppB比AppA大4.1dB，正常音量時(shí)，差別不大，大播放音量時(shí)，AppB比AppA大2.0dB。
從變化趨勢(shì)上可以看出，AppA的播放音量越大，輸出的音量也越大，AppB在小音量和正常音量時(shí)，輸出的音量無明顯差別，但是在大音量時(shí)，輸出的音量相應(yīng)增加2.19dB。
5 小結(jié)
影響語音質(zhì)量的因素是多維度的，主要包括時(shí)延、丟包、抖動(dòng)，這也預(yù)示著VoIP對(duì)網(wǎng)絡(luò)的強(qiáng)依賴性。語音質(zhì)量的好壞是影響用戶體驗(yàn)的直接因素，因此對(duì)VoIP語音質(zhì)量進(jìn)行客觀有效的分析和測(cè)量是十分重要的。本文介紹了利用腳本和工具分析時(shí)延、音質(zhì)、音量、降噪等不同指標(biāo)的客觀評(píng)測(cè)方法，并且把具體的案例結(jié)果呈現(xiàn)出來以供探討。
(責(zé)任編輯：李俊勇)