CN115175233A - 语音质量评估方法、装置、电子设备及存储介质 - Google Patents
语音质量评估方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115175233A CN115175233A CN202210787995.5A CN202210787995A CN115175233A CN 115175233 A CN115175233 A CN 115175233A CN 202210787995 A CN202210787995 A CN 202210787995A CN 115175233 A CN115175233 A CN 115175233A
- Authority
- CN
- China
- Prior art keywords
- training
- data
- voice quality
- quality evaluation
- test
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 215
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004891 communication Methods 0.000 claims abstract description 21
- 230000005540 biological transmission Effects 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims description 325
- 238000012549 training Methods 0.000 claims description 319
- 238000001303 quality assessment method Methods 0.000 claims description 44
- 238000012545 processing Methods 0.000 claims description 37
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 18
- 238000003066 decision tree Methods 0.000 description 12
- 238000011156 evaluation Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 101100461812 Arabidopsis thaliana NUP96 gene Proteins 0.000 description 3
- 101150090280 MOS1 gene Proteins 0.000 description 3
- 101100401568 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) MIC10 gene Proteins 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 3
- 102100030393 G-patch domain and KOW motifs-containing protein Human genes 0.000 description 2
- 229910052982 molybdenum disulfide Inorganic materials 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 101710116850 Molybdenum cofactor sulfurase 2 Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Telephonic Communication Services (AREA)
Abstract
本申请提供一种语音质量评估方法、装置、电子设备及存储介质,涉及通信领域。方法包括:获取待评估终端在待评估时段下的话单数据;从所述待评估终端的话单数据中,获得所述待评估终端的特征数据;其中,所述特征数据包括实时传输协议通信参数和时延参数;将所述待评估终端的特征数据输入至语音质量评估模型,获得所述语音质量评估模型输出的所述待评估终端在待评估时段下的语音质量评估结果;其中,所述语音质量评估模型为基于极端梯度提升算法建立,并经过训练的模型。本申请的方案,能够实现语音质量的监控和分析。
Description
技术领域
本申请涉及通信领域,尤其涉及一种语音质量评估方法、装置、电子设备及存储介质。
背景技术
随着移动网络通信技术的发展,对数据和语音业务的质量优化越发重要,比如,在网络优化和评估中,语音业务质量的评估是非常重要的指标之一。
目前语音业务质量的评估方法为传统路测,传统路测需配备专业测试人员、路测仪器和车辆等,专业测试人员驾车经过目标路线,进行实地测试,以获取语音业务指令的评估结果。可见,传统路测方式对人员技能有一定要求,还需配备专业设备和车辆,在现场采集数据进行评估,评估效率较为低下,需耗费大量的时间和成本。
发明内容
本申请提供一种语音质量评估方法、装置、电子设备及存储介质,用以实现方便快捷的语音质量评估。
一方面,本申请提供一种语音质量评估方法,包括:获取待评估终端在待评估时段下的话单数据;从所述待评估终端的话单数据中,获得所述待评估终端的特征数据;其中,所述特征数据包括实时传输协议通信参数和时延参数;将所述待评估终端的特征数据输入至语音质量评估模型,获得所述语音质量评估模型输出的所述待评估终端在待评估时段下的语音质量评估结果;其中,所述语音质量评估模型为基于极端梯度提升算法建立,并经过训练的模型。
在一种实施方式中,所述方法还包括:基于极端梯度提升算法,建立初始模型;获取训练数据,所述训练数据包括各测试终端的语音质量评估结果以及所述各测试终端的语音质量评估结果对应的特征数据;基于所述训练数据,对所述初始模型进行训练,直至得到所述语音质量评估模型。
在一些实施方式中,所述方法还包括:获取各测试终端在各时刻下的训练路测数据,所述训练路测数据包括所述测试终端的标识以及所述测试终端的语音质量评估结果;获取各测试终端在各时段下的训练话单数据,所述训练话单数据包括所述测试终端的标识以及所述测试终端的特征数据;针对每个测试终端,基于所述测试终端的标识,建立所述测试终端的语音质量评估结果和所述测试终端的特征数据之间的关联,以获得所述训练数据。
在一些实施方式中,所述针对每个测试终端,基于所述测试终端的标识,建立所述测试终端的语音质量评估结果和所述测试终端的特征数据之间的关联,以获得所述训练数据之后,还包括:对所述训练数据进行预处理,所述预处理包括以下至少一项:缺失值填充、异常值处理、归一化处理、独热编码处理以及特征融合与拆解处理。
在一些实施方式中,所述针对每个测试终端,基于所述测试终端的标识,建立所述测试终端的语音质量评估结果和所述测试终端的特征数据之间的关联,以获得所述训练数据,包括:针对每个测试终端,基于所述测试终端的标识,获取所述测试终端在各时刻下的训练路测数据以及所述测试终端在各时段下的训练话单数据;根据所述测试终端的每一训练路测数据对应的时刻,以及所述测试终端的每一训练话单数据对应的时段,确定所述测试终端的每一训练路测数据对应的训练话单数据;其中,所述训练路测数据对应的时刻位于该训练路测数据对应的训练话单数据所对应的时段内;针对所述测试终端的每一训练话单数据,若所述训练话单数据对应的训练路测数据为一个,则建立所述训练路测数据中语音质量评估结果和所述训练话单数据中特征数据之间的关联;以及,若所述训练话单数据对应的训练路测数据为多个,则将该多个训练路测数据中语音质量评估结果的平均值作为最终的语音质量评估结果,建立所述最终的语音质量评估结果和所述训练话单数据中特征数据之间的关联。
在一些实施方式中,所述基于所述训练数据,对所述初始模型进行训练,直至得到所述语音质量评估模型,包括:将所述训练数据进行划分,得到训练集和测试集;基于所述训练集中的训练数据,对所述初始模型进行训练,得到当前模型;将所述测试集中的特征数据输入当前模型,得到模型输出的第一语音质量评估结果;计算所述第一语音质量评估结果和所述测试集中对应的语音质量评估结果之间的相关系数,直至当前的相关系数满足预定要求,则判定训练完成。
另一方面,本申请提供一种语音质量评估装置,包括:第一获取模块,获取待评估终端在待评估时段下的话单数据;所述第一获取模块,还用于从所述待评估终端的话单数据中,获得所述待评估终端的特征数据;其中,所述特征数据包括实时传输协议通信参数和时延参数;处理模块,用于将所述待评估终端的特征数据输入至语音质量评估模型,获得所述语音质量评估模型输出的所述待评估终端在待评估时段下的语音质量评估结果;其中,所述语音质量评估模型为基于极端梯度提升算法建立,并经过训练的模型。
在一些实施方式中,所述装置还包括:模型建立模块,用于基于极端梯度提升算法,建立初始模型;第二获取模块,用于获取训练数据,所述训练数据包括各测试终端的语音质量评估结果以及所述各测试终端的语音质量评估结果对应的特征数据;训练模块,用于基于所述训练数据,对所述初始模型进行训练,直至得到所述语音质量评估模型。
在一些实施方式中,所述第二获取模块,包括:获取单元,用于获取各测试终端在各时刻下的训练路测数据,所述训练路测数据包括所述测试终端的标识以及所述测试终端的语音质量评估结果;所述获取单元,还用于获取各测试终端在各时段下的训练话单数据,所述训练话单数据包括所述测试终端的标识以及所述测试终端的特征数据;关联单元,用于针对每个测试终端,基于所述测试终端的标识,建立所述测试终端的语音质量评估结果和所述测试终端的特征数据之间的关联,以获得所述训练数据。
在一些实施方式中,所述装置还包括:预处理模块,用于对所述训练数据进行预处理,所述预处理包括以下至少一项:缺失值填充、异常值处理、归一化处理、独热编码处理以及特征融合与拆解处理。
在一些实施方式中,所述关联单元,具体用于:针对每个测试终端,基于所述测试终端的标识,获取所述测试终端在各时刻下的训练路测数据以及所述测试终端在各时段下的训练话单数据;根据所述测试终端的每一训练路测数据对应的时刻,以及所述测试终端的每一训练话单数据对应的时段,确定所述测试终端的每一训练路测数据对应的训练话单数据;其中,所述训练路测数据对应的时刻位于该训练路测数据对应的训练话单数据所对应的时段内;针对所述测试终端的每一训练话单数据,若所述训练话单数据对应的训练路测数据为一个,则建立所述训练路测数据中语音质量评估结果和所述训练话单数据中特征数据之间的关联;以及,若所述训练话单数据对应的训练路测数据为多个,则将该多个训练路测数据中语音质量评估结果的平均值作为最终的语音质量评估结果,建立所述最终的语音质量评估结果和所述训练话单数据中特征数据之间的关联。
在一些实施方式中,所述训练模块,具体用于:将所述训练数据进行划分,得到训练集和测试集;基于所述训练集中的训练数据,对所述初始模型进行训练,得到当前模型;将所述测试集中的特征数据输入当前模型,得到模型输出的第一语音质量评估结果;计算所述第一语音质量评估结果和所述测试集中对应的语音质量评估结果之间的相关系数,直至当前的相关系数满足预定要求,则判定训练完成。
又一方面,本申请提供一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器;所述存储器存储计算机执行指令;所述处理器执行所述存储器存储的计算机执行指令,以实现如前所述的方法。
又一方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如前所述的方法。
本申请提供的语音质量评估方法、装置、电子设备及存储介质中,获取待评估终端在待评估时段下的话单数据;从所述待评估终端的话单数据中,获得所述待评估终端的特征数据;将所述待评估终端的特征数据输入至语音质量评估模型,获得所述语音质量评估模型输出的所述待评估终端在待评估时段下的语音质量评估结果。本申请的方案中,语音质量评估模型基于极端梯度提升算法建立并经过训练,能够基于输入的特征数据输出准确的语音质量评估结果,本方案无需依赖专业人员且无需进行现场数据采集和评估,从而有效提高语音质量评估的效率,节省大量的时间和成本。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为传统道路语音质量评估方法的场景示意图;
图2为本申请实施例一提供的语音质量评估方法的流程示意图;
图3为本申请实施例二提供的语音质量评估方法的流程示意图;
图4为本申请实施例三提供的语音质量评估装置的结构示意图;
图5为本申请实施例四提供的语音质量评估装置的结构示意图;
图6为本申请实施例五提供的一种电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是,本申请中对于术语的简要说明,仅是为了方便理解接下来描述的实施方式,而不是意图限定本申请的实施方式。除非另有说明,这些术语应当按照其普通和通常的含义理解。
本申请中说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似或同类的对象或实体,而并不必然意味着限定特定的顺序或先后次序,除非另外注明(Unless otherwise indicated)。应该理解这样使用的用语在适当情况下可以互换,例如能够根据本申请实施例图示或描述中给出那些以外的顺序实施。
此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖但不排他的包含,例如,包含了一系列组件的产品或设备不必限于清楚地列出的那些组件,而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。本申请中使用的术语“模块”,是指任何已知或后来开发的硬件、软件、固件、人工智能、模糊逻辑或硬件或/和软件代码的组合,能够执行与该元件相关的功能。
图1为传统道路语音质量评估方法的场景示意图。如图1所示,十字路口101为道路语音质量评估路段,车辆104通过十字路口101,基站102位于十字路口附近,是移动通信交换中心。
专业测试人员驾驶车辆104经过十字路口101,应用路测装置实地测试可以直接测得语音质量评估结果。实际场景中,在道路语音质量评估路段通常会发生语音业务。举例来说,当行人103经过十字路口101,可以应用终端设备,如应用移动终端、平板电脑、智能手表等进行高清语音业务。也可以应用无线终端和/或有线终端。无线终端可以是指向用户提供语音和/或其他业务数据连通性的设备,具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备。无线终端也可以经无线接入网(Radio Access Network,简称RAN)与一个或多个核心网络设备进行通信,无线终端可以是移动终端,如移动电话(或称为“蜂窝”电话)和具有移动终端的计算机,例如,可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置,它们与无线接入网交换语言和/或数据。再例如,无线终端还可以是个人通信业务(Personal Communication Service,简称PCS)电话、无绳电话、会话发起协议(Session Initiation Protocol,简称SIP)话机、无线本地环路(Wireless LocalLoop,简称WLL)站、个人数字助理(Personal Digital Assistant,简称PDA)等设备。无线终端也可以称为***、订户单元(Subscriber Unit)、订户站(Subscriber Station),移动站(Mobile Station)、移动台(Mobile)、远程站(Remote Station)、远程终端(RemoteTerminal)、接入终端(Access Terminal)、用户终端(User Terminal)、用户代理(UserAgent)、用户设备(User Device or User Equipment),在此不作限定。终端设备将语音通信信息通过上行信道传递给基站102,基站102再将语音通信信息通过下行信道传递给其他用户。应用路测装置基于语音质量评估路段下发生的语音业务情况,可以测得语音质量评估路段下的语音质量评估结果。
但是,该方案的实行需要配备专业的测试人员、路测装置和车辆,语音质量评估的效率较低,需要大量的时间和成本。因此,本申请建立了一个语音质量评估模型,通过模型分析用户数据,获得与传统路测近似的语音质量评估结果,可以在提高语音质量评估的效率的同时,节约时间和成本。
下面以具体的实施例对本申请的技术方案以及本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。在本申请的描述中,除非另有明确的规定和限定,各术语应在本领域内做广义理解。下面将结合附图,对本申请的实施例进行描述。
图2为本申请实施例一提供的语音质量评估方法的流程示意图,本实施例的实施主体可以为语音质量评估装置,如图2所示,该方法包括:
S201、获取待评估终端在待评估时段下的话单数据;
S202、从所述待评估终端的话单数据中,获得所述待评估终端的特征数据;其中,所述特征数据包括实时传输协议通信参数和时延参数;
S203、将所述待评估终端的特征数据输入至语音质量评估模型,获得所述语音质量评估模型输出的所述待评估终端在待评估时段下的语音质量评估结果;其中,所述语音质量评估模型为基于极端梯度提升算法建立,并经过训练的模型。
其中,话单数据可以是外部数据表示法(External Data Representation,XDR)话单数据。XDR话单数据中的数据类型有很多,比如,基本信息类,例如,业务起始时间、会话ID等;或者,比如,用户信息类,例如,用户标识、移动台设备标识、网络接入标识等;再或者,比如,质量信息类,例如,时延、乱序报文数、重传报文数、重传字节数、记录关闭原因等;再或者,比如,流量信息类,例如,报文数、字节数等。实际应用中,XDR话单采集***可以根据需要灵活生成待评估时段下的XDR话单数据。
实际应用中,该语音质量评估方法的执行主体可以为语音质量评估装置,所述语音质量评估装置的实现方式有多种,比如,可以通过计算机程序实现,例如,应用软件等;或者,例如,芯片等。也可以实现为存储有相关计算机程序的介质,例如,U盘、云盘等;再或者,还可以通过集成或安装有相关计算机程序的实体装置实现,比如,服务器等。
实际应用中,特征数据为话单数据中与语音质量评估方法相关的部分数据。例如,语音编码、时延、丢包和抖动等因素会影响语音质量。具体的,S202中从所述待评估终端的话单数据中,获得所述待评估终端的特征数据;其中,所述特征数据包括实时传输协议通信参数和时延参数。举例来说,实时传输协议通信参数可以包括:实时传输协议数据包计数、实时传输协议抖动、实时传输协议丢包数、实时传输控制协议数据包计数、实时传输控制协议抖动、实时传输控制协议丢包数;时延参数可以包括:平均编解码速率、环路时延、平均时延等。
对应的,S203中,将所述待评估终端的特征数据输入至语音质量评估模型,获得所述语音质量评估模型输出的所述待评估终端在待评估时段下的语音质量评估结果;其中,所述语音质量评估模型为基于极端梯度提升算法建立,并经过训练的模型。举例来说,待评估终端的特征数据可以包括:实时传输协议通信参数,例如,实时传输协议抖动、实时传输协议丢包数;或者,时延参数,例如,平均编解码速率、环路时延。将待评估终端的特征数据输入到语音质量评估模型,获得语音质量评估模型输出的待评估终端在待评估时段下的语音质量评估结果。
本实施例提供的语音质量评估方法中,获取待评估终端在待评估时段下的话单数据;从待评估终端的话单数据中,获得待评估终端的特征数据;其中,特征数据包括实时传输协议通信参数和时延参数;将待评估终端的特征数据输入至语音质量评估模型,获得语音质量评估模型输出的待评估终端在待评估时段下的语音质量评估结果;其中,语音质量评估模型为基于极端梯度提升算法建立,并经过训练的模型。本实施例通过将待评估终端的待评估时段的特征数据输入至语音质量评估模型,获得语音质量评估模型输出的待评估终端在待评估时段下的语音质量评估结果,实现了通过语音质量评估模型获得语音质量评估结果,从而有效提高语音质量评估的效率,节约了传统路测获得语音质量评估结果的成本。
图3为本申请实施例二提供的语音质量评估方法的流程示意图,如图3所示,该方法还包括:
S301、基于极端梯度提升算法,建立初始模型;
S302、获取训练数据,所述训练数据包括各测试终端的语音质量评估结果以及所述各测试终端的语音质量评估结果对应的特征数据;
S303、基于所述训练数据,对所述初始模型进行训练,直至得到所述语音质量评估模型。
其中,语音质量评估结果是通过传统路测获得的。实际应用中,语音质量评估结果可以是平均意见值(Mean Opinion Score,简称MOS)。例如,电信语音的3倍质量评估(3FoldQuality Evaluation Of Speech In Telecommunications,简称3QUEST)标准,应用语音平均值意见(Speech Mean Opinion Score,简称SMOS),噪音平均值意见(Noise MeanOpinion Score,简称NMOS),全局平均值意见(Global Mean Opinion Score,简称GMOS)三个参数,来表述语音自然度、噪声存在感和语音整体质量,三种维度下的语音质量。MOS取值范围为0~5,MOS数值越大语音质量越好。
实际应用中,影响语音质量的特征数据有很多,显然,将多个特征数据综合一起考虑能更准确得到语音质量评估结果。极端梯度提升算法采用迭代串行的形式,获取语音质量评估结果的预测值。极端梯度提升算法每次迭代都会构建一颗新的决策树,每颗决策树代表一个特征数据类型,每次迭代都会获得一个新的预测值,新的预测值等于当前决策树的预测值和上一次预测值的加和。
具体的,S301中基于极端梯度提升算法,建立初始模型;举例来说,假设已经迭代到t-1次,第i个样本xi的预测值表达式如下:
这里的k是决策树的棵树,在下一次迭代中,训练出让新生成的集成模型在训练集上,损失最小的模型,第t次迭代,第i个样本xi的预测值表达式如下:
极端梯度提升算法的目标函数包含损失函数L和正则化项Ω,目标函数可以写为:
根据第t次迭代的第i个样本xi的预测值ft(xi),此时的目标函数可以写为:
利用泰勒公式将目标函数进行泰勒二阶展开,得
其中gi为损失函数一阶导数,hi为损失函数的二阶导数。当损失函数取平方损失时,目标函数近似为:
进一步地,基函数取为决策树模型ft(X)=ωq(x),q(x)表示样本x所在的叶子节点,同时设决策树叶子节点数为T,该值决定了决策树的复杂度,值越大模型越复杂,此时目标函数的正则项表示为:
由于每个样本xi最终都是落在叶子节点上,且每个叶子节点都会包含多个样本,因此遍历所有样本xi求损失函数等价于遍历所有叶子节点求损失函数,设第j个叶子节点包含的样本集合为Ij={i},则损失函数为:
为简化公式,定义Gi=∑i∈I,gi,Hi=∑i∈Ihi,目标函数为:
接着对ωj求一阶导数,并使之为0,得叶子节点j对应的权值和最优目标函数为:
根据叶子节点j对应的权值和最优目标函数构建第t颗决策树,根据第t颗决策树的节点可以得到当前预测值。
本实施例中,基于极端梯度算法,建立了初始模型。获取包括各测试终端的语音质量评估结果,以及各测试终端的语音质量评估结果对应的特征数据的训练数据,并基于训练数据对初始模型进行训练,以获得了语音质量评估模型。将语音质量评估模型用于语音质量评估结果节约了实际路测获得语音质量评估结果的成本。
此外,考虑到不同的测试终端的语音质量评估结果不同,为了建立训练数据,在一种实施方式中,S302具体包括:获取各测试终端在各时刻下的训练路测数据,所述训练路测数据包括所述测试终端的标识以及所述测试终端的语音质量评估结果;获取各测试终端在各时段下的训练话单数据,所述训练话单数据包括所述测试终端的标识以及所述测试终端的特征数据;针对每个测试终端,基于所述测试终端的标识,建立所述测试终端的语音质量评估结果和所述测试终端的特征数据之间的关联,以获得所述训练数据。
其中,测试终端的标识为测试终端用户的用户标识。包括但不限于:国际移动用户识别码(International Mobile Subscriber Identity,IMSI)、移动用户号码(MobileSubscriber International ISDN/PSTN Number,MSISDN)、临时移动用户识别(TemporaryMobile Subscriber Identity,TMSI)。
实际应用中,可能获得多个测试终端的训练路测数据和多个测试终端的训练话单数据,训练路测数据和训练话单数据均包括测试终端的标识,根据测试终端的标识将同一测试终端的语音质量评估结果和特征数据进行关联。举例来说,获得的训练路测数据包括测试终端1的训练路测数据(包含测试终端1的标识和语音质量评估结果)和测试终端2的训练路测数据(包含测试终端2的标识和语音质量评估结果),获得的训练话单数据包括测试终端2的训练话单数据(包含测试终端2的标识和特征数据)和测试终端3的训练话单数据(包含测试终端3的标识和特征数据)。则基于测试终端的标识,可将同一标识对应的路测数据和话单数据进行关联,比如,将测试终端2的训练路测数据中的语音质量评估结果和测试终端2的训练话单数据中的特征数据关联。
本实施方式中,根据获取训练路测数据和训练话单数据中测试终端标识,将同一测试终端对应的语音质量评估结果和特征数据进行关联。这样将测试终端对应的特征数据输入到初始模型中,可以获得同一测试终端对应的第一语音质量评估结果,对比同一测试终端的语音质量评估结果和第一语音质量评估结果,可以获得更加可靠的对比效果。
此外,为了将训练数据中可能存在异常数据处理,在一种实施方式中,针对每个测试终端,基于所述测试终端的标识,建立所述测试终端的语音质量评估结果和所述测试终端的特征数据之间的关联,以获得所述训练数据之后,还包括:对所述训练数据进行预处理,所述预处理包括以下至少一项:缺失值填充、异常值处理、归一化处理、独热编码处理以及特征融合与拆解处理。
实际应用中,对初始模型进行训练过程中,获得训练数据后,为了得到较好的训练效果,会对训练数据进行预处理。例如,训练数据存在数据缺失的问题,可以应用前填充、后填充、均值填充、众数填充、中位数填充等方法对缺失值进行填充。或者,训练数据中出现异常值,会对初始模型的训练结果造成严重偏差,可以应用删除、平均值修正、回归插补、多种插补等方法对异常值进行处理。再或者,训练数据中在不同的范围内,应用归一化处理可以将训练数据限定在一定范围内。再或者,独热编码处理可以将训练数据中的离散数据扩展到欧式空间,便于计算训练数据之间的相似度。再或者,训练数据中的多个数据融合或者某个数据的拆解可以提高模型训练的性能,应用特征融合与拆解处理,来提高模型训练的性能。需要说明的是,上述预处理方式可以单独实施也可以结合实施。
本实施方式中,通过对训练数据进行预处理,可以获得可靠的训练数据,节约了后续训练由于异常数据带来的成本。
此外,考虑到某一时段下的训练话单数据可能对应多个时刻下的训练路测数据的情况,在一种实施方式中,针对每个测试终端,基于所述测试终端的标识,建立所述测试终端的语音质量评估结果和所述测试终端的特征数据之间的关联,以获得所述训练数据,具体包括:
针对每个测试终端,基于所述测试终端的标识,获取所述测试终端在各时刻下的训练路测数据以及所述测试终端在各时段下的训练话单数据;
根据所述测试终端的每一训练路测数据对应的时刻,以及所述测试终端的每一训练话单数据对应的时段,确定所述测试终端的每一训练路测数据对应的训练话单数据;其中,所述训练路测数据对应的时刻位于该训练路测数据对应的训练话单数据所对应的时段内;
针对所述测试终端的每一训练话单数据,若所述训练话单数据对应的训练路测数据为一个,则建立所述训练路测数据中语音质量评估结果和所述训练话单数据中特征数据之间的关联;以及,若所述训练话单数据对应的训练路测数据为多个,则将该多个训练路测数据中语音质量评估结果的平均值作为最终的语音质量评估结果,建立所述最终的语音质量评估结果和所述训练话单数据中特征数据之间的关联。
实际应用中,语音质量评估结果间隔固定周期进行采集。举例来说,运营商测试规范中规定,同一个测试终端,路测装置间隔9秒采集一个MOS值。比如,对于测试终端A,10点0分0秒测得MOS1,10点0分9秒测得MOS2,10点0分18秒测得MOS3。
实际应用中,对于同一测试终端,话单数据通过深度报文***采集,通过统一采集与指令适配平台传送到话单服务器的过程中,将话单数据分割成固定时长的训练话单数据。举例来说,获得测试终端A在10点0分0秒到10点0分12秒时间段下的训练话单数据1,和10点0分12秒到10点0分24秒时间段下的的训练话单数据2。需要说明的是,训练数据的时段时长与待评估时段的时长一致,可以根据需要规定时长。
具体的,针对所述测试终端的每一训练话单数据,若所述训练话单数据对应的训练路测数据为一个,则建立所述训练路测数据中语音质量评估结果和所述训练话单数据中特征数据之间的关联;以及,若所述训练话单数据对应的训练路测数据为多个,则将该多个训练路测数据中语音质量评估结果的平均值作为最终的语音质量评估结果,建立所述最终的语音质量评估结果和所述训练话单数据中特征数据之间的关联。结合上述示例,MOS1和MOS2的采集时刻均落在训练话单数据1对应的时间段内;MOS3的采集时刻落在训练话单数据2对应的时间段内。训练话单数据1中特征数据对应的MOS值为MOS1和MOS2的平均值;训练话单数据2中特征数据对应的MOS值为MOS3。
本实施方式中,对于同一测试终端,建立了某一时段下的特征数据和语音评估结果的一一对应关系,便于将模型输出某一时段下的特征数据对应的第一语音评估结果和语音评估结果对比,提高了模型训练的效率。
此外,为了判定模型是否完成训练,在一种实施方式中,S303具体包括:将所述训练数据进行划分,得到训练集和测试集;基于所述训练集中的训练数据,对所述初始模型进行训练,得到当前模型;将所述测试集中的特征数据输入当前模型,得到模型输出的第一语音质量评估结果;计算所述第一语音质量评估结果和所述测试集中对应的语音质量评估结果之间的相关系数,直至当前的相关系数满足预定要求,则判定训练完成。
实际应用中,相关系数数值大小是确定当前模型是否完成训练的依据,相关系数数值预定要求可以提前设定。相关系数的数值越大说明第一语音质量评估结果和测试集中对应的语音质量评估结果相似度越高。例如,可以设定相关系数大小大于2时,当前模型满足应用要求完成训练。
具体的,计算所述第一语音质量评估结果和所述测试集中对应的语音质量评估结果之间的相关系数,直至当前的相关系数满足预定要求,则判定训练完成。举例来说,相关系数为1.9,当前模型不满足预设要求,则基于训练集中的训练数据,继续对当前模型进行训练。再举例来说,相关系数为2.4,当前模型满足预设要求,则判定训练完成。
本实施方式中,通过计算第一语音质量评估结果和测试集中对应的语音质量评估结果之间的相关系数,判定当前模型是否完成训练,可以及时获得训练好的语音质量评估,避免了多次训练带来的成本。
本实施例提供的语音质量评估方法中,基于极端梯度提升算法,建立初始模型;获取训练数据,训练数据包括各测试终端的语音质量评估结果以及所述各测试终端的语音质量评估结果对应的特征数据;基于训练数据,对初始模型进行训练,直至得到语音质量评估模型。本实施例基于极端梯度提升算法对初始模型训练过程中,应用训练数据对初始模型进行训练,获得了可以代替实际路测的语音质量评估模型,将语音质量评估模型用于获得语音质量评估结果,节约了实际路测获得语音质量评估结果的成本。
图4为本申请实施例三提供的语音质量评估装置的结构示意图,如图4所示,该装置包括:
第一获取模块41,获取待评估终端在待评估时段下的话单数据;
所述第一获取模块41,还用于从所述待评估终端的话单数据中,获得所述待评估终端的特征数据;其中,所述特征数据包括实时传输协议通信参数和时延参数;
处理模块42,用于将所述待评估终端的特征数据输入至语音质量评估模型,获得所述语音质量评估模型输出的所述待评估终端在待评估时段下的语音质量评估结果;其中,所述语音质量评估模型为基于极端梯度提升算法建立,并经过训练的模型。
其中,话单数据可以是外部数据表示法(External Data Representation,XDR)话单数据。实际应用中,XDR话单采集***可以根据需要灵活生成待评估时段下的XDR话单数据。
实际应用中,特征数据为话单数据中与语音质量评估方法相关的部分数据。处理模块42,将待评估终端的特征数据输入到语音质量评估模型,获得语音质量评估模型输出的待评估终端在待评估时段下的语音质量评估结果。
本实施例提供的语音质量评估装置中,获取待评估终端在待评估时段下的话单数据;从待评估终端的话单数据中,获得待评估终端的特征数据;其中,特征数据包括实时传输协议通信参数和时延参数;将待评估终端的特征数据输入至语音质量评估模型,获得语音质量评估模型输出的待评估终端在待评估时段下的语音质量评估结果;其中,语音质量评估模型为基于极端梯度提升算法建立,并经过训练的模型。本实施例通过将待评估终端的待评估时段的特征数据输入至语音质量评估模型,获得语音质量评估模型输出的待评估终端在待评估时段下的语音质量评估结果,实现了通过语音质量评估模型获得语音质量评估结果,节约了传统路测获得语音质量评估结果的成本,实现有效的语音质量监控和分析。
图5为本申请实施例四提供的语音质量评估装置的结构示意图,如图5所示,该装置还包括:
模型建立模块51,用于基于极端梯度提升算法,建立初始模型;
第二获取模块52,用于获取训练数据,所述训练数据包括各测试终端的语音质量评估结果以及所述各测试终端的语音质量评估结果对应的特征数据;
训练模块53,用于基于所述训练数据,对所述初始模型进行训练,直至得到所述语音质量评估模型。
其中,语音质量评估结果是通过传统路测获得的。实际应用中,语音质量评估结果可以是平均意见值。MOS取值范围为0~5,MOS数值越大语音质量越好。
实际应用中,影响语音质量的特征数据有很多,显然,将多个特征数据综合一起考虑能更准确得到语音质量评估结果。极端梯度提升算法采用迭代串行的形式,获取语音质量评估结果的预测值。极端梯度提升算法每次迭代都会构建一颗新的决策树,每颗决策树代表一个特征数据类型,每次迭代都会获得一个新的预测值,新的预测值等于当前决策树的预测值和上一次预测值的加和。
本实施例中,基于极端梯度算法,建立了初始模型。获取包括各测试终端的语音质量评估结果,以及各测试终端的语音质量评估结果对应的特征数据的训练数据,并基于训练数据对初始模型进行训练,以获得了语音质量评估模型。将语音质量评估模型用于语音质量评估结果节约了实际路测获得语音质量评估结果的成本。
此外,考虑到不同的测试终端的语音质量评估结果不同,为了建立训练数据,在一种实施方式中,第二获取模块52,包括:获取单元,用于获取各测试终端在各时刻下的训练路测数据,所述训练路测数据包括所述测试终端的标识以及所述测试终端的语音质量评估结果;所述获取单元,还用于获取各测试终端在各时段下的训练话单数据,所述训练话单数据包括所述测试终端的标识以及所述测试终端的特征数据;关联单元,用于针对每个测试终端,基于所述测试终端的标识,建立所述测试终端的语音质量评估结果和所述测试终端的特征数据之间的关联,以获得所述训练数据。
其中,测试终端的标识为测试终端用户的用户标识。实际应用中,可能获得多个测试终端的训练路测数据和多个测试终端的训练话单数据,训练路测数据和训练话单数据均包括测试终端的标识,根据测试终端的标识将同一测试终端的语音质量评估结果和特征数据进行关联。
本实施方式中,根据获取训练路测数据和训练话单数据中测试终端标识,将同一测试终端对应的语音质量评估结果和特征数据进行关联。这样将测试终端对应的特征数据输入到初始模型中,可以获得同一测试终端对应的第一语音质量评估结果,对比同一测试终端的语音质量评估结果和第一语音质量评估结果,可以获得更加可靠的对比效果。
此外,为了将训练数据中可能存在异常数据处理,在一种实施方式中,所述装置还包括:预处理模块,用于对所述训练数据进行预处理,所述预处理包括以下至少一项:缺失值填充、异常值处理、归一化处理、独热编码处理以及特征融合与拆解处理。
实际应用中,对初始模型进行训练过程中,获得训练数据后,为了得到较好的训练效果,会对训练数据进行预处理。需要说明的是,上述预处理方式可以单独实施也可以结合实施。本实施方式中,通过对训练数据进行预处理,可以获得可靠的训练数据,节约了后续训练由于异常数据带来的成本。
此外,考虑到某一时段下的训练话单数据可能对应多个时刻下的训练路测数据的情况,在一种实施方式中,所述关联单元,具体用于:针对每个测试终端,基于所述测试终端的标识,获取所述测试终端在各时刻下的训练路测数据以及所述测试终端在各时段下的训练话单数据;根据所述测试终端的每一训练路测数据对应的时刻,以及所述测试终端的每一训练话单数据对应的时段,确定所述测试终端的每一训练路测数据对应的训练话单数据;其中,所述训练路测数据对应的时刻位于该训练路测数据对应的训练话单数据所对应的时段内;针对所述测试终端的每一训练话单数据,若所述训练话单数据对应的训练路测数据为一个,则建立所述训练路测数据中语音质量评估结果和所述训练话单数据中特征数据之间的关联;以及,若所述训练话单数据对应的训练路测数据为多个,则将该多个训练路测数据中语音质量评估结果的平均值作为最终的语音质量评估结果,建立所述最终的语音质量评估结果和所述训练话单数据中特征数据之间的关联。
实际应用中,语音质量评估结果间隔固定周期进行采集。实际应用中,对于同一测试终端,话单数据通过深度报文***采集,通过统一采集与指令适配平台传送到话单服务器的过程中,将话单数据分割成固定时长的训练话单数据。需要说明的是,训练数据的时段时长与待评估时段的时长一致,可以根据需要规定时长。
本实施方式中,对于同一测试终端,建立了某一时段下的特征数据和语音评估结果的一一对应关系,便于将模型输出某一时段下的特征数据对应的第一语音评估结果和语音评估结果对比,提高了模型训练的效率。
此外,为了判定模型是否完成训练,在一种实施方式中,所述训练模块53具体用于:将所述训练数据进行划分,得到训练集和测试集;基于所述训练集中的训练数据,对所述初始模型进行训练,得到当前模型;将所述测试集中的特征数据输入当前模型,得到模型输出的第一语音质量评估结果;计算所述第一语音质量评估结果和所述测试集中对应的语音质量评估结果之间的相关系数,直至当前的相关系数满足预定要求,则判定训练完成。
实际应用中,相关系数数值大小是确定当前模型是否完成训练的依据,相关系数数值预定要求可以提前设定。相关系数的数值越大说明第一语音质量评估结果和测试集中对应的语音质量评估结果相似度越高。
本实施方式中,通过计算第一语音质量评估结果和测试集中对应的语音质量评估结果之间的相关系数,判定当前模型是否完成训练,可以及时获得训练好的语音质量评估,避免了多次训练带来的成本。
本实施例提供的语音质量评估装置中,基于极端梯度提升算法,建立初始模型;获取训练数据,训练数据包括各测试终端的语音质量评估结果以及所述各测试终端的语音质量评估结果对应的特征数据;基于训练数据,对初始模型进行训练,直至得到语音质量评估模型。本实施例基于极端梯度提升算法对初始模型训练过程中,应用训练数据对初始模型进行训练,获得了可以代替实际路测的语音质量评估模型,将语音质量评估模型用于,获得语音质量评估结果,节约了实际路测获得语音质量评估结果的成本。
图6为本申请实施例五提供的一种电子设备的结构示意图,如图6所示,该电子设备包括:
处理器(processor)61,电子设备还包括了存储器(memory)62;还可以包括通信接口(Communication Interface)63和总线64。其中,处理器61、存储器62、通信接口63、可以通过总线64完成相互间的通信。通信接口63可以用于信息传输。处理器61可以调用存储器64中的逻辑指令,以执行上述实施例的方法。
此外,上述的存储器62中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器62作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序,如本申请实施例中的方法对应的程序指令/模块。处理器61通过运行存储在存储器62中的软件程序、指令以及模块,从而执行功能应用以及数据处理,即实现上述方法实施例中的方法。
存储器62可包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器62可以包括高速随机存取存储器,还可以包括非易失性存储器。
本申请实施例提供一种非临时性计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如前述实施例所述的方法。
在示例性实施例中,还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (14)
1.一种语音质量评估方法,其特征在于,包括:
获取待评估终端在待评估时段下的话单数据;
从所述待评估终端的话单数据中,获得所述待评估终端的特征数据;其中,所述特征数据包括实时传输协议通信参数和时延参数;
将所述待评估终端的特征数据输入至语音质量评估模型,获得所述语音质量评估模型输出的所述待评估终端在待评估时段下的语音质量评估结果;其中,所述语音质量评估模型为基于极端梯度提升算法建立,并经过训练的模型。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于极端梯度提升算法,建立初始模型;
获取训练数据,所述训练数据包括各测试终端的语音质量评估结果以及所述各测试终端的语音质量评估结果对应的特征数据;
基于所述训练数据,对所述初始模型进行训练,直至得到所述语音质量评估模型。
3.根据权利要求2所述的方法,其特征在于,所述获取训练数据,包括:
获取各测试终端在各时刻下的训练路测数据,所述训练路测数据包括所述测试终端的标识以及所述测试终端的语音质量评估结果;
获取各测试终端在各时段下的训练话单数据,所述训练话单数据包括所述测试终端的标识以及所述测试终端的特征数据;
针对每个测试终端,基于所述测试终端的标识,建立所述测试终端的语音质量评估结果和所述测试终端的特征数据之间的关联,以获得所述训练数据。
4.根据权利要求3所述的方法,其特征在于,所述针对每个测试终端,基于所述测试终端的标识,建立所述测试终端的语音质量评估结果和所述测试终端的特征数据之间的关联,以获得所述训练数据之后,还包括:
对所述训练数据进行预处理,所述预处理包括以下至少一项:缺失值填充、异常值处理、归一化处理、独热编码处理以及特征融合与拆解处理。
5.根据权利要求3所述的方法,其特征在于,所述针对每个测试终端,基于所述测试终端的标识,建立所述测试终端的语音质量评估结果和所述测试终端的特征数据之间的关联,以获得所述训练数据,包括:
针对每个测试终端,基于所述测试终端的标识,获取所述测试终端在各时刻下的训练路测数据以及所述测试终端在各时段下的训练话单数据;
根据所述测试终端的每一训练路测数据对应的时刻,以及所述测试终端的每一训练话单数据对应的时段,确定所述测试终端的每一训练路测数据对应的训练话单数据;其中,所述训练路测数据对应的时刻位于该训练路测数据对应的训练话单数据所对应的时段内;
针对所述测试终端的每一训练话单数据,若所述训练话单数据对应的训练路测数据为一个,则建立所述训练路测数据中语音质量评估结果和所述训练话单数据中特征数据之间的关联;以及,若所述训练话单数据对应的训练路测数据为多个,则将多个训练路测数据中语音质量评估结果的平均值作为最终的语音质量评估结果,建立所述最终的语音质量评估结果和所述训练话单数据中特征数据之间的关联。
6.根据权利要求2-5任一项所述的方法,其特征在于,所述基于所述训练数据,对所述初始模型进行训练,直至得到所述语音质量评估模型,包括:
将所述训练数据进行划分,得到训练集和测试集;
基于所述训练集中的训练数据,对所述初始模型进行训练,得到当前模型;
将所述测试集中的特征数据输入当前模型,得到模型输出的第一语音质量评估结果;
计算所述第一语音质量评估结果和所述测试集中对应的语音质量评估结果之间的相关系数,直至当前的相关系数满足预定要求,则判定训练完成。
7.一种语音质量评估装置,其特征在于,包括:
第一获取模块,获取待评估终端在待评估时段下的话单数据;
所述第一获取模块,还用于从所述待评估终端的话单数据中,获得所述待评估终端的特征数据;其中,所述特征数据包括实时传输协议通信参数和时延参数;
处理模块,用于将所述待评估终端的特征数据输入至语音质量评估模型,获得所述语音质量评估模型输出的所述待评估终端在待评估时段下的语音质量评估结果;其中,所述语音质量评估模型为基于极端梯度提升算法建立,并经过训练的模型。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
模型建立模块,用于基于极端梯度提升算法,建立初始模型;
第二获取模块,用于获取训练数据,所述训练数据包括各测试终端的语音质量评估结果以及所述各测试终端的语音质量评估结果对应的特征数据;
训练模块,用于基于所述训练数据,对所述初始模型进行训练,直至得到所述语音质量评估模型。
9.根据权利要求8所述的装置,其特征在于,所述第二获取模块,包括:
获取单元,用于获取各测试终端在各时刻下的训练路测数据,所述训练路测数据包括所述测试终端的标识以及所述测试终端的语音质量评估结果;
所述获取单元,还用于获取各测试终端在各时段下的训练话单数据,所述训练话单数据包括所述测试终端的标识以及所述测试终端的特征数据;
关联单元,用于针对每个测试终端,基于所述测试终端的标识,建立所述测试终端的语音质量评估结果和所述测试终端的特征数据之间的关联,以获得所述训练数据。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:
预处理模块,用于对所述训练数据进行预处理,所述预处理包括以下至少一项:缺失值填充、异常值处理、归一化处理、独热编码处理以及特征融合与拆解处理。
11.根据权利要求9所述的装置,其特征在于,所述关联单元,具体用于:
针对每个测试终端,基于所述测试终端的标识,获取所述测试终端在各时刻下的训练路测数据以及所述测试终端在各时段下的训练话单数据;
根据所述测试终端的每一训练路测数据对应的时刻,以及所述测试终端的每一训练话单数据对应的时段,确定所述测试终端的每一训练路测数据对应的训练话单数据;其中,所述训练路测数据对应的时刻位于该训练路测数据对应的训练话单数据所对应的时段内;
针对所述测试终端的每一训练话单数据,若所述训练话单数据对应的训练路测数据为一个,则建立所述训练路测数据中语音质量评估结果和所述训练话单数据中特征数据之间的关联;以及,若所述训练话单数据对应的训练路测数据为多个,则将该多个训练路测数据中语音质量评估结果的平均值作为最终的语音质量评估结果,建立所述最终的语音质量评估结果和所述训练话单数据中特征数据之间的关联。
12.根据权利要求8-11任一项所述的装置,其特征在于,所述训练模块,具体用于:
将所述训练数据进行划分,得到训练集和测试集;
基于所述训练集中的训练数据,对所述初始模型进行训练,得到当前模型;
将所述测试集中的特征数据输入当前模型,得到模型输出的第一语音质量评估结果;
计算所述第一语音质量评估结果和所述测试集中对应的语音质量评估结果之间的相关系数,直至当前的相关系数满足预定要求,则判定训练完成。
13.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-6中任一项所述的方法。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210787995.5A CN115175233A (zh) | 2022-07-06 | 2022-07-06 | 语音质量评估方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210787995.5A CN115175233A (zh) | 2022-07-06 | 2022-07-06 | 语音质量评估方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115175233A true CN115175233A (zh) | 2022-10-11 |
Family
ID=83490271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210787995.5A Pending CN115175233A (zh) | 2022-07-06 | 2022-07-06 | 语音质量评估方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115175233A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180006957A1 (en) * | 2016-06-30 | 2018-01-04 | Verizon Patent And Licensing Inc. | METHODS AND SYSTEMS FOR EVALUATING VOICE OVER WI-FI (VoWiFi) CALL QUALITY |
US20180082704A1 (en) * | 2015-11-30 | 2018-03-22 | Huawei Technologies Co., Ltd. | Voice Quality Evaluation Method, Apparatus, and Device |
US20190180771A1 (en) * | 2016-10-12 | 2019-06-13 | Iflytek Co., Ltd. | Method, Device, and Storage Medium for Evaluating Speech Quality |
CN110401622A (zh) * | 2018-04-25 | 2019-11-01 | ***通信有限公司研究院 | 一种语音质量评估方法、装置、电子设备和存储介质 |
CN111314691A (zh) * | 2018-12-11 | 2020-06-19 | ***通信集团广东有限公司 | 一种视频通话质量评估方法和装置 |
CN112562724A (zh) * | 2020-11-30 | 2021-03-26 | 携程计算机技术(上海)有限公司 | 语音质量的评估模型、训练评估方法、***、设备及介质 |
-
2022
- 2022-07-06 CN CN202210787995.5A patent/CN115175233A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180082704A1 (en) * | 2015-11-30 | 2018-03-22 | Huawei Technologies Co., Ltd. | Voice Quality Evaluation Method, Apparatus, and Device |
US20180006957A1 (en) * | 2016-06-30 | 2018-01-04 | Verizon Patent And Licensing Inc. | METHODS AND SYSTEMS FOR EVALUATING VOICE OVER WI-FI (VoWiFi) CALL QUALITY |
US20190180771A1 (en) * | 2016-10-12 | 2019-06-13 | Iflytek Co., Ltd. | Method, Device, and Storage Medium for Evaluating Speech Quality |
CN110401622A (zh) * | 2018-04-25 | 2019-11-01 | ***通信有限公司研究院 | 一种语音质量评估方法、装置、电子设备和存储介质 |
CN111314691A (zh) * | 2018-12-11 | 2020-06-19 | ***通信集团广东有限公司 | 一种视频通话质量评估方法和装置 |
CN112562724A (zh) * | 2020-11-30 | 2021-03-26 | 携程计算机技术(上海)有限公司 | 语音质量的评估模型、训练评估方法、***、设备及介质 |
Non-Patent Citations (2)
Title |
---|
DHANY ARIFIANTO: "Subjective evaluation of voice quality over GSM network for quality of experience (QoE) measurement", 《 2015 INTERNATIONAL SYMPOSIUM ON INTELLIGENT SIGNAL PROCESSING AND COMMUNICATION SYSTEMS (ISPACS)》, 14 March 2016 (2016-03-14) * |
秦萌萌: "基于深度学习的语音质量评估方法研究", 《中国优秀硕士学位论文全文库》, 15 January 2022 (2022-01-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110719605B (zh) | 一种基于5g技术的网速检测*** | |
US20210027173A1 (en) | Indicator determining method and related device | |
CN107171831B (zh) | 网络部署方法和装置 | |
CN108495364B (zh) | 移动终端的定位方法及装置 | |
CN111294812A (zh) | 一种资源扩容规划的方法及*** | |
CN109994128B (zh) | 语音质量问题定位方法、装置、设备及介质 | |
CN113660687A (zh) | 网络差小区处理方法、装置、设备及存储介质 | |
CN108024222B (zh) | 流量话单生成方法和装置 | |
TWI580288B (zh) | Action online quality analysis system and method | |
CN105591842B (zh) | 一种获取移动终端操作***版本的方法和装置 | |
CN115175233A (zh) | 语音质量评估方法、装置、电子设备及存储介质 | |
CN116800886A (zh) | 异常号码的识别方法、装置、存储介质以及电子设备 | |
CN108521435B (zh) | 一种用户网络行为画像的方法及*** | |
CN113555037B (zh) | 篡改音频的篡改区域检测方法、装置及存储介质 | |
CN108234228B (zh) | 一种获取网络能效的方法、装置及*** | |
CN111711946B (zh) | 一种加密无线网络下的IoT设备识别方法及识别*** | |
CN113840131B (zh) | 视频通话质量评估方法、装置、电子设备及可读存储介质 | |
CN111372073B (zh) | 视频质量的评价方法、装置、设备和介质 | |
CN111314926B (zh) | 覆盖关系确定方法、装置及计算机可读存储介质 | |
CN111212376B (zh) | 关联实时位置及语音质量结果的方法、装置、设备及介质 | |
CN114423049A (zh) | 一种感知预测方法、装置、电子设备及存储介质 | |
CN103634164B (zh) | 一种获取流量信息的方法及*** | |
CN109558839A (zh) | 自适应人脸识别方法和实现该方法的设备及*** | |
CN111314489A (zh) | 识别接入网络类型方法、服务器及装置 | |
CN113115301B (zh) | 一种确定方法、设备以及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |