指標

關於一段音訊，可以問兩種問題。一是這段錄音本身好不好，任何音訊都能問；二是它離自己的乾淨版本有多近，這就得先有那個乾淨版本。面板上半部不需要任何參考訊號，回答第一種；下半部回答第二種；兩者下方共用一張表格，顯示最後執行的那一項。每個按鈕旁邊都有一行，寫著它背後的 kudio 呼叫。

這裡的每項量測都針對整段音訊，選取範圍不影響結果。

檢查這段音訊

「檢查這段音訊」對整段音訊執行 kudio.audio_report，並填入表格：

列	意義
峰值	最大的樣本值，單位 dBFS；全部為零時顯示「靜音」
RMS	平均音量，單位 dBFS
響度（BS.1770）	整合響度，單位 LUFS。沒有數字時會寫出原因：全部為零時顯示「靜音」；短於一個 400 ms 閘控區塊時顯示「不適用（短於 400 ms）」；含有 NaN 或 inf 的音訊，或小聲到每個區塊都在 BS.1770 的 −70 LUFS 閘門以下的音訊，顯示「不適用」
削波樣本數	停在滿刻度平頂上的樣本，連續三個以上才算，以及它們佔整段的比例
DC 偏移	樣本的平均值；健康的錄音應該落在零
靜音	30 ms 幀中，比大聲的幀低 40 dB 以上的比例
底噪	最安靜那些幀的音量，取第 10 百分位數，單位 dBFS
估計 SNR	大聲的幀（第 95 百分位數）相對於底噪。這是從單一訊號估計出來的，不是拿乾淨訊號比對量到的
頻寬	內容實際延伸到多高，以及取樣率允許到多高

一兩個樣本碰到滿刻度不算削波；浮點音訊超過 1.0 但仍然描出完整波形，也不算。只有貼在上限的一段平頂，才是資訊真的已經丟失了。

按鈕下方列出錄音本身的問題，一行一個，以警示色顯示：

顯示的文字	出現的條件
有 … 個樣本不是有限值（NaN 或 inf）	音訊已損壞。這時只會出現這一行，因為其他數字都沒有意義了
這段音訊是數位靜音	所有樣本都是零
有 … 個樣本削波（佔整段的 …%）	只要有任何一段削波
峰值 … dBFS，超過滿刻度	浮點音訊超過 0 dBFS 但還沒削波。一寫成整數格式就會削波
峰值 … dBFS，緊貼上限	峰值高於 −0.5 dBFS
峰值只有 … dBFS — 非常小聲	峰值低於 −30 dBFS
DC 偏移 …	偏移的絕對值超過 0.01
內容到 … Hz 就沒了，檔案卻標示 … Hz	內容在取樣率一半的 90% 以下就結束，通常表示它是升頻而來的
整段有 …% 是靜音	靜音超過 60%
估計 SNR 約 … dB	估計 SNR 低於 10 dB

一個都沒有時，那一行會寫：

錄音本身沒有問題。這只表示音訊在技術上沒問題，不代表它聽起來好 — 若要評估聽感，
請試試下方的 DNSMOS 按鈕。

「檢視」面板上的「音量」讀數隨時都在做同樣的檢查，並顯示最常看的那幾個數字。這張表格則是它們背後的數據，想知道底噪或 DC 偏移的確切數值時用得上。

DNSMOS

audio_report 回答的是錄音在技術上有沒有問題。聽起來好不好則是主觀判斷，沒有聽測小組時，唯一的辦法是用聽者評分訓練出來的模型。「預測主觀分數（DNSMOS）」透過 kudio.dnsmos 執行 DNSMOS（ITU-T P.835），在表格中填入三個 1 到 5 分的分數：

列	評的是什麼
SIG（語音）	語音本身，不管背景
BAK（背景）	背景有多不干擾
OVRL（整體）	整體品質
平均的視窗數	這些分數是幾個 9 秒視窗的平均

三個分數我都列出來，而不是只給一個平均，因為降噪時 SIG 與 BAK 會往相反方向走。壓得越用力，背景越乾淨，語音卻被吃掉，取平均正好會把你想判斷的那個取捨藏起來。

按鈕下方會有一行白話的結論。OVRL 4.0 以上叫「乾淨」，3.0 以上「可用」，2.0 以上「差」，更低則是「很差」；SIG 與 BAK 相差超過 0.7 時，還會補上一句說明：

差（OVRL 2.55） — 背景比語音還乾淨，這正是降噪下手太重的樣子

反過來，SIG 明顯高於 BAK 時，那句說明是語音保住了，但背景仍然干擾。

模型是以 16 kHz、9.01 秒的視窗訓練的，所以音訊會先重新取樣到 16 kHz，再一個視窗一個視窗地評分，視窗之間相隔一秒。比一個視窗短的音訊會重複接起來直到填滿一個視窗，而不是補靜音，因為模型會把靜音評成被破壞的語音：2 秒的音訊會變成 16 秒、七個視窗。

DNSMOS 需要什麼

兩樣東西，基本安裝都不包含：

• onnxruntime，用 pip install "kudiostudio[dnsmos]" 安裝；
• 模型權重 sig_bak_ovr.onnx。它屬於 Microsoft 的 DNS-Challenge，也由那裡發布，所以 kudio 與 KudioStudio 都沒有隨附。請 clone https://github.com/microsoft/DNS-Challenge，並在啟動 kudiostudio 之前，把環境變數 KUDIO_DNSMOS_DIR 指向其中的 DNSMOS 資料夾。這個變數也可以直接指向模型檔本身。面板呼叫的是不帶 model_dir 的 kudio.dnsmos(y, sr)，所以這個變數是它找到權重的唯一途徑。

缺了任何一樣，面板會完整顯示 kudio 自己的訊息，因為那則訊息會告訴你缺的東西去哪裡拿。兩種訊息與對應的指令都在疑難排解。

與乾淨參考訊號比較

每個品質指標都是拿音訊與它的乾淨版本比較。合成資料集有乾淨版本，真實錄音永遠沒有：它的原始版本就是含噪的那一個，所以拿它來評分，量到的是你改動了音訊多少，而不是你有沒有改善它。

「參考訊號」決定要和什麼比較：

原始音訊（編輯之前）

開啟或錄下時的音訊。只有當你開啟的本來就是乾淨的音訊時，它才算乾淨的參考訊號。先開一段乾淨的錄音，在效果加上雜訊或房間，再到增強降噪，這時按「評估」，評的就是降噪器相對於起點的表現。

檔案…

在「檔案」欄選的檔案。它會以單聲道、以這段音訊的取樣率讀入，必要時重新取樣，所以取樣率不同的參考訊號照樣能逐樣本比較。

「評估」會先量測兩者之間的偏移（見下一節），再填入只靠 numpy 就能算的幾項：SNR、SI-SDR、「分段 SNR」，以及實際評分了多少樣本的「比較的樣本數」。PESQ、STOI 與 SDR 在背景工作中計算，完成後加進表格。缺少後端的那一項，會在該列說明原因（見下文）。

先對齊

這裡的每個指標，都是拿參考訊號的第 i 個樣本與這段音訊的第 i 個樣本比較。下面是一段錄音和它自己延遲 128 個樣本（16 kHz 下是 8 ms）的副本比較的結果：

對齊後     SI-SDR  +148.989 dB
未對齊     SI-SDR    -4.774 dB

光看第二個數字，分不出是「這兩段沒對齊」還是「處理把訊號毀了」，偏偏這兩者的意思正好相反。所以每次按「評估」，都會用 kudio.find_delay 量測偏移，並放在表格的第一列：

對齊               落後 128 個樣本（8.0 ms），相關係數 1.000

「落後」表示這段音訊比參考訊號晚，「超前」表示比較早；若其中一個上下顛倒，還會加上「極性相反」。反相的副本仍是同一段錄音，只是處理鏈中某處把它翻轉了，這本身就值得知道，所以只回報、不自動修正。

「先與參考訊號對齊」預設開啟，會在評分前去除偏移：兩個訊號都修剪到彼此重疊的那一段，所以「比較的樣本數」可能比整段音訊略少。狀態列會說去掉了多少：

這段音訊比參考訊號落後 128 個樣本（8.0 ms），相關係數 1.000；評分前已對齊。

關掉它，就照兩者原本的樣子評分。偏移仍然會被量測與回報，並多出一列警告：

⚠ 未對齊           保留了 8.0 ms 的偏移；下方分數主要是在量測這個偏移

在最佳偏移處的相關係數低於 0.5 時，兩者就不是同一段錄音，不論開關怎麼設：

⚠ 參考訊號         這兩者看起來不像同一段錄音 — 下方分數描述的是兩個無關的訊號

這時面板會直接評分，不做對齊。互相關總是找得到某個最佳偏移，把兩個無關的訊號照它對齊，只會產生一個看起來很有把握、實際上毫無意義的數字，這比一個明顯很差的數字更糟。

哪個指標需要什麼

指標	需要	備註
SNR、SI-SDR、分段 SNR	不需要額外安裝；numpy	隨時可用
STOI	pip install "kudiostudio[eval]"	去掉靜音後要有約 0.4 秒的語音
SDR	pip install "kudiostudio[eval]"	BSS-SDR，來自 mir_eval
PESQ	pip install "kudio[pesq]"	要從原始碼編譯，需要 C 編譯器，Windows 上則是 MSVC Build Tools。只支援 8 或 16 kHz
DNSMOS	pip install "kudiostudio[dnsmos]" 與模型權重	見上文

PESQ 自成一個 extra，是因為它要編譯。若放進 [eval] 或 [all]，沒有編譯器的機器連那兩組都裝不起來。

表格下方那一行說明哪些後端已經裝好，沒裝的則附上安裝指令：

PESQ 無法使用 — pip install "kudio[pesq]"（從原始碼編譯：需要 C 編譯器 — 在 Windows 上需要
MSVC Build Tools）

這些指令寫的是 kudio 的 extra。kudiostudio[eval] 裝的東西與 kudio[eval] 相同，PESQ 則沒有對應的 KudioStudio extra。沒有分數的列會說明是三種情況中的哪一種，因為處理方式各不相同：

• 「未安裝」：缺少後端；
• 「在 44100 Hz 下沒有定義（PESQ 僅支援 8 或 16 kHz）」：PESQ 已安裝，但標準只涵蓋這兩種取樣率；
• 「這一對無法計算」：已安裝、也有定義，卻仍然在這兩個訊號上失敗，例如語音太少的 STOI。

若三種情況都寫成「未安裝」，就等於叫你去裝已經裝好的東西。後端只在每次啟動時檢查一次，所以裝好之後請重新啟動 kudiostudio。

PESQ：MOS-LQO 還是 raw

PESQ 有兩種尺度，「PESQ 尺度」決定表格顯示哪一種。該列的名稱會寫明是哪一種：PESQ (MOS-LQO) 或 PESQ (raw P.862)。

MOS-LQO

預設值，也是 kudio 平常回報的：映射到兩份標準共同定義的 MOS 尺度上的分數。16 kHz 時是寬頻 PESQ（P.862.2），8 kHz 時是窄頻。

raw P.862

經過 P.862.1 映射之前的窄頻分數，範圍 −0.5 到 4.5：ITU 參考程式印出的就是它，多數語音增強論文引用的也是它。在 16 kHz 下選它，PESQ 也會以窄頻模式執行，因為 P.862.2 沒有定義 raw 分數。

兩者是不同的尺度，不是不同的捨入方式。raw 2.03 大約等於 1.66 MOS-LQO，所以拿一份 raw 分數去和論文的 MOS-LQO 並列，或反過來，比的是兩個根本不能比的數字。把自己的結果放到論文旁邊之前，先確認那篇論文引用的是哪一種。