目前常用语音相对评估指标（参考）4个，绝对评估（无参考）指标3个。简述如下所示：**

相对指标：
1、pesq：共综合以下5个方面打分，分别为音频清晰度、音量、背景噪音音频中的可变延迟或滞后、丢失、音频干扰，PESQ 评分是从 -0.5 到 4.5 的分数，分数越高表示质量越好。可根据以下分数区间进行参考：
-0.5 – 1.99：语音质量极差，完全听不清楚语音的具体内容；
2.00 – 2.39 ：语音质量很差，需要集中很多精神或注意力才能听清楚具体内容；
2.40 – 2.79 ：语音质量较差，需要集中较多的精神或注意力才能听到具体内容；
2.80 – 3.29 ：语音质量一般，仅需要稍微集中一下注意力就能听很清楚；
3.30 – 3.79 ：语音质量较好，无需集中注意力就可听的很清楚；
3.80 – 4.50 ：语音质量极佳，放松简单的就可以听清楚说话内容；

2、stoi：短时客观可懂度，反映人类的听觉感知系统对语音可懂度的客观评价，STOI 值介于0~1 之间，值越大代表语音可懂度越高，越清晰。

3、bsseval：盲源分离指标，用于测试盲源分离的性能指标；

4、sisdr：标度不变源失真比，用于测试盲源分离，值越高越好。越高代表语音干扰越小、失真越小。

绝对指标（无参考）：
1、nisq：基于深度学习绝对评价指标，只需入音频。其输出结果共有五个维度，共同评价语音质量：

维度1：mos_pred ：语音质量指标，越高音质越好
维度2：noi_pred ：噪声等级指标，越高代表噪声越小
维度3：dis_pred ：语音连贯性指标，越高代表语音连贯性越好
维度4：col_pred ：音色指标，越高越好听
维度5：loud_pred ：语音响度指标，越高代表音量更响亮

2、mosnet：深度学习mos评分；

3、srmr：语音混响调制能量比，分数越高，混响越小，越清晰；

用法
（相对pesq、stoi、bsseval、sisdr）
备注：pesq、stoi客观指标测试，其输入的参考音频与测试音频长度必须相等；
pesq:
Windows 环境下需先安装pycharm 。 安装pypesq 库，方法：
安装方法：打开pycharm，点击Terminal，输入
$ git clone https://github.com/ludlows/python-pesq.git
$ cd python-pesq
$ pip install . # for python 2
$ pip3 install . # for python 3
$ cd …
$ rm -rf python-pesq # remove the code folder since it exists in the python package folder

程序编写可参考如下：
使用方法：
import soundfile as sf
from pypesq import pesq
path_ref = ‘gongwei_mic_mono.wav’ //参考语音
path_gen = ‘gongwei_mic_mono.wav’ //测试语音
ref,samplerate = sf.read(path_ref)
gen,samplerate = sf.read(path_gen)
peaq_score = pesq(ref ,gen ,samplerate)
print('peaq_score = ',peaq_score )

stoi:
Windows 环境下需先安装pycharm 。然后 安装stoi库，pip install pystoi ；
安装方法：打开pycharm，点击Terminal，然后输入pip install pystoi即可，具体与上步骤相似，等待安装成功；

使用方法：
程序编写可参考如下：
import soundfile as sf
from pystoi import stoi
clean, fs = sf.read(‘gongwei_mic_mono.wav’) //参考语音
denoised, fs = sf.read(‘gongwei_mic_mono.wav’) //测试语音
stoi_score = stoi(clean, denoised, fs, extended=False)
print('stoi = ’ ,stoi_score)

bsseval、sisdr：
pip install numpy
pip install git+https://github.com/aliutkus/speechmetrics#egg=speechmetrics[cpu]
完成后输入以下脚本：
import speechmetrics window_length = 15 # seconds
path_to_estimate_file = ‘test.wav’ #test audio path
path_to_reference = ‘reference.wav’ #reference audio path
metrics = speechmetrics.load([‘bsseval’, ‘sisdr’], window_length) scores = metrics(path_to_estimate_file, path_to_reference)
print(scores)

（绝对 NISQ、MOSNET、SRMR）
NISQ为基于深度学习绝对评价指标，只需入音频。其输出结果共有五个维度，共同评价语音质量：（网站： gabrielmittag/NISQA: NISQA - Non-Intrusive Speech Quality and TTS Naturalness Assessment (github.com)）
维度1：mos_pred ：语音质量指标，越高音质越好
维度2：noi_pred ：噪声等级指标，越高代表噪声越小
维度3：dis_pred ：语音连贯性指标，越高代表语音连贯性越好
维度4：col_pred ：音色指标，越高越好听
维度5：loud_pred ：语音响度指标，越高代表音量更响亮

使用方法：
在终端执行以下命令：
1、git clone https://github.com/gabrielmittag/NISQA.git
2、conda env create -f env.yml
3、conda activate nisqa
4、创建输出文件的文件夹（输出文件为积分记录表），如输出文件夹在outputfile，就创建一个名为outputfile的文件夹；
5、在步骤4所创建的文件夹中，创建NISQA_outputfile.csv；
6、执行 python run_predict.py --mode predict_file --pretrained_model weights/nisqa.tar --deg test.wav --output_dir outputfile
predict_file：模式选择为推理模式，默认不用改；
weights/nisqa.tar：为推理时所用到的模型，默认不用改；
test.wav：需要评估的音频；
outputfile：音频评估分数表输出目录
结果图例：

MOSNET、SRMR

pip install numpy
pip install git+https://github.com/aliutkus/speechmetrics#egg=speechmetrics[cpu]
完成后输入以下脚本：
import speechmetrics
window_length = 20# seconds
reference = ‘test.wav’ #audio path
metrics = speechmetrics.load(‘absolute’, window_length)
scores = metrics(reference)
print(scores)
或直接使用以下脚本；

结果图例：