CN117061378A - 一种语音通话质量检测方法 - Google Patents
一种语音通话质量检测方法 Download PDFInfo
- Publication number
- CN117061378A CN117061378A CN202310837681.6A CN202310837681A CN117061378A CN 117061378 A CN117061378 A CN 117061378A CN 202310837681 A CN202310837681 A CN 202310837681A CN 117061378 A CN117061378 A CN 117061378A
- Authority
- CN
- China
- Prior art keywords
- voice
- voice call
- detection
- packet
- quality
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 126
- 230000005540 biological transmission Effects 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims abstract description 6
- 238000012423 maintenance Methods 0.000 claims abstract description 5
- 238000005259 measurement Methods 0.000 claims description 56
- 239000000523 sample Substances 0.000 claims description 35
- 230000001360 synchronised effect Effects 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 238000007476 Maximum Likelihood Methods 0.000 claims description 10
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 9
- 230000006735 deficit Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000002457 bidirectional effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 4
- 206010002953 Aphonia Diseases 0.000 claims description 3
- 208000033999 Device damage Diseases 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000007812 deficiency Effects 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000008054 signal transmission Effects 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims description 2
- 230000003111 delayed effect Effects 0.000 claims 1
- 238000012360 testing method Methods 0.000 description 9
- 238000004088 simulation Methods 0.000 description 5
- 238000013441 quality evaluation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0852—Delays
- H04L43/0858—One way delays
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
- H04L65/80—Responding to QoS
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Multimedia (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开一种语音通话质量检测方法,涉及语音通话质量检测领域,解决的技术问题是无法精确的对语音通话进行质量检测。采用的方法是:通过语音数据采集模块提取语音通话数据包传递给语音数据处理模块进行监听与维护分析,同时在接收端采用正弦分析算法对所接收到的离散正弦序列进行分析;语音质量检测模块调用E‑Model模型计算全面的语音通话传输质量;把E‑Model模型计算求得的值映射到MOS模型中得到语音通话质量的评分;本发明更加准确的测量了时延,减小了R的偏差,提高了语音通话质量检测的准确性。
Description
技术领域
本发明涉及通信领域,且更具体地涉及一种语音通话质量检测方法。
背景技术
随着电话网络规模和流量飞速增长,所面临的重要问题就是基于IP网络尽力而为的特质,带来了时延、抖动、丢包等一系列问题,使得语音通话质量得不到保证,语音通话质量对网络业务来说至关重要,低劣的语音质量可能会导致客户体验不佳从而流失大量客户,要保证语音通话质量,就必须对语音通话进行实时检测,语音通话质量检测的有效性取决于对语音通话数据的评估分析。
目前通信运营商所采用的测试设备,大多是进口设备,价格昂贵,单台价格在百万左右,设备专业化程度过高,不能普及使用,网络优化等待用户投诉、仅靠场强分析,人工的用户满意度与网络参数独立,因此市场迫切需要一种廉价的、能够进行大范围布设的终端通话质量测评系统;评价语音通话系统性能的指标有很多方面,其中最根本的指标是系统输出语音质量,系统输出的语音质量评价分为主观评价和客观评价两种,主观评价算法主要是评价评定得分法(Mean Opinion Sorce,MOS模型),目前比较成熟的客观评价算法有:感知语音质量测量法(Perceptual Speech Quality Measurement,PSQM)和感知话音评估法(Perceptual Evaluation of Speech Quality,PESQ),PEQM只适用于音频编码器的评估,PESQ只适用于测量单向语音的失真和噪声,对于响度降低、时延、回声等方面和双边交互相关的,都无法评测。
发明内容
针对上述技术的不足,本发明公开一种语音质量检测方法,能够实时对语音通话质量进行精准的检测。
为了实现上述技术效果,本发明采用以下技术方案:
一种语音通话质量检测方法,包括以下步骤:
步骤一:当语音通话建立成功时,通过语音数据采集模块提取语音通话数据包传递给语音数据处理模块进行监听与维护分析,同时在接收端采用正弦分析算法对所接收到的离散正弦序列进行分析;
步骤二:语音质量检测模块调用E-Model模型计算全面的语音通话传输质量;
步骤三:把E-Model模型计算求得的值映射到MOS模型中得到语音通话质量的评分。
在本发明的进一步技术方案中,影响语音通话质量的主要因素有语音编解码器造成的损伤、网络传输丢包、数据包延迟和失序造成的抖动和网络传输延迟。
在本发明的进一步技术方案中,所述语音数据采集模块基于INET socket层搭建,连接网卡,采集由网卡捕获得到的数据报文拷贝,提取出语音通话数据包。
在本发明的进一步技术方案中,所述语音数据处理模块先解析语音通话媒体协商信息,确定此次通话的特征值如通信端口、媒体传输协议等,获取实时传输协议包头,同时打上时间戳,之后根据特征值将同一个会话的语音流控制头加入链表的尾部,该链表为双向链表结构,在系统初始化时分配,由本模块维护,在通话结束时将语音流控制头的链表头传入语音质量检测模块。
在本发明的进一步技术方案中,所述接收端采用正弦分析算法对接收到的语音数据包的离散正弦序列进行分析,判断发出的语音数据包是否存在静默、断续、呼损等现象,能更加详细的鉴别不同类型的语音通话质量问题;正弦分析算法实质上就是利用一对拨测终端进行双向测试:在建立通话连接后,由一端发送约定频率的正弦波,在另一端对所收到的信号采样得到离散信号序列并进行分析,判断是否包含发出的正弦波,进而判断是否有单通、静默、回音、串话、延迟等常见语音故障现象;对离散信号序列的正弦分析过程具体步骤如下:
S1.建立通话:首先建立通话链路,使发送端和接收端在时间上达成同步,然后发送端发送样本信号,接收端采集样本信号,样本信号为事先约定频率的正弦波;
S2.数据采集:接收端通过8KHz采样频率采集接收到的样本信号,并以每10ms采集的数据为一组,本次质量检测一共采集100组数据;
S3.数据计算:对采集的100组数据,计算每组数据的幅度均值、幅度均方差、周期均值、周期均方差;
S4.判定每个分组的数据性质:是否静默、是否为事先约定频率(1KHz)的正弦波,方法是将上述计算所得分组数据的幅度均值、幅度均方差、周期均值、周期均方差与所设定的阈值进行比较,进而判定是否为所发出的正弦波;
S5.信道质量分组统计:将100组样本信号的幅度均值、幅度均方差、周期均值、周期均方差和设定阈值进行比较,并分组统计出接收到完整的样本信号(1KHz正弦波)分组数、静默分组数、断续分组数、回音分组数、串话分组数等,进而为语音质量检测模块判断语音通话链路的通话质量提高效率。
在本发明的进一步技术方案中,所述语音质量检测模块完成对各个会话的语音流控制头分析从而计算出通话语音质量:首先从语音数据处理模块中获取语音流控制头链表头,之后遍历语音流控制头链表分析每个语音控制头,从中获取语音流的信息,然后将各个损伤值带入E-Model模型的公式得到R值,最后通过映射到MOS模型得到MOS评分结果。
在本发明的进一步技术方案中,所述E-Model模型是一种基于样本的客观评估方法,E-Model模型关注语音数据全面的语音通话质量损伤因素,E-Model模型用来作为算法最终结果的是R值,R值的基本计算公式如下:
R=Ro-IS-Id-Ie-eff+A (1)
公式(1)中,R表示全面的语音通话传输质量性能指数,Ro表示基本信噪比,也就是无网络延时和设备损伤因素的基本信号与收发噪声以及电流、背景噪声之比,IS表示与语音通话信号同时出现的所有损伤的组合,Id表示由于语音通话信号传输延迟造成的损伤,Ie-eff表示有效的网络传输设备损伤系数,主要有编解码器对语音的损伤和语音通话数据包丢失带来的损伤;A是获益系数,通常设为0;其中Id作为影响语音通话传输质量的主要因素,当网络出现较大时延时,语音通话质量急剧下降,本发明提出基于最大似然估计的单向时延测量方法,提高了单向时延测量精度,具体算法如下,假设探测包i在发送端的发送时刻为ti,若以发送端时钟为基准,探测包i的单向时延为di,那么有以下关系:
Di=(α-1)(ti-t1)+θ+di (2)公式(2)中,
Di表示探测包收发时间戳之间测量的单向时延,α表示两端时钟频率之比,θ表示测量开始时两端的时钟偏移即初始时间偏差,由公式(2)能够看出单向时延的测量值di与α和θ有关,在时钟不同步的情况下即α≠1,θ≠0时,直接测量的单向时延与真实的单向时延存在误差,因此语音传输质量的检测需要考虑收发端的时钟是否同步,对于时钟不同步的单向时延测量,需要对时钟频率比α和初始时间偏差θ进行估计以减小测量误差,进而为无线网络语音传输质量检测系统提供有效的测量评价依据;
假设发送端的时钟为CA(t),接收端时钟为CB(t),两端的时钟频率比α=CB(t)/CA(t),收发端的时钟偏移为CB(t)-CA(t),收发两端各自按照本地时钟周期性地以相同间隔ΔT发送大小不同的两种探测包,在每次同步测量过程中,第二个探测包的大小为第一个的α倍,两个探测包的发送间隔为Δt,测量开始时收发两端的时钟偏移θ=tB-tA,发送端在CA(0)时刻发送第一个小的探测包,经Δt后发送第一个大的探测包,之后两种类型的探测包被发送端根据其本地时钟CA(t)以相同的发送间隔ΔT周期性地注入网络中,同理,接收端在CB(0)时刻接收到第一个探测包后,按照CB(t)以间隔ΔT周期性地发送两种探测包,两种探测包的发送间隔为Δt,在第i次同步测量过程中,两种探测包在接收端的接收时刻分别为CB(i-1)、Cb(i-1),在发送端的接收时刻分别为C′A(i-1)、C′a(i-1);根据以上能够得到时钟频率比α的最大似然估计:
公式(3)中,时延变化量近似服从高斯分布N,所以用高斯分布替代i,通过对探测包的接收时刻和两端已知的周期性发送间隔ΔT能够对α进行有效估计,且α近似为收发端的探测时间比,因此,随着同步测量次数的增加,α的估计值精度也会逐渐逼近真实的时钟频率比;
由收发端的初始时间偏差θ=tB-CA(0),能够通过估计开始测量时接收端对应的时刻tB进而估计θ,假设发送端对应于接收端发送第一个探测包的时刻为t′A,由于单向时延的量级一般为毫秒级,且两端时钟频差较小,在毫秒量级内时钟频差引起的时钟偏移可以忽略不计,可认为tA与t′A时刻收发端的时钟偏差相同,则有:
θ=tB-CA(0)=CB(0)-t′A(4)
公式(4)发送端在CA(0)时刻发送第一个小的探测包,经Δt后发送第一个大的探测包,之后两种类型的探测包被发送端根据其本地时钟CA(t)以相同的发送间隔ΔT周期性地注入网络中,同理,接收端在CB(0)时刻接收到第一个探测包后,按照CB(t)以间隔ΔT周期性地发送两种探测包,两种探测包的发送间隔为Δt,对于第i次同步测量,假设小探测包正向时延的固定部分为d,小探测包反向时延的固定部分为l,假设随机时延服从高斯分布N,N次同步测量后,得到d、l的最大似然估计,从而得到tB的最大似然估计为:
公式(5)中,分别表示收发端探测包的接收时刻观测值的平均值,α为收发端的探测时间比;
通过对α和θ的估算,可以进一步得到精准的时延Id,减小R的误差;
公式(1)中的Ie-eff具体算法如下:
Ie-eff=Ie+(95-Ie)·Ppl/(Ppl/BurstR+Bpl) (6)
公式(6)中,Ie表示采用低比特率编解码器的设备损伤系数,Bpl表示语音通话数据包丢失强度系数,是依赖于编解码器的特定值,Ppl表示随机数据包丢失概率,BurstR表示语音通话数据包丢失突发比,通过对Ie-eff的深度计算,能够得到更精准的R值,整体提高语音通话质量检测准确度。
在本发明的进一步技术方案中,所述MOS模型是一种主观的语音质量评价方式,根据用户接听电话之后给出语音质量好坏的评分,MOS值评分结果是1~5之间,越接近5表明通话质量越好,由于MOS评分需要大量人力进行评分,在实际生活中开展起来工作量大并且不适合大规模开展,所以通过E-Model模型客观评估,最终映射到MOS模型中得到语音通话质量评分,MOS模型与E-Model模型中的R值转换关系式为:
MOS=1+0.035R+7R(R-60)(100-R)×10-6(7)
公式(7)中,MOS表示MOS模型的平均主观值,其值是1~5之间的数,具体评分标准如下:
(1)劣,用户满意度极差,语音通话听不懂,交流不通;
(2)差,用户满意度勉强,语音通话听不太清,时延大,有令人非常烦恼的噪声或者失真,需要重复多次交流;
(3)中,用户满意度还可以,语音通话听不太清,有一定时延,能感受到令人烦恼的噪声或者失真,能够交流;
(4)良,用户满意度稍差,语音通话听得清楚,时延小,能感受到轻微噪声或者失真,交流欠缺流畅,
(5)优,用户满意度很好,语音通话听得清楚,时延几乎没有,几乎无噪声和失真,交流流畅。
在本发明的进一步技术方案中,一种计算机设备,包括存储器、处理器以及存储在存储器上并能够在处理器上运行的计算机程序,所述处理器运行所述计算机程序时能够实现权利要求1所述的语音通话质量检测方法。
本发明有益的积极效果在于:本发明对单向时延进行了深度精确的测量,减小了R值的误差,提高了语音通话质量检测的准确性,并采用了正弦分析算法,减小了单通、静默等带来的通话质量影响。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图,其中:
图1为本发明语音通话质量检测方法流程图;
图2为本发明语音数据处理模块示意图;
图3为本发明语音质量检测模块工作流程图;
图4为本发明时延偏差仿真图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的实施例仅用于说明和解释本发明,并不用于限定本发明。
如图1所示,一种语音通话质量检测方法:
一种语音通话质量检测方法,包括以下步骤:
步骤一:当语音通话建立成功时,通过语音数据采集模块提取语音通话数据包传递给语音数据处理模块进行监听与维护分析,同时在接收端采用正弦分析算法对所接收到的离散正弦序列进行分析;
在具体实施例中,所述语音通话质量涵盖QQ语音、微信语音、YY语音等网络语音通话业务质量,电话语音业务以及移动语音业务质量等,尤其针对移动语音业务质量,本发明实施例中,发送端和接收端均为具备语音通话功能的移动终端,尤其指手机终端,在通话网络的网络优化、故障处理、解决用户投诉的过程中,语音通话质量检测尤为重要,传统的语音通话质量检测在用户投诉后进行检测不仅需要耗费大量时间,也很难及时做到对通话链路质量的优化。
在具体实施例中,所述语音数据采集模块基于INET socket层搭建,连接网卡,采集由网卡捕获得到的数据报文拷贝,提取出语音通话数据包。
如图2所示,所述语音数据处理模块先解析语音通话媒体协商信息,确定此次通话的特征值如通信端口、媒体传输协议等,获取实时传输协议包头,同时打上时间戳,之后根据特征值将同一个会话的语音流控制头加入链表的尾部,该链表为双向链表结构,在系统初始化时分配,由本模块维护,在通话结束时将语音流控制头的链表头传入语音质量检测模块。
在具体实施例中,所述接收端采用正弦分析算法对接收到的语音数据包的离散正弦序列进行分析,判断发出的语音数据包是否存在静默、断续、呼损等现象,能更加详细的鉴别不同类型的语音通话质量问题;正弦分析算法实质上就是利用一对拨测终端进行双向测试:在建立通话连接后,由一端发送约定频率的正弦波,在另一端对所收到的信号采样得到离散信号序列并进行分析,判断是否包含发出的正弦波,进而判断是否有单通、静默、回音、串话、延迟等常见语音故障现象;对离散信号序列的正弦分析过程具体步骤如下:
S1.建立通话:首先建立通话链路,使发送端和接收端在时间上达成同步,然后发送端发送样本信号,接收端采集样本信号,样本信号为事先约定频率的正弦波;
S2.数据采集:接收端通过8KHz采样频率采集接收到的样本信号,并以每10ms采集的数据为一组,本次质量检测一共采集100组数据;
S3.数据计算:对采集的100组数据,计算每组数据的幅度均值、幅度均方差、周期均值、周期均方差;
S4.判定每个分组的数据性质:是否静默、是否为事先约定频率(1KHz)的正弦波,方法是将上述计算所得分组数据的幅度均值、幅度均方差、周期均值、周期均方差与所设定的阈值进行比较,进而判定是否为所发出的正弦波;
S5.信道质量分组统计:将100组样本信号的幅度均值、幅度均方差、周期均值、周期均方差和设定阈值进行比较,并分组统计出接收到完整的样本信号(1KHz正弦波)分组数、静默分组数、断续分组数、回音分组数、串话分组数等,进而为语音质量检测模块判断语音通话链路的通话质量提高效率。
步骤二:语音质量检测模块调用E-Model模型计算全面的语音通话传输质量;
在具体实施例中,E-Model模型又被称为“用于传输规划的计算机模型”,被用作通用的传输性能等级模型,E-Model模型能够帮助通信网络设计者在避开网络整个工程设计的情况下保证用户获得满意的端到端传输性能,E-Model模型的原始输出是性能等级系数R,但是它可以被转换得到客户意见的评估,相对于其他评估模型,E-Model模型实现起来相对简单也足够准确,比较适用于被动评估这种轻量级、实时性的应用,因此可以通过扩展E-Model模型求解时延和损伤得到更为准确的R。
如图3所示,所述语音质量检测模块完成对各个会话的语音流控制头分析从而计算出通话语音质量:首先从语音数据处理模块中获取语音流控制头链表头,之后遍历语音流控制头链表分析每个语音控制头,从中获取语音流的信息,然后将各个损伤值带入E-Model模型的公式得到R值,最后通过映射到MOS模型得到MOS评分结果。
在具体实施例中,所述E-Model模型是一种基于样本的客观评估方法,E-Model模型关注语音数据全面的语音通话质量损伤因素,E-Model模型用来作为算法最终结果的是R值,R值的基本计算公式如下:
R=Ro-IS-Id-Ie-eff+A (1)
公式(1)中,R表示全面的语音通话传输质量性能指数,Ro表示基本信噪比,也就是无网络延时和设备损伤因素的基本信号与收发噪声以及电流、背景噪声之比,Is表示与语音通话信号同时出现的所有损伤的组合,Id表示由于语音通话信号传输延迟造成的损伤,Ie-eff表示有效的网络传输设备损伤系数,主要有编解码器对语音的损伤和语音通话数据包丢失带来的损伤;A是获益系数,通常设为0;其中Id作为影响语音通话传输质量的主要因素,当网络出现较大时延时,语音通话质量急剧下降。
在具体实施例中,无线网络语音传输质量检测系统需要获取端到端的单向时延性能参数,而单向时延的测量精度受限于收发端的时钟是否同步,因此,为了对网络语音传输质量的监测,需要对收发端的时钟同步进行估计,进而获取精确的单向时延。一般收发端的时钟频率非常接近,目前工艺可以实现时钟频率偏差不大于10-4且时钟频率抖动较小,因此在本发明中假设时钟频率在整个测量过程中是固定的,假设两端时钟频率比为在测量开始时两端的时钟偏移称为初始时间偏差,单向时延测量主要是通过主动方式进行端到端的测量,利用探测报文收发时间戳的差值进行计算;然而,当收发端时钟不同步时,单向时延的测量值存在一定误差,且误差随收发端时钟偏移的增大而增大。
本发明提出了双向测量方法对时延进行测量,提高了单向时延测量精度,具体算法如下,假设探测包i在发送端的发送时刻为ti,若以发送端时钟为基准,探测包i的单向时延为di,那么有以下关系:
Di=(α-1)(ti-t1)+θ+di (2)公式(2)中,
Di表示探测包收发时间戳之间测量的单向时延,α表示两端时钟频率之比,θ表示测量开始时两端的时钟偏移即初始时间偏差,由公式(2)能够看出单向时延的测量值di与α和θ有关,在时钟不同步的情况下即α≠1,θ≠0时,直接测量的单向时延与真实的单向时延存在误差,因此语音传输质量的检测需要考虑收发端的时钟是否同步,对于时钟不同步的单向时延测量,需要对时钟频率比α和初始时间偏差θ进行估计以减小测量误差,进而为无线网络语音传输质量检测系统提供有效的测量评价依据;
在具体实施例中,端到端的单向时延是指数据包在传输过程中所经历的时间,将单向时延定义为从源节点发送数据包的第一个比特开始到目的节点完全接收该数据包为止所经历的时间。由于工艺和材料等原因,时钟的运行速率并不完全相同,导致不同时钟之间存在一定偏差。单向时延测量的误差主要来源于收发端的时钟偏移和时钟频差。时钟偏移指的是在某时刻收发两端时钟间的时间偏差,时钟频差指的是在某时刻收发两端时钟频率的偏差。
假设发送端的时钟为CA(t),接收端时钟为CB(t),两端的时钟频率比α=CB(t)/CA(t),收发端的时钟偏移为CB(t)-CA(t),收发两端各自按照本地时钟周期性地以相同间隔ΔT发送大小不同的两种探测包,在每次同步测量过程中,第二个探测包的大小为第一个的α倍,两个探测包的发送间隔为Δt,测量开始时收发两端的时钟偏移θ=tB-tA,发送端在CA(0)时刻发送第一个小的探测包,经Δt后发送第一个大的探测包,之后两种类型的探测包被发送端根据其本地时钟CA(t)以相同的发送间隔ΔT周期性地注入网络中,同理,接收端在CB(0)时刻接收到第一个探测包后,按照CB(t)以间隔ΔT周期性地发送两种探测包,两种探测包的发送间隔为Δt,在第i次同步测量过程中,两种探测包在接收端的接收时刻分别为CB(i-1)、Cb(i-1),在发送端的接收时刻分别为C′A(i-1)、C′a(i-1);根据以上能够得到时钟频率比α的最大似然估计:
公式(3)中,时延变化量近似服从高斯分布N,所以用高斯分布替代i,通过对探测包的接收时刻和两端已知的周期性发送间隔ΔT能够对α进行有效估计,且α近似为收发端的探测时间比,因此,随着同步测量次数的增加,α的估计值精度也会逐渐逼近真实的时钟频率比;
在具体实施例中,时钟频差的存在使得单向时延的测量误差随着测量时间的增加而逐渐积累,为了对时钟频率比进行估计,通过分析探测包接收时间的变化分析与测量时间的关系。由于收发端共享相同的发送间隔,对于第i次同步测量,排队时延近似服从高斯分布,建立联合似然函数,得到更为精确的时钟频率比。
由收发端的初始时间偏差θ=tB-CA(0),能够通过估计开始测量时接收端对应的时刻tB进而估计θ,假设发送端对应于接收端发送第一个探测包的时刻为t′A,由于单向时延的量级一般为毫秒级,且两端时钟频差较小,在毫秒量级内时钟频差引起的时钟偏移可以忽略不计,可认为tA与t′A时刻收发端的时钟偏差相同,则有:
θ=tB-CA(0)=CB(0)-t′A (4)
公式(4)发送端在CA(0)时刻发送第一个小的探测包,经Δt后发送第一个大的探测包,之后两种类型的探测包被发送端根据其本地时钟CA(,)以相同的发送间隔ΔT周期性地注入网络中,同理,接收端在CB(0)时刻接收到第一个探测包后,按照CB(t)以间隔ΔT周期性地发送两种探测包,两种探测包的发送间隔为Δt,对于第i次同步测量,假设小探测包正向时延的固定部分为d,小探测包反向时延的固定部分为l,假设随机时延服从高斯分布N,N次同步测量后,得到d、l的最大似然估计,从而得到tB的最大似然估计为:
公式(5)中,分别表示收发端探测包的接收时刻观测值的平均值,α为收发端的探测时间比;通过对α和θ的估算,可以进一步得到精准的时延Id,减小R的误差;
在具体实施例中,直接测量的单向时延与真实的单向时延存在误差,该误差随测量数据的增加而逐渐积累增大,同时测量误差随着测量时间的推移而呈现线性增加的趋势,在较短测量时间内,较小的α引起的时间偏差相对于单向时延非常小,单向时延的测量误差主要由θ决定,而对于较长测量时间,由于时钟频差的存在,使得时间偏差逐渐增大,导致测量误差逐渐增加。
Ie-eff具体算法如下:
Ie-eff=e+(95-Ie)·Ppl/(Ppl/BurstR+Bpl) (6)
公式(6)中,Ie表示采用低比特率编解码器的设备损伤系数,Bpl表示语音通话数据包丢失强度系数,是依赖于编解码器的特定值,Ppl表示随机数据包丢失概率,BurstR表示语音通话数据包丢失突发比,通过对Ie-eff的深度计算,能够得到更精准的R值,整体提高语音通话质量检测准确度。
在具体实施例中,E-Model模型的参数已有通用的估算方法,要么从童话终端所交换的控制协议扩展报告中提取,要么运用模拟器件的特征值参与计算,然而更为准确的计算Ie-eff确存在很大的变化,即便是现有的公式也在随着行业认识的深入而不断变化,因此不同的服务商估算丢包概率和突发比的模型也不相同,本发明中采用了马尔科夫模型分别计算随机信息包丢失概率和突发比建模,更为精准的得到了Ie-eff系数。
步骤三:把E-Model模型计算求得的值映射到MOS模型中得到语音通话质量的评分。
在具体实施例中,所述MOS模型是一种主观的语音质量评价方式,根据用户接听电话之后给出语音质量好坏的评分,MOS值评分结果是1~5之间,越接近5表明通话质量越好,由于MOS评分需要大量人力进行评分,在实际生活中开展起来工作量大并且不适合大规模开展,所以通过E-Model模型客观评估,最终映射到MOS模型中得到语音通话质量评分,MOS模型与E-Model模型中的R值转换关系式为:
MOS=1+0.035R+7R(R-60)(100-R)×10-6 (7)
公式(7)中,MOS表示MOS模型的平均主观值,其值是1~5之间的数,具体评分标准如下:
(1)劣,用户满意度极差,语音通话听不懂,交流不通;
(2)差,用户满意度勉强,语音通话听不太清,时延大,有令人非常烦恼的噪声或者失真,需要重复多次交流;
(3)中,用户满意度还可以,语音通话听不太清,有一定时延,能感受到令人烦恼的噪声或者失真,能够交流;
(4)良,用户满意度稍差,语音通话听得清楚,时延小,能感受到轻微噪声或者失真,交流欠缺流畅,
(5)优,用户满意度很好,语音通话听得清楚,时延几乎没有,几乎无噪声和失真,交流流畅。
在具体实施例中,传统的MOS评分中,MOS盒为核心设备,MOS盒与PC和手机通过无线网络连接,PC控制MOS盒的放音,放音文件通过音频线放至主叫手机,主叫手机经过信号处理,通过网络传输将信号传输至被叫手机,被叫手机对接收到的信号做相应的处理,最终通过音频线输入至MOS盒,MOS进行录音。最后PC端调用相应MOS算法将放音文件和录音文件进行比对,计算出MOS值;而本发明的质量评估方法中采用云端测试的方式,即手机端通过网络与云服务端连接,云服务端对手机进行测试控制,整个测试过程在现网进行,语音数据采集模块采集语音通话信息,交由语音数据处理模块进行监听维护与分析,然后又语音质量检测模块进行语音通话质量打分,此种实现方案手机不需要连接语音质量测试设备(如MOS盒),手机只要能接入到网络即可(即能正常的拨打电话和正常上网即可),且通话双方手机可以分布在不同的小区或跨省市地区;云端语音质量打分平台可同时为多路语音进行评分,提高语音质量检测算法的使用率。
在具体实施例中,影响语音通话质量的主要因素有语音编解码器造成的损伤、网络传输丢包、数据包延迟和失序造成的抖动和网络传输延迟。
在具体实施例中,一种计算机设备,包括存储器、处理器以及存储在存储器上并能够在处理器上运行的计算机程序,所述处理器运行所述计算机程序时能够实现权利要求1所述的语音通话质量检测方法。
本发明对于语音通话质量检测方法的实验,通过在某运营商分公司区域内进行搭建,并分别采用PSQM、PEQM和本方法对语音通话质量进行检测,得到语音通话质量检测结果如表1所示:
表1语音通话质量检测能力
通过表1数据分析,PSQM检测的语音通话数量为10000个,检测结果无误的有9741个,PEQM检测的语音通话数量为10000个,检测结果无误的有9839个,本方法检测的语音通话数量为10000个,检测结果无误的有9962个,通过数据显示,本方法对语音通话质量检测的准确率更高。
为了验证网络语音传输质量监测系统中单向时延测量方法估计α、θ模型的合理性和适用性,在相同的仿真环境中,比较α、θ的估计值与真实值的偏差,并将偏差值大小作为时钟同步估计性能的评判标准,如其中各链路带宽为100Mbps,链路时延为10ms,路由队列类型为FIFO,队列大小为50,网络负载为固定比特流和Pareto分布的混合背景流量,相邻探测包发送间隔Δt为30ms,发送周期ΔT为3s,并将本方法仿真结果与采用单向周期性探测的同步方法进行比较,仿真结果如图4所示。由图4可以看出,本方法相对单向测量时延偏差远远低于单向测量的时延误差,本方法精度更高,误差更小。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些具体实施方式仅是举例说明,本领域的技术人员在不脱离本发明的原理和实质的情况下,可以对上述方法和细节进行各种省略、替换和改变。例如,合并上述方法步骤,从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此,本发明的范围仅由所附权利要求书限定。
Claims (9)
1.一种语音通话质量检测方法,其特征在于,包括以下步骤:
步骤一:当语音通话建立成功时,通过语音数据采集模块提取语音通话数据包,并传递给语音数据处理模块进行监听与维护分析,同时在接收端采用正弦分析算法对所接收到的离散正弦序列进行分析;
步骤二:语音质量检测模块调用E-Model模型计算全面的语音通话传输质量;
步骤三:把E-Model模型计算求得的值映射到MOS模型中得到语音通话质量的评分。
2.根据权利要求1所述的一种语音通话质量检测方法,其特征在于:
语音数据采集模块提取语音通话数据包时,其中影响语音通话质量的主要因素包含语音编解码器造成的损伤、网络传输丢包、数据包延迟和失序造成的抖动和网络传输延迟。
3.根据权利要求1所述的一种语音通话质量检测方法,其特征在于:
所述语音数据采集模块基于INET socket层搭建,通过连接网卡,进而采集由网卡捕获得到的数据报文拷贝,并提取出语音通话数据包。
4.根据权利要求1所述的一种语音通话质量检测方法,其特征在于:
所述语音数据处理模块先解析语音通话媒体协商信息,确定此次通话的特征值,其中特征值为通信端口或者媒体传输协议,及时获取实时传输协议包头,同时打上时间戳,之后根据特征值将同一个会话的语音流控制头加入链表的尾部,该链表为双向链表结构,在系统初始化时分配,由本模块维护,在通话结束时将语音流控制头的链表头传入语音质量检测模块。
5.根据权利要求1所述的一种语音通话质量检测方法,其特征在于:
所述接收端采用正弦分析算法对接收到的语音数据包的离散正弦序列进行分析,判断发出的语音数据包是否存在静默、断续或者呼损,进而详细地鉴别不同类型的语音通话质量问题;在建立通话连接后,由一端发送约定频率的正弦波,在另一端对所收到的信号采样得到离散信号序列并进行分析,判断是否包含发出的正弦波,进而判断是否有单通、静默、回音、串话或者延迟语音故障现象;其中对离散信号序列的正弦分析过程具体步骤如下:
S1.建立通话,首先建立通话链路,使发送端和接收端在时间上达成同步,然后发送端发送样本信号,接收端采集样本信号,样本信号为事先约定频率的正弦波;
S2.数据采集,接收端通过8KHz采样频率采集接收到的样本信号,并以每10ms采集的数据为一组,质量检测一共采集100组数据;
S3.数据计算,对采集的100组数据,计算每组数据的幅度均值、幅度均方差、周期均值、周期均方差;
S4.判定每个分组的数据性质:是否静默、是否为事先约定频率的正弦波,事先约定频率为1KHz,方法是将计算所得分组数据的幅度均值、幅度均方差、周期均值、周期均方差与所设定的阈值进行比较,进而判定是否为所发出的正弦波;
S5.信道质量分组统计,将100组样本信号的幅度均值、幅度均方差、周期均值、周期均方差和设定阈值进行比较,并分组统计出接收到完整的样本信号分组数、静默分组数、断续分组数、回音分组数和串话分组数,其中样本信号为1KHz正弦波,进而为语音质量检测模块判断语音通话链路的通话质量提高效率。
6.根据权利要求1所述的一种语音通话质量检测方法,其特征在于:
所述语音质量检测模块完成对各个会话的语音流控制头分析,从而计算出通话语音质量,方法为首先从语音数据处理模块中获取语音流控制头链表头,之后遍历语音流控制头链表分析每个语音控制头,从中获取语音流的信息,然后将各个损伤值带入E-Model模型的公式得到R值,最后通过映射到MOS模型得到MOS评分结果。
7.根据权利要求1所述的一种语音通话质量检测方法,其特征在于:
所述E-Model模型用来作为算法最终结果的是R值,R值的基本计算公式如下:
R=Ro-IS-Id-Ie-eff+A (1)
公式(1)中,R表示全面的语音通话传输质量性能指数,Ro表示基本信噪比,是无网络延时和设备损伤因素的基本信号与收发噪声以及电流、背景噪声之比,Is表示与语音通话信号同时出现的所有损伤的组合,Id表示由于语音通话信号传输延迟造成的损伤,Ie-eff表示有效的网络传输设备损伤系数,主要有编解码器对语音的损伤和语音通话数据包丢失带来的损伤;A是获益系数,通常设为0;其中Id作为影响语音通话传输质量的主要因素,当网络出现较大时延时,语音通话质量急剧下降,通过双向测量方法对时延进行测量,具体算法如下:
假设探测包i在发送端的发送时刻为ti,若以发送端时钟为基准,探测包i的单向时延为di,则存在关系式为:
Di=(α-1)(ti-t1)+θ+di (2)
公式(2)中,Di表示探测包收发时间戳之间测量的单向时延,α表示两端时钟频率之比,θ表示测量开始时两端的时钟偏移,所述时钟偏移通过时间偏差反映,由公式(2)能够看出单向时延的测量值di与α和θ有关,在时钟不同步的情况下,即α≠1,θ≠0时,直接测量的单向时延与真实的单向时延存在误差,因此语音传输质量的检测需要考虑收发端的时钟是否同步,对于时钟不同步的单向时延测量,需要对时钟频率比α和初始时间偏差θ进行估计以减小测量误差,进而为无线网络语音传输质量检测系统提供有效的测量评价依据;
假设发送端的时钟为CA(t),接收端时钟为CB(t),两端的时钟频率比α=CB(t)/CA(t),收发端的时钟偏移为CB(t)-CA(t),收发两端各自按照本地时钟周期性地以相同间隔ΔT发送大小不同的两种探测包,在每次同步测量过程中,第二个探测包的大小为第一个的α倍,两个探测包的发送间隔为Δt,测量开始时收发两端的时钟偏移θ=tB-tA,发送端在CA(0)时刻发送第一个小的探测包,经Δt后发送第一个大的探测包,之后两种类型的探测包被发送端根据其本地时钟CA(t)以相同的发送间隔ΔT周期性地注入网络中,同理,接收端在CB(0)时刻接收到第一个探测包后,按照CB(t)以间隔ΔT周期性地发送两种探测包,两种探测包的发送间隔为Δt,在第i次同步测量过程中,两种探测包在接收端的接收时刻分别为CB(i-1)、Cb(i-1),在发送端的接收时刻分别为C′A(i-1)、C′a(i-1);根据以上能够得到时钟频率比α的最大似然估计:
公式(3)中,时延变化量近似服从高斯分布N,所以用高斯分布替代i,通过对探测包的接收时刻和两端已知的周期性发送间隔ΔT能够对α进行有效估计,且α近似为收发端的探测时间比,因此,随着同步测量次数的增加,α的估计值精度也会逐渐逼近真实的时钟频率比;
由收发端的初始时间偏差θ=tB-CA(0),能够通过估计开始测量时接收端对应的时刻tB进而估计θ,假设发送端对应于接收端发送第一个探测包的时刻为t′A,由于单向时延的量级一般为毫秒级,且两端时钟频差较小,在毫秒量级内时钟频差引起的时钟偏移可以忽略不计,可认为tA与t′A时刻收发端的时钟偏差相同,则有:
θ=tB-CA(0)=CB(0)-t′A (4)
公式(4)发送端在CA(0)时刻发送第一个小的探测包,经Δt后发送第一个大的探测包,之后两种类型的探测包被发送端根据其本地时钟CA(t)以相同的发送间隔ΔT周期性地注入网络中,同理,接收端在CB(0)时刻接收到第一个探测包后,按照CB(t)以间隔ΔT周期性地发送两种探测包,两种探测包的发送间隔为Δt,对干第i次同步测量,假设小探测包正向时延的固定部分为d,小探测包反向时延的固定部分为l,假设随机时延服从高斯分布N,N次同步测量后,得到d、l的最大似然估计,从而得到tB的最大似然估计为:
公式(5)中,分别表示收发端探测包的接收时刻观测值的平均值,α为收发端的探测时间比;
通过对α和θ的估算,进一步得到精准的时延Id,减小R的误差;
公式(1)中的Ie-eff具体算法如下:
Ie-eff=Ie+(95-Ie)·Ppl/(Ppl/BurstR+Bpl) (6)
公式(6)中,Ie表示采用低比特率编解码器的设备损伤系数,Bpl表示语音通话数据包丢失强度系数,Ppl表示随机数据包丢失概率,BurstR表示语音通话数据包丢失突发比,通过对Ie-eff的深度计算,得到更精准的R值,进而整体提高语音通话质量检测准确度。
8.根据权利要求1所述的一种语音通话质量检测方法,其特征在于:
所述MOS模型根据用户接听电话之后给出语音质量好坏的评分,MOS值评分结果是1~5之间,越接近5,表明通话质量越好,由于MOS评分需要大量人力进行评分,映射到MOS模型中得到语音通话质量评分,MOS模型与E-Model模型中的R值转换关系式为:
MOS=1+0.035R+7R(R-60)(100-R)×10-6 (7)
公式(7)中,MOS表示MOS模型的平均主观值,平均主观值是1~5之间的数,具体评分标准如下:
(1)劣,用户满意度极差,语音通话听不懂,交流不通;
(2)差,用户满意度勉强,语音通话听不太清,时延大,有令人非常烦恼的噪声或者失真,需要重复多次交流;
(3)中,用户满意度还可以,语音通话听不太清,有一定时延,能感受到令人烦恼的噪声或者失真,能够交流;
(4)良,用户满意度稍差,语音通话听得清楚,时延小,能感受到轻微噪声或者失真,交流欠缺流畅,
(5)优,用户满意度很好,语音通话听得清楚,时延几乎没有,几乎无噪声和失真,交流流畅。
9.根据权利要求1-8任意一项所述的一种语音通话质量检测方法的计算机设备,其特征在于:
包括存储器、处理器以及存储在存储器上并能够在处理器上运行的计算机程序,所述处理器运行所述计算机程序时能够实现权利要求1-8任意一项所述的语音通话质量检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310837681.6A CN117061378A (zh) | 2023-07-07 | 2023-07-07 | 一种语音通话质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310837681.6A CN117061378A (zh) | 2023-07-07 | 2023-07-07 | 一种语音通话质量检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117061378A true CN117061378A (zh) | 2023-11-14 |
Family
ID=88659695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310837681.6A Pending CN117061378A (zh) | 2023-07-07 | 2023-07-07 | 一种语音通话质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117061378A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117650987A (zh) * | 2023-12-01 | 2024-03-05 | 上海勃傲自动化系统有限公司 | 以太网工业总线分析仪 |
-
2023
- 2023-07-07 CN CN202310837681.6A patent/CN117061378A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117650987A (zh) * | 2023-12-01 | 2024-03-05 | 上海勃傲自动化系统有限公司 | 以太网工业总线分析仪 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108389592B (zh) | 一种语音质量评价方法及装置 | |
Jelassi et al. | Quality of experience of VoIP service: A survey of assessment approaches and open issues | |
CN102075988B (zh) | 一种移动通信网络端到端语音质量故障定位系统及方法 | |
CA2560425C (en) | Determining quality of voice calls over a packet network | |
US9396738B2 (en) | Methods and apparatus for signal quality analysis | |
De Rango et al. | Overview on VoIP: Subjective and objective measurement methods | |
Rix | Perceptual speech quality assessment-a review | |
US8184537B1 (en) | Method and apparatus for quantifying, predicting and monitoring the conversational quality | |
CN103632680A (zh) | 一种语音质量评估方法、网元及系统 | |
EP1432137A2 (en) | Echo detection and monitoring | |
CN117061378A (zh) | 一种语音通话质量检测方法 | |
GB2424792A (en) | Bi-directional continuous voice and video quality testing system with TTMF tones | |
US8737571B1 (en) | Methods and apparatus providing call quality testing | |
KR100738162B1 (ko) | VoIP망에서의 양방향 대화형 통화품질 측정 방법 | |
CN107580155A (zh) | 网络电话质量确定方法、装置、计算机设备和存储介质 | |
CN108269589B (zh) | 用于通话的语音质量评估方法及其装置 | |
CN105933181A (zh) | 一种通话时延评估方法及装置 | |
CN103024794A (zh) | 通信业务质量检测方法和系统 | |
Jiang et al. | Research of monitoring VoIP voice QoS | |
CN1848872B (zh) | 移动核心网大话务量下的语音抽检测试方法及其装置 | |
Conway | Output-based method of applying PESQ to measure the perceptual quality of framed speech signals | |
CN109474940B (zh) | 业务质量检测方法及装置 | |
CN103532821B (zh) | 一种即时通讯软件音频传输延时对比测试方法及设备 | |
EP2127278B1 (en) | Method and system for estimating modem fax performance over packet networks | |
CN106714226A (zh) | 一种语音质量评估方法、装置及系统 |
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 |