VoIP語音質(zhì)量測量方法

1 引言 　　

近年來，隨著IP網(wǎng)絡(luò)技術(shù)的廣泛應(yīng)用，關(guān)于IP網(wǎng)絡(luò)所能提供的業(yè)務(wù)的服務(wù)質(zhì)量問題受到研究者們越來越多的關(guān)注，如何來對服務(wù)質(zhì)量進行科學(xué)可靠的測量與評價是網(wǎng)絡(luò)測量與網(wǎng)絡(luò)規(guī)劃設(shè)計中相當(dāng)關(guān)鍵的問題。VoIP作為下一代基于分組傳輸?shù)膮R聚業(yè)務(wù)網(wǎng)絡(luò)的先驅(qū)，其語音質(zhì)量的測量將為未來網(wǎng)絡(luò)的服務(wù)質(zhì)量測量提供參考與經(jīng)驗。 　　

2 VoIP語音特性對網(wǎng)絡(luò)性能的要求 　　

語音在IP網(wǎng)絡(luò)上的傳送，不同于傳統(tǒng)PSTN語音傳輸，它是采用語音編碼方式，將模擬話音數(shù)字化并打包后采用盡力投送的IP包傳送機制，通過IP網(wǎng)絡(luò)傳送到接收端，接收端收集數(shù)據(jù)包后語音解碼得到模擬話音。此外VoIP也與傳統(tǒng)的網(wǎng)絡(luò)應(yīng)用有許多的不同，例如，像FTP文件傳輸方式盡可能地占用網(wǎng)絡(luò)帶寬去快速地傳送文件；而ERP應(yīng)用程序則發(fā)送較少的數(shù)據(jù)，但是卻在發(fā)送者和接收者之間頻繁地交互數(shù)據(jù)流。相反，VoIP只占用很少的網(wǎng)絡(luò)帶寬，但是它不能容忍網(wǎng)絡(luò)的延時和變化。即使VoIP業(yè)務(wù)和傳統(tǒng)數(shù)據(jù)業(yè)務(wù)在同一網(wǎng)絡(luò)中實現(xiàn)，語音流和數(shù)據(jù)流也不能被同一方式處理，因為： 　　

（1）它們有不同的數(shù)據(jù)包大小 　　

（2）它們按照不同速率發(fā)送數(shù)據(jù)包 　　

（3）它們以不同的方式緩存和傳送數(shù)據(jù)包到目的地 　　

（4）它們必須滿足不同的用戶期望 　　

目前，大部分網(wǎng)絡(luò)并沒有準(zhǔn)備好為端到端的VoIP實施提供像PSTN一樣的語音質(zhì)量和可靠性�，F(xiàn)存的VoIP網(wǎng)絡(luò)主要實現(xiàn)了IP中繼，提供兩個遠距離的PSTN的廉價長途連接。以下的兩個主要VoIP的語音特性反映對網(wǎng)絡(luò)性能的具體需求： 　　

第一，VoIP利用RTP實時傳輸協(xié)議傳送數(shù)據(jù)。RTP是一個基于無連接UDP的應(yīng)用協(xié)議，UDP是無連接的，它不會對數(shù)據(jù)包的傳送提供應(yīng)答和跟蹤，這樣RTP也不會重新傳送網(wǎng)絡(luò)的丟包，這就要求網(wǎng)絡(luò)傳輸中應(yīng)盡可能減少數(shù)據(jù)包的丟失；此外，按照TCP的應(yīng)用協(xié)議，RTP也沒有直接的碰撞控制，以致于因為發(fā)送者發(fā)送太多太快的數(shù)據(jù)包，接收者將被淹沒。為了克服這個問題，RTP應(yīng)用程序總是以固定速率發(fā)送數(shù)據(jù)包，這就要求網(wǎng)絡(luò)能夠盡量以固定的速率傳輸數(shù)據(jù)包。 　　

第二，交互式會話不能容忍過大的延時。一個典型的電話會話依賴于發(fā)起者和接聽者之間的大量的交互，交互得越多，在會談中所能承受的延時則越小。這就要求數(shù)據(jù)包通過網(wǎng)絡(luò)的延時盡可能的小。 　　

由此可見語音在IP網(wǎng)絡(luò)上的傳輸需要考慮許多不同于傳統(tǒng)電話網(wǎng)絡(luò)和傳統(tǒng)數(shù)據(jù)網(wǎng)絡(luò)的因素，所有這些特性因素都將制約到VoIP的語音質(zhì)量。 　　

3 VoIP的語音質(zhì)量評價標(biāo)準(zhǔn) 　　

怎樣評判VoIP的語音質(zhì)量是好或是壞？當(dāng)然希望VoIP語音質(zhì)量與PSTN的一樣好，這也稱為Toll 級別，它是非常好的，但是事實并不一定是這樣的。在實施VoIP以前或以后，必須知道網(wǎng)絡(luò)能夠有怎樣的語音質(zhì)量，因此我們需要一些語音質(zhì)量的測量標(biāo)準(zhǔn)。從發(fā)明電話開始，語音質(zhì)量的測量方式是主觀的，人們摘起一個電話，然后由人耳來感知語音的好壞，這個方法是被廣泛認同的。在完善之后，這個主觀的語音質(zhì)量測量方法就是現(xiàn)在的平均主觀值MOS方法，定義在ITU-T P.800中。基于該主觀評測，人類接聽和感知語音質(zhì)量的行為被調(diào)研和量化，接聽何種級別質(zhì)量的語音，得到多少平均主觀值MOS，人類將起主要的反映作用。這個語音質(zhì)量和平均主觀值的對應(yīng)關(guān)系為網(wǎng)絡(luò)的配置、基準(zhǔn)和監(jiān)視提供了標(biāo)準(zhǔn)依據(jù)。 　　

一個平均主觀值MOS是4或更高，被認為是比較好的語音質(zhì)量，而若平均主觀值MOS低于3.6，則大部分接聽者不能滿意這個語音質(zhì)量。雖然平均主觀測試準(zhǔn)確有效，但是，這個主觀方法存在的最大問題就是，在現(xiàn)實中，讓一組人接聽語音和評價語音的質(zhì)量實現(xiàn)起來是非常困難和昂貴的，因此人們在不斷的探索能進行客觀測量的方法。 　　

現(xiàn)在許多客觀的測量方法已經(jīng)出現(xiàn)并被應(yīng)用，諸如，PSQM /PSQM+感知通話質(zhì)量測量[2]，PESQ感知評估通話質(zhì)量測量[3]，PAMS（英國電信）感知分析測量等。PSQM和PAMS測量方法都需要發(fā)送一個語音參考信號通過電話網(wǎng)絡(luò)，在網(wǎng)絡(luò)的另一端采用數(shù)字信號處理的方式比較樣本信號和接收到的信號，進而估算出網(wǎng)絡(luò)的語音質(zhì)量。PESQ結(jié)合了PSQM和PAMS的優(yōu)勢，針對VoIP和混合的端到端應(yīng)用作了改進，并針對MOS和MOS-LQ計算方法做了修改。最開始這些方法被用于測量編碼算法，后來也逐漸應(yīng)用到VoIP網(wǎng)絡(luò)系統(tǒng)的測量中，著名的測量儀器生產(chǎn)廠商Agilent的語音質(zhì)量測量儀器VQT即是代表。此外，有必要指出，平均主觀值MOS是廣泛認同的語音質(zhì)量標(biāo)準(zhǔn)，因此，無論采用何種方法所有測量方法都必須對應(yīng)它們的結(jié)果對應(yīng)到最終的平均主觀值MOS，以上各種方法均可以最終以MOS值表示。 　　

4 E-model測量方法的提出 　　

以上介紹的測量方法在實驗室能夠很好地應(yīng)用于分析個別設(shè)備的問題，例如，利用PSQM和PESQ分析話機的質(zhì)量。但是這些測量方法不適用于在數(shù)據(jù)網(wǎng)絡(luò)上分析語音質(zhì)量，是基于傳統(tǒng)的電話網(wǎng)絡(luò)。它們的缺點主要是，測量不是基于數(shù)據(jù)網(wǎng)絡(luò)的，不能反映諸如延時、抖動和丟包等數(shù)據(jù)網(wǎng)絡(luò)特有的問題，沒有考慮網(wǎng)絡(luò)故障對用戶感覺造成的影響，單純的從收發(fā)信號差異的角度分析網(wǎng)絡(luò)語音問題。為了克服這些缺點，國際電聯(lián)的G.107標(biāo)準(zhǔn)提出了E-model，它關(guān)注數(shù)據(jù)全面的網(wǎng)絡(luò)損傷因素，很好地適應(yīng)在數(shù)據(jù)網(wǎng)絡(luò)中語音質(zhì)量的評估。 　　

E-model的前提是假設(shè)語音質(zhì)量損傷因素總是物理附加的，簡單說來就是，如果諸如噪聲、回音、延時、編碼器性能、抖動等網(wǎng)絡(luò)損傷因素能夠被靈活的加入，那么網(wǎng)絡(luò)的一個全面客觀的質(zhì)量等級或稱為“呼叫者體驗”的因素就能夠被估計。 　　

4.1 E-model的基本算法公式及其與MOS值的對應(yīng) 　　

E-model用來作為算法最終結(jié)果的是R值，被稱為全面的網(wǎng)絡(luò)傳輸?shù)燃壱�素，取值范圍�?到100。R值的計算從沒有網(wǎng)絡(luò)和設(shè)備的損傷影響開始，此時語音質(zhì)量是最好的，R=Ro。Ro是無網(wǎng)絡(luò)延時和設(shè)備損傷因素的基本信號與收發(fā)噪聲以及電流、背景噪聲之比，即基本信噪比。但是因為網(wǎng)絡(luò)和設(shè)備損傷因素的存在，減少了通過網(wǎng)絡(luò)的語音質(zhì)量，R值的基本計算公式如下： 　　

R=Ro- Is-Id-Ie+A 　　

其中，Is：與語音信號傳輸同步的損傷 　　

Id：語音信號傳輸延時后的損傷 　　

Ie：由設(shè)備引入的損傷，例如編碼器損傷 　　

A：優(yōu)勢因素，致力于考慮呼叫者的期望因素，在大部分情況下，一般設(shè)置為0。 　　

由公式可知，全面的語音質(zhì)量（R值）的計算是通過首先估計一個連接的信噪比（Ro），然后從中減去網(wǎng)絡(luò)損傷（Is，Id，Ie），最后再用呼叫者對語音質(zhì)量的期望（A）進行補償后得到。實際應(yīng)用中，基本公式中的輸入Ro、Is、Id和Ie，每一個都需要考慮各種各樣的實際網(wǎng)絡(luò)損傷因素，通過非常復(fù)雜的數(shù)學(xué)計算而得到。 　　

前面已經(jīng)講過，任何的測量方法，最終都將對應(yīng)為MOS值標(biāo)準(zhǔn)，E-model也一樣。下面的曲線圖清楚的表示出了R值和平均主觀值MOS之間的映射關(guān)系。X軸表示E模型的R值，Y軸表示平均主觀值MOS。 　　

加入用戶的感知特性（以用戶滿意程度表示），進行語音質(zhì)量等級劃分，對應(yīng)R值和MOS值的范圍如下表所示。由于網(wǎng)絡(luò)數(shù)據(jù)與實際語音之間存在轉(zhuǎn)化過程，這樣固有的損耗使得R值最大只能到93.2，也就是平均主觀值MOS只有4.4。G.107的R值默認最大為94。 　　

4.2 語音編碼方式、延時、抖動和丟包對R值的影響 　　

網(wǎng)絡(luò)損傷的主要因素包括語音編碼、回聲、平均包延時，抖動和包丟失率�；芈暜a(chǎn)生于IP網(wǎng)絡(luò)與傳統(tǒng)PSTN相連處，在單一VoIP網(wǎng)絡(luò)內(nèi)部暫不討論。在一個僅由編碼、延時、抖動和丟包造成系統(tǒng)失真的情況下，R的計算公式可以簡化如下： 　　

R = Ro-Icodec-Idelay-Ipdv-Ipacketloss 　　

下面將討論這四個主要損傷因素對R值的影響。 　　

在語音處理中，編碼是以硬件或軟件的方式去采樣語音和決定數(shù)據(jù)包的速率。ITU標(biāo)準(zhǔn)定義了差不多十幾種編碼方式，每一種都有不同的特點。低速的編碼方式占用更少的帶寬，但是因為使用有損的壓縮算法，低速編碼更加削弱了語音質(zhì)量。在實際情況中，選擇低速的編碼方式能夠在相同的連接上建立更多的呼叫，但是引入了更大的延時，使語音質(zhì)量對丟包也更加敏感。因此選擇越低速率的編碼方式，將明顯地減少E模型的R值，當(dāng)然這也不是完全絕對的。下表顯示了一些常用的編碼方式對應(yīng)的Ie值和固有R值[4]。 　　

延時是指話音從發(fā)起者到接收者所經(jīng)過的時間[5]，一般而言，端到端的延時由以下四部分組成： 　　

（1）傳播延時：指話音從一端到另一端通過網(wǎng)絡(luò)的時間，由信號通過傳播媒介的速度和傳播的距離決定 　　

（2）傳送延時：指通過網(wǎng)絡(luò)路徑上的所有網(wǎng)絡(luò)設(shè)備的時間 　　

（3）包轉(zhuǎn)化延時：指的是編碼器進行數(shù)模轉(zhuǎn)化的時間 　　

（4）抖動緩沖延時：指的是在接收端用來保持一個或多個接收的數(shù)據(jù)包的時間，用來克服數(shù)據(jù)包到達時間的變化，也就是克服抖動產(chǎn)生的延時 　　

延時會引起語音會話過程的空白，帶來語音的變形和會話的中斷，也就是說，延時的增大導(dǎo)致了R值的減小。延時的時長在100~200ms之間開始被收聽者所察覺，使得會話不自然。建議的延時上限為150ms，若延時達到200ms則開始有嚴(yán)重的會話中斷。 　　

抖動，也叫做延時的變化，是指在一個VoIP呼叫過程中所有發(fā)送的數(shù)據(jù)包到達的時間差異。當(dāng)一個數(shù)據(jù)包發(fā)送時，發(fā)送端在RTP報文頭上增加一個時間戳；當(dāng)在另一端被接收時，接收端同樣增加另一個時間戳；計算這兩個時間戳可以得到這個數(shù)據(jù)包的通路時間。如果在一個呼叫中包含不同的通路時間，則存在抖動。在視頻應(yīng)用程序中，抖動表現(xiàn)為圖像閃動，而在電話呼叫中，它表現(xiàn)的效果與丟包產(chǎn)生的效果相似，某些字詞聽不清楚或錯誤。抖動的大小取決于數(shù)據(jù)包的通路時間的差異程度，差異程度越大，則抖動也越大。如果抖動值大于50ms，則平均主觀值MOS值劇烈地降低，認為是極差的語音質(zhì)量。通過增加抖動緩沖的數(shù)量，可以有效地降低抖動的影響，但是增加了一毫秒的抖動緩沖，則相應(yīng)增加了一毫秒的網(wǎng)絡(luò)延時。 　　

丟包是一個影響語音質(zhì)量的關(guān)鍵因素。數(shù)據(jù)包發(fā)送端和接收端之間的數(shù)據(jù)包數(shù)目的差值即為網(wǎng)絡(luò)傳輸丟失包數(shù)目。VoIP使用RTP實時傳輸協(xié)議傳輸語音數(shù)據(jù)包，雖然可以利用RTP報文頭的序列號檢查數(shù)據(jù)包的丟失和亂序，但是它并沒有重傳機制。任何丟包和亂序都將影響語音的質(zhì)量。網(wǎng)絡(luò)主要有兩種類型的丟包情況，一種是或多或少的隨機丟包，當(dāng)網(wǎng)絡(luò)保持沖突碰撞時，就會偶爾有一個或兩個數(shù)據(jù)包發(fā)生丟失；另一種是爆裂丟包，是指連續(xù)一個以上的數(shù)據(jù)包丟失，會顯著地影響語音質(zhì)量，明顯減小R值。當(dāng)少量的丟包是隨機地分布時，人耳并不容易感覺到較差的語音質(zhì)量。 　　

E-model測量方法正是將這些網(wǎng)絡(luò)的損傷因素充分予以考慮，以此作為對網(wǎng)絡(luò)語音質(zhì)量的全面?zhèn)鬏斣u估，真正意義上的研究了數(shù)據(jù)包化的語音呼叫的質(zhì)量問題。 　　

5 運用E-model對實時的VoIP網(wǎng)絡(luò)進行語音質(zhì)量測量 　　

一種E-model在實時網(wǎng)絡(luò)測量中的應(yīng)用[6]，就是測量幾個有限的E 模型參數(shù)，同時估計其它非測量參數(shù)，從而運算出反映網(wǎng)絡(luò)全面?zhèn)鬏斮|(zhì)量的R值。一種客觀的語音質(zhì)量測量輸出了MOS值，將該MOS值轉(zhuǎn)換為Ie參數(shù)，與此同時根據(jù)網(wǎng)絡(luò)信息查找E模型參數(shù)參考表得到非測量參數(shù)的值，最后將所有的參數(shù)進行運算，得到最終的反映全面質(zhì)量的R值。 　　

除此之外，有的測量儀器廠商設(shè)計的基于E-model的評估工具，能夠在數(shù)據(jù)網(wǎng)絡(luò)的軟件代理之間產(chǎn)生RTP數(shù)據(jù)流去模擬VoIP語音呼叫，每次這個模擬VoIP語音呼叫運行時，網(wǎng)絡(luò)延時，抖動和丟包將作為測量結(jié)果而被記錄，這個測量通過E-model計算公式得到一維的結(jié)果R值，然后再對應(yīng)到平均主觀值MOS。此時，并沒有真實的語音信號通過數(shù)據(jù)網(wǎng)絡(luò)，與以前的諸如VQT一類的測量儀器使用真實語音信號通過數(shù)據(jù)網(wǎng)絡(luò)的測量方法是完全不同的。 　　

6 結(jié)論 　　

評估語音質(zhì)量的國際電信聯(lián)盟的E-model標(biāo)準(zhǔn)，可以準(zhǔn)確地建立包丟失分布和最終用戶感覺模型，將包丟失分布與編碼器和時延等建立關(guān)系，以便給出一個單一的得分。該方法被視為在數(shù)據(jù)網(wǎng)絡(luò)中進行語音質(zhì)量評估具有相當(dāng)?shù)臏?zhǔn)確度。但是正如ITU-T G.107規(guī)范開頭所述“這樣的評估僅用于傳輸設(shè)計的目的，并非為了實際用戶評價預(yù)測（因為還沒有ITU-T建議的統(tǒng)一的模型）。”E-model相當(dāng)大數(shù)量的可能輸入?yún)��?shù)的組合情況還未經(jīng)過足夠的界內(nèi)驗證和充分的實驗室測量。許多對于傳輸設(shè)計具有高重要度的組合情況，E-model已經(jīng)可以被確信的應(yīng)用，但是對于其它的一些研究未涉及或不成熟的參數(shù)組合情況，E-model的估測仍處在置疑和研究的階段。

來源：www.voipchina.cn