简介：国际电信联盟P.862标准即感知语音质量评价（PESQ）的MATLAB实现与配套测试资源，面向语音处理、通信系统及网络优化领域的开发者和研究人员，用于客观评估语音信号质量。压缩包共8个文件，涵盖MATLAB实现函数、对应测试脚本、WAV与RAW格式的语音样本，以及说明文档和许可证文件，整体仅332KB，轻量易用。当前已有641人学习下载。资源提供可直接运行的PESQ评估代码，通过对比原始与处理后语音计算PESQ得分（1.0~4.5），并附带测试脚本用于验证运行环境；同时提供真实语音及噪声样本，省去自行制作实验数据的环节，能够降低上手门槛、提高评估效率。适用于语音编码器评估、网络性能监测、设备性能测试及语音增强技术验证等典型场景，既帮助初学者理解客观语音质量评价方法，也便于工程师在项目中快速集成使用。 做语音通话或者音视频质量测试的工程师，几乎都绕不开一个奇怪的编号：ITU-T P.862。如果你第一次见到它，可能以为是哪份法规条文，其实它是国际电信联盟在2001年发布的一份语音质量客观评估标准，背后那个算法就是很多人常说的PESQ——Perceptual Evaluation of Speech Quality。为什么这个标准如此常见？因为只要出现“语音质量”四个字，PESQ就有可能出现：VoIP通话清不清楚、语音编解码器有没有劣化、网络丢包对听感影响多大，都能用PESQ算出一个可复现的分数，替掉“请二十个人坐小黑屋里打分”的传统主观评测。
这篇文章适合三类人看：一是刚接触实验室语音质量测试的工程师，二是做VoIP、WebRTC、音视频SDK的质量保障同学，三是在算法迭代中需要快速判断“改动是否让声音变差”的开发者。我会从标准原理讲到实际操作，再讲一讲我在真实项目中踩过的坑，以及PESQ的边界到底在哪里。
1. P.862与PESQ：从主观听评到客观评分的转折
1.1 为什么会有P.862：主观评测的困局
要理解P.862的价值，得先知道它替代的是什么。在PESQ出现之前，行业里公认最靠谱的语音质量评估方式是ITU-T P.800规定的主观测试：找一群经过筛选的听评员，戴上耳机听录音，按1到5分给每段语音的质量打分，最后把所有人的分数取平均，得到所谓的MOS值。这个方法今天听上去很合理，实际操作却极其痛苦。
我记得第一次参与主观评测筹备，光筛选听评员就花了两周，每天要听几百段语音，耳朵疲劳后评分波动很大。而且一场完整的主观测试需要专门的听音室、统一的播放设备、严格的环境噪声控制，做完一轮下来成本高得离谱。更关键的是，算法团队迭代一个参数就要重新听一轮，周期根本跟不上。所以业界急需一种能用计算代替人耳的方法：给一段原始语音和一段经过系统处理后的语音，算法自动算出一个和主观MOS高度相关的分数，这就是P.862立项的初衷。
P.862也不是最早的客观评估方法，它的前身是ITU-T P.861，对应的算法叫PSQM。PSQM在评估纯编码器时还不错，但一旦遇上网络传输损伤，比如丢包、延迟抖动、电平变化，PSQM算出的分数就跟主观听感越走越远。P.862的目标很明确：做一个能在端到端场景下稳定预测主观MOS的客观模型，既要覆盖编码损失，也要覆盖VoIP网络损伤。
1.2 PESQ的突破口：建模人耳感知
PESQ全称是Perceptual Evaluation of Speech Quality，核心思想可以从名字里拆出来：Perceptual（感知）、Evaluation（评估）、Speech（语音）、Quality（质量）。它最重要的改变在于不再从波形层面直接比较两个信号的差异，而是先对信号做感知变换，让人脑对声音的主观感受尽可能对齐到可计算的数值上。
什么叫“感知变换”？你可以这样理解：人耳并不是一个精密的示波器，它对不同频率的敏感度差异很大。200Hz的低频稍微变弱一点，人耳几乎无感；但1kHz附近哪怕有3dB的抖动，耳朵马上就能察觉。传统的信噪比计算把所有频率一视同仁，所以算出来的数值和人耳感受常常对不上。PESQ的做法是把信号先映射到人耳听感对应的频带上，把幅度压成响度，再在这个“人类听觉空间”里做差异比较，最后把差异聚合成一个分数。
这个思路在当年是非常超前的。它相当于建立了一个能自动打分的“仿生耳朵模型”，把心理声学里的掩蔽效应、响度感知、频率选择性都装进了算法。正因为如此，P.862在很多场景下能输出和主观测试非常接近的结果，这也是它至今仍被广泛使用的原因。
2. 算法内部在算什么：PESQ双端感知模型拆解
2.1 时间对齐：先让两条信号站到同一条起跑线
PESQ计算时接收两个输入信号：一个是参考信号（通常是比较干净的原始语音），一个是系统输出的退化信号。听起来很简单，直接比较差异就行，但有一个大问题：两条信号在时间上往往对不上。
真实VoIP链路里，语音经过编码器、网络路由器、抖动缓冲后，会引入额外延迟，有时延迟还在随时间变化。如果直接把两条信号逐采样点相减，光是一个100毫秒的时延就会让差异变得巨大，但人耳听到这个时延并不会觉得质量差。所以在计算感知差异之前，算法必须先做时间对齐：把退化的信号在时间轴上“挪”回去，让它和参考信号对齐。
PESQ的对齐不是简单估一个全局延迟，而是分两步走。先对整个信号做一个粗粒度延迟估计，再按语音活动把信号切成若干段，对每一段做精细延迟补偿。这样处理是为了应对网络中的时变延迟，比如路由器拥塞导致某一段语音延迟额外变大，这种动态损伤在分组交换网络里非常常见。我做测试时见过不少朋友忽略这个特性，手动把两条信号做了裁剪，反而破坏了对齐，导致分数异常低，这个问题后面细说。
2.2 感知变换与扰动密度：把差异“听”出来
时间对齐完成后，两条信号进入感知模型。参考信号和退化信号都会被送进一组模仿耳蜗频率分辨力的滤波器组，把线性频率轴映射到心理物理学的Bark域。人耳在低频分辨力高、高频分辨力低，所以这组滤波器的带宽不是等宽的，低频分得细，高频分得粗。这一步相当于把信号从“示波器视角”换成“耳朵视角”。
在这个感知空间里，PESQ计算两者的差异，这个差异被定义为扰动密度。算法会同时计算对称扰动和不对称扰动：对称扰动反映整体感知差异，不对称扰动则专门捕捉那些比添加噪声更让耳朵难受的失真类型。比如一段语音中间被切掉了几帧静音，或者某些音素被编解码器抹平，这类损伤往往带有方向性，不对称扰动就是用来抓住这些细节的。
最后，PESQ会在时间和频率两个维度上对扰动密度做聚合，识别出听感最明显的“坏区”，再通过一套经验校正机制把聚合结果映射成一个原始分。这套机制内部做过大量主观实验校准，保证了输出结果能在统计学上和真实MOS高度相关。PESQ原始分范围是-0.5到4.5，4.5表示几乎无损，0附近表示基本不可听。
2.3 从原始分数到MOS-LQO：P.862.1的映射
直接用P.862算出来的原始分有两个问题：一是范围是-0.5到4.5而不是常见的1到5，二是这个分数还不是标准意义上的MOS值。为此ITU-T随后发布了P.862.1，定义了一个非线性映射公式，把原始PESQ得分映射到MOS-LQO（Listening Quality Objective）标尺上，通常可以近似为：
MOS-LQO = 0.999 + (4.999 - 0.999) / (1 + exp(-1.4945 * PESQ + 4.6607))
这个公式本质是一个逻辑斯蒂映射，把-0.5到4.5的原始分值拉伸到1到5的范围内。现在大多数工具输出的分默认就是MOS-LQO。需要特别注意的是，这个映射不是简单的线性缩放，它是基于大量主观测试数据拟合出来的，所以它隐含的假设是：这个PESQ原始分和某个主观MOS值之间存在可预测的关系。一旦你的测试场景偏离了PESQ的设计范围，再用这套映射反而可能带来额外误差。
P.862之后还有一个P.862.2，对应的是宽带扩展版本，也就是常说的WB-PESQ，支持16kHz采样率，把评估范围从窄带电话扩展到宽带语音。它有自己的映射函数，输出也是MOS-LQO标尺，但它和P.862的分数体系不能直接互换。
3. 跑通一次PESQ测试：工具、脚本与操作细节
3.1 测试信号怎么准备才不会白跑
做PESQ评测的第一步不是装工具，而是准备测试信号。PESQ需要一对文件：参考文件和退化文件。参考文件通常是原始TTS语音或者人工朗读的干净录音，内容以正常语速的连续语音为主；退化文件则是这段语音经过编码器、网络仿真或者其他处理链路之后的输出。
信号长度方面，我一直建议有效语音部分至少有8秒以上，最好能覆盖10到12秒。ITU标准里的验证语料大多是8到20秒。如果文件只有一两秒，PESQ算出来的分数波动会很大，而且容易受个别帧噪声干扰，复现性差。内容上尽量覆盖不同的音素、语速和停顿模式，不要只录一句“你好，在吗”就完事，因为语音质量评估需要考察编解码器对辅音、元音、爆破音等不同声学特征的保留程度。
格式上最稳妥是16-bit PCM、单声道、WAV容器。MP3、AAC这类有损压缩格式要先解码成原始PCM，再送进评估工具。立体声文件必须先转成单声道，很多工具遇到双声道直接报错，或者只取其中一路，容易造成结果和预期不符。采样率方面，如果是8kHz窄带场景，使用标准P.862模式；如果是16kHz宽带场景，要用P.862.2的WB-PESQ模式。
3.2 参考代码与常用开源工具怎么选
ITU官方提供了PESQ的参考实现，是一套C语言代码，可以从ITU官网申请获取。作为标准实现，它是绝对的基准，但说实话用起来不太顺手：要自己编译，输入输出格式有严格限制，批处理也得自己写脚本。对实际项目来说，我更推荐基于官方实现封装的现成工具。
如果你用MATLAB，可以试试VOICEBOX工具箱里的pesqmo函数，它对官方代码做了封装，还能输出每帧的扰动信息，适合做算法调试和分析，比如想看看某一段语音到底因为哪个频率区间的损伤丢分了。如果日常测试环境是Python，推荐使用pesq这个pip包，底层还是官方C代码，速度很快，接口简单，几行就能算出分数。
from pesq import pesq import soundfile as sf ref, fs = sf.read("ref.wav") deg, _ = sf.read("deg.wav") # fs为8000时使用nb模式，fs为16000时使用wb模式 score = pesq(fs, ref, deg, "wb") print(f"PESQ MOS-LQO: {score:.3f}")这段代码里的mode参数决定了内部走的是P.862还是P.862.2路线。8kHz信号配wb模式会直接报错或者算出毫无意义的值，反过来16kHz配nb模式也会出问题。之前有个朋友拿一段16kHz录音跑了窄带模式，算出来2.8分，吓得以为是编解码器出了问题，其实是模式选错了。
3.3 用Python批量做PESQ评测的脚本框架
单个文件算了分数之后，真正测试场景里通常有几十上百组音频对要跑。我习惯把整个测试集按目录组织，比如processed文件夹下每个子目录对应一个测试case，每段语音以ref.wav和deg.wav命名。批量脚本只需要遍历目录、自动判断采样率、调用pesq函数，最后把结果汇总成CSV。
import os import csv import soundfile as sf from pesq import pesq def evaluate_pair(ref_path, deg_path): ref, fs = sf.read(ref_path) deg, _ = sf.read(deg_path) mode = "wb" if fs == 16000 else "nb" score = pesq(fs, ref, deg, mode) return fs, score results = [] base_dir = "processed" for case in sorted(os.listdir(base_dir)): case_dir = os.path.join(base_dir, case) ref_wav = os.path.join(case_dir, "ref.wav") deg_wav = os.path.join(case_dir, "deg.wav") if not (os.path.exists(ref_wav) and os.path.exists(deg_wav)): continue fs, score = evaluate_pair(ref_wav, deg_wav) results.append([case, fs, f"{score:.3f}"]) print(f"{case}: {score:.3f}") with open("pesq_results.csv", "w", newline="") as f: writer = csv.writer(f) writer.writerow(["case", "sample_rate", "mos_lqo"]) writer.writerows(results)这个框架跑起来很快，几十组音频几秒钟就能出结果。需要注意的一点是，soundfile读进来的音频数组默认是float类型的，取值范围在-1到1之间，pesq包内部能够处理这种归一化的浮点数据，所以不用担心幅度表示方式问题。但如果你的音频文件本身就是浮点WAV，且幅值超过了正常动态范围，建议先检查一下峰值是否异常。
4. 那些坑得我心烦的时刻：实测中的边界与误用
4.1 时间对齐失效：当PESQ给出一个离谱的低分
我第一次用PESQ做测试就翻过车。当时从网络仿真器里取了一段经过丢包的VoIP录音，和原始参考文件一起送进工具，算出来只有1.2分，主观听感虽然劣化明显但不至于完全不可理解。排查了很久才发现，问题出在自动化脚本上：脚本为了省内存，统一把音频文件做了静音裁剪，把首尾静音全部删掉。
PESQ内部有自己的语音活性检测逻辑，它依靠信号的统计特征来判断哪里是语音、哪里是静音，然后基于这个判断做时间对齐。手动裁剪静音相当于替它做了决定，但参考文件和退化文件的静音位置又不可能完全一致，结果就是算法的对齐逻辑被误导，把本应正常对应的帧错开了，自然算出一个离谱的低分。从那以后我再也不手动修剪静音，最多只在发送给PESQ之前做一下整体电平规整，对齐的事完全交给算法内部处理。
如果遇到延迟极其严重的情况，比如退化信号整体落后参考信号好几秒，PESQ的搜索范围可能不够用。这时可以在送入算法前先做一个粗略的互相关对齐，但做完之后要让退化信号保留完整的原始长度，不要裁剪内容，更不要在中间切掉某一段。
4.2 电平、滤波与格式问题：分数折损的真正原因
PESQ内部默认做电平归一化，它会根据整个信号的能量水平调整增益，把参考信号和退化信号拉到同一个响度标尺上再比较。这个设计在实际使用中很方便，但也带来了一个隐含风险：如果你的测试链路里已经有一级AGC（自动增益控制）或者人工做了响度匹配，PESQ会再归一化一次，两次增益调整叠加可能引入非线性影响，导致分数偏低。做端到端比对时，我一般会在PESQ之前做一次响度测量，确认真实增益差异不大，再选择是让PESQ自动归一化还是关闭相关选项。
滤波问题同样容易踩。PESQ是针对窄带电话语音设计的，它内部有一个前端滤波器模拟电话听筒的频率响应，意味着3.4kHz以上的成分基本会被滤掉。如果你的系统是一个宽带或者全频带应用，却拿8kHz采样率的参考信号和16kHz采样率的退化信号同时送进窄带模式，结果基本没有参考价值。有一条经验供参考：评估窄带处理器用8kHz音频和nb模式，评估宽带语音用16kHz音频和wb模式，评估全频带或音乐内容时就不要用PESQ了，它压根不适合。
格式方面还有一个容易被忽略的点：有些工具对WAV文件头部的元数据非常敏感，比如某些音频编辑软件会写非标准的chunk，PESQ参考实现解析失败会直接报错或者读入异常数据。遇到这种问题时先转成标准PCM WAV再跑，哪怕多一步转换，也比对着报错原因干瞪眼强。
4.3 带宽对结果的影响：8k与16k结果是两套体系
P.862和P.862.2看起来只是采样率不同，实质上是两套评分体系。P.862在8kHz窄带场景下和主观MOS的相关性经过了大量电话网验证；P.862.2针对16kHz宽带场景做了重新校准，它内部使用的感知频带划分、滤波器组、映射函数都和窄带版本不同。所以这两套分数之间不存在简单的换算关系，看到报告里某系统8kHz得分3.5、16kHz得分3.8，不要直接说“宽带模式比窄带模式高了0.3分”，这不是同一个标尺下的可比数据。
真正做产品压测时，我建议按目标应用选好一种模式固定下来，所有迭代都用同一种模式对比，这样才有相对变化的意义。千万不要在不同模式之间混着比较，否则很容易得出错误的结论。
5. 什么时候别太信PESQ：局限性与把它用对的方法
5.1 哪些场景下PESQ会骗你
PESQ虽然强大，但它的设计目标很明确：窄带/宽带电话语音的端到端质量评估。一旦脱离这个范围，它的可靠性会明显下降。
第一，它不适用于强背景噪声场景。PESQ在设计时主要针对语音本身的失真，对非平稳背景噪声（比如街道噪声、多人说话声）的建模能力很弱。实测中，信噪比较低时PESQ的分数波动非常大，有时候分数低得不合理，有时候反而失真严重却给出一个偏高分数。第二，它对时变性损伤的处理有限。虽然时间对齐能应对一定程度的延迟变化，但面对突发瞬断、高频音爆、脉冲噪声这类非连续性损伤，PESQ的表现不够稳定。第三，它不适合评估音乐或者非语音内容。曾经有同事拿着PESQ去测音乐流媒体的音质，算出来的分数让人啼笑皆非——这根本不是它的适用场景。
我还遇到过一类更隐蔽的问题：PESQ对不同编码器的区分度不一致。比如评估Opus和AAC时，PESQ对某些比特率下的差异非常敏感，对另一些比特率则几乎失去区分能力。做编码器对比测试时，我一般会把PESQ结果和其他客观指标（如对数谱距离、STOI等）结合着看，不能只盯一个分数下结论。
5.2 更现代的替代：P.863 POLQA与轻量级方案
PESQ发布近十年后，ITU-T推出了新一代标准P.863 POLQA（Perceptual Objective Listening Quality Analysis），是目前更接近人类主观听感的客观评估标准。POLQA在时间对齐、感知模型、干扰分类上都做了全面升级，支持从窄带到全频带的评估，对时变损伤、背景噪声、编解码器失真的预测准确度明显优于PESQ，尤其是对现代低比特率编解码器和包网络场景的评估。
不过POLQA的使用门槛比PESQ高不少。首先，官方参考软件的授权方式并不像PESQ那样完全开放，很多商用场景需要购买许可证。其次，它的计算复杂度更高，跑大批量音频时耗时明显。实际项目里，我的做法是分两层评估：日常迭代阶段用PESQ做快速回归，大规模筛选性能问题；到了接近上线或者做竞品对比时，再用POLQA或者主观听评来做最终验证。
如果想用轻量级指标做补充，STOI和VISQOL也可以考虑。STOI侧重语音可懂度而不是听感质量，适合评估极端噪声环境下的语音清晰度；VISQOL是较新的感知质量模型，对音乐和语音都有一定适用性，但它也不是ITU标准，结果更偏向参考性质。
5.3 我的使用习惯：客观打底，主观收口
聊了这么多理论和踩坑，最后说说我目前在项目中固定的流程。每次音频链路改动，我先用PESQ对完整测试集做批量回归，阈值通常是：分数下降不超过0.1视为无明显劣化，0.1到0.3之间需要人工抽听确认，超过0.3基本判定为负面改动。同时我会把PESQ分数下降最多的几个case单独拎出来做频谱分析，看是高频损失、低频失真还是动态范围压缩。这一步能快速定位问题出现在哪个环节，效率比来回盲试高得多。
接近版本收尾时，我会组织小规模主观听评，找五到八个人，用AB对比或者ACR打分，重点验证PESQ可能给出误判的case。客观指标负责广覆盖、快速反馈，主观听评负责最终把关，两者结合才比较稳。如果你现在只把PESQ当“自动化打分机器”用，不看它在边界场景下的失灵，一定会被它坑到；但只要你摸清了它的脾气，它依然是日常语音质量测试里回报率最高的工具。
本文还有配套的精品资源，点击获取
