ViSQOL: definição e exemplo na prática
Resposta curta: ViSQOL (Virtual Speech Quality Objective Listener) é um algoritmo de código aberto do Google Research que compara um áudio recebido com sua referência e devolve uma nota MOS-LQO de 1 a 5.
Em inglês: ViSQOL (Virtual Speech Quality Objective Listener)
O que é ViSQOL?
ViSQOL (Virtual Speech Quality Objective Listener) é um algoritmo que dá uma nota de qualidade a um áudio comparando-o com o original. Ele foi criado pelo Google Research, é de código aberto e está publicado em github.com/google/visqol. A versão atual é descrita no artigo “ViSQOL v3”, de Chinen e outros, apresentado na conferência QoMEX em 2020.
O ViSQOL é um algoritmo de referência completa (full reference): precisa de dois arquivos, o áudio de referência e o áudio degradado. Ele alinha os dois no tempo, compara seus espectrogramas trecho a trecho e mede a semelhança espectro-temporal entre eles. Essa semelhança é convertida numa nota MOS-LQO, na mesma escala de 1 a 5 da MOS.
O algoritmo tem dois modos. O modo de fala (speech mode) trabalha com áudio em 16 kHz e devolve MOS-LQO de 1 a 5, com escala ajustada para chegar a 5,0. O modo de áudio (audio mode) foi pensado para música e áudio geral, e sua nota máxima fica perto de 4,75. As duas escalas não se misturam: uma nota 4,5 no modo de áudio não equivale a 4,5 no modo de fala.
Na prática
| Modo | Uso | Taxa de amostragem | Nota máxima |
|---|---|---|---|
| Fala (speech) | Voz, telefonia | 16 kHz | 5,0 |
| Áudio (audio) | Música, áudio geral | 48 kHz | cerca de 4,75 |
Numa ligação com codec G.711, o áudio tem 8 kHz de amostragem. Para usar o modo de fala, referência e áudio recebido são levados a 16 kHz antes da comparação. A referência precisa ser o mesmo conteúdo que deveria chegar: se o destino toca uma saudação, a referência é essa saudação gravada. Se o áudio recebido for outro, como uma mensagem da operadora, a semelhança cai e a nota acompanha.
Como o Monitor usa isso
O Monitor usa o ViSQOL no modo de fala, e diz isso abertamente para que a forma de calcular a nota possa ser conferida. Em toda chamada de teste atendida, ele compara o áudio recebido com a gravação esperada, a referência gravada quando o circuito é configurado. Padrões: a partir de 3,8 a chamada é saudável; abaixo de 3,0 conta como degradada; entre 3,0 e 3,8 passa com uma observação. Veja qualidade de voz com MOS-LQO.
Perguntas frequentes
O ViSQOL é gratuito?
Sim. O ViSQOL é publicado pelo Google Research como código aberto, no repositório github.com/google/visqol. Qualquer pessoa pode baixar, compilar e rodar o algoritmo sobre seus próprios arquivos de áudio para conferir uma nota. Isso o diferencia do POLQA, a norma ITU-T P.863, que é distribuída sob licença comercial.
Qual modo do ViSQOL usar para chamadas telefônicas?
O modo de fala (speech mode), que trabalha com áudio em 16 kHz e devolve MOS-LQO numa escala de 1 a 5, com teto em 5,0. O modo de áudio foi feito para música e áudio geral em 48 kHz, e sua nota máxima fica perto de 4,75. Para voz em telefonia, o modo de fala é o adequado.