企业官网建设流程全解析

简介：PEAQ（感知音频质量评估）算法符合ITU-R BS.1387-1标准，是一套基于人类听觉特性的客观音质评价方案。这份压缩包提供了该算法的MATLAB语言实现，适合音频工程人员、编码算法研究者和声学专业学生用于评估编码后的音质损失。资源共三十三个文件，以三十一个M脚本文件为主，附带两个文本说明，整体大小约二十三KB。程序代码覆盖了心理声学建模、时频变换、掩蔽阈值计算与感知失真度量等核心环节，运行后可得到感知质量指数。目前已有二百二十九人学习下载。仔细研读代码，能够直观理解掩蔽效应如何影响音质判断，以及感知质量指数的计算流程；借助MATLAB的交互环境，还可按需调整参数或扩展功能，并结合图表可视化分析不同编码算法的性能。压缩包内另附说明文档，目录结构按DFT分析、心理声学映射、运动输出等模块划分，便于学习和二次开发，是一份轻量实用的音频质量评估参考资料。 做音频算法这行的人，迟早会遇到一个叫PEAQ的名字。如果你也是顺着“PEAQ matlab”这些关键词，找到一堆名为PEAQ.rar的压缩包，那么这篇东西应该能帮你省下不少弯路。PEAQ全称Perceptual Evaluation of Audio Quality，出自ITU-R BS.1387标准，简单说就是用一个算法来模拟人耳，给“音频听起来有多差”打个客观分数。它解决的是主观试听费时费力、SNR这类传统指标又不贴合真实听感的问题，适合正在做音频编解码器评测、写论文需要客观数据支撑、或者单纯想搞明白“音质怎么量化”的工程师和研究者。我在一次编码器选型评测中用过这套MATLAB实现，从解压到跑通再到被结果坑了一把，整个过程值得记录下来。

1. PEAQ的来头：音频行业里的“客观试听员”

1.1 为什么主观试听越来越不够用

做音频质量评估，最直接的办法当然是拉一队人坐在听音室里打分。这个做法从电信行业算起已经有几十年历史，到今天依然是公认的“金标准”。但它的成本高到让人头疼：听音员需要筛选和培训，测试环境要控制背景噪声，一次MUSHRA测试动辄安排几十个听音员加上统计分析，周期按周算。

如果你只是在验证一个编码器参数的改动，或者想知道某个后处理模块有没有引入可闻损伤，根本等不起这个周期。而且主观测试有个隐藏问题——听音员会疲劳，同一组样本连续听三轮，打分一致性就明显下降。所以业界的思路很自然：能不能找一套计算模型，把“人耳怎么感知失真”这件事用算法复现出来，至少在没有主观条件的时候给我们一个可以重复测量的参照物。

这时候传统指标就露馅了。SNR、THD这些参数看着精确，但它们把人耳当成一个理想的线性接收器。人耳对低频和高频的敏感度不一样，对噪声的容忍度也和信号本身的能量分布密切相关。一个-40dB的底噪，如果发生在语音间隙，几乎没人注意；如果发生在静音段，那就会变成一个明显的“嘶嘶声”。这些差异在SNR上可能只差零点几个dB，主观感受却天差地别。PEAQ就是冲着这个问题来的。

1.2 PEAQ到底解决什么问题

PEAQ的核心逻辑可以概括成一句话：输入端塞进两段音频，一段是参考信号（通常是原始无损素材），另一段是待测信号（经过编码、传输、处理之后的版本），算法在内部模拟人耳听觉路径，把两者放在一个统一的感知空间里对比，最终产出一个分数ODG（Objective Difference Grade）。

ODG的取值范围一般在0到-4之间。0表示感知不到差异，-4表示差异极其严重、基本属于劣化。它对应的是主观评估里的“主观差异等级”，分数越低说明被测系统对音质的损伤越大。这样的输出非常直观，编解码器研发人员只要看着这个数字，就能判断某个改动方向到底是对是错。

需要提醒的是，PEAQ的设计目标偏向音频和节目素材，也就是音乐、广播这一类内容。如果你要评估的是语音通话质量，业界更常用的是PESQ或ViSQOL，这一点后面会细说。我最初在MATLAB生态里到处找现成实现，就是因为PEAQ这个方案在音频领域几乎是绕不开的存在——论文里、选型报告里、产品对比里，ODG是默认的客观音质凭证。

2. 拿到rar包以后别急着跑：先搞清结构和环境

2.1 压缩包里通常是什么

网上流传的PEAQ MATLAB实现多半是Basic版本，对应BS.1387-1标准里的基础模式。压缩包解开后，结构大致是下面这个样子，各家流传的版本可能略有出入，但核心模块基本一致。

PEAQ/ ├── PEAQ.m # 主入口函数 ├── read_audio.m # 音频读取与格式转换 ├── fft_analysis.m # 短时FFT分析 ├── filterbank.m # 外耳中耳滤波 ├── bark_scale.m # 频率到Bark尺度映射 ├── masking_threshold.m # 掩蔽阈值计算 ├── disturbance.m # 感知扰动提取 ├── test_audio/ │ ├── ref.wav # 示例参考信号 │ └── deg.wav # 示例待测信号 └── README.txt

我当时下载的这个包还算规整，README写明了入口函数的调用格式。但别高兴太早，很多流传版本的文件名和函数签名不一样，有的把主函数叫PEAQ_entire_file.m，有的需要你手动指定几个全局参数。所以第一件事永远是打开README看一下，别直接双击脚本。

有的包里还附带一个GUI版本，用图形界面选择两个wav文件然后点计算。GUI版本适合快速试用，但批量跑测试不方便。做数据统计还是得回到命令行模式，把调用封装成一个函数逐条跑。这一点在你拿到包之后可以马上验证一下：看看主函数能不能接收两个文件路径作为参数，返回一个double类型的ODG值。

2.2 跑通前必须确认的三件事

第一件是MATLAB版本兼容性。老代码写于十几年前，里面很可能用了wavread、wavwrite这类已经被新版本移除的函数。如果你用的是R2020b之后的MATLAB，直接调用会报错“Undefined function 'wavread'”。解决办法也很简单，把源码里对应的读取函数替换成audioread，写文件的地方替换成audiowrite。这种替换一般牵涉不到算法逻辑，纯粹是接口变化。

第二件是工具箱依赖。PEAQ实现里用到了滤波器设计、FFT窗函数、统计分析之类的功能，对应Signal Processing Toolbox和Statistics Toolbox。如果你只有基础MATLAB环境，很可能跑到一半报错说找不到某个函数。提前用which命令查一下依赖，或者在命令行里逐个执行核心子函数路径，先把缺失的工具箱装好再跑，省得在错误信息里摸黑排查。

第三件是路径和文件格式。代码通常默认从当前目录读取wav文件，所以工作目录设置不对，第一个参数就找不到文件。文件格式方面，PEAQ标准支持44.1kHz、48kHz等常见采样率，但我碰到过部分实现只适配某一个固定采样率的硬编码版本，如果你的音频是96kHz，得先降采样再喂进去。另外老版本MATLAB在Windows上处理中文路径偶尔会抽风，建议全程用英文目录名。

3. 算法链路拆解：声波是怎么变成一个分数的

3.1 预处理：时间对齐、电平校准、重采样

在算法真正“听”音频之前，有三个预处理步骤直接决定输出是否靠谱。

时间对齐应该被放在优先级最高的位置。编码器通常会引入几百个采样点的算法延迟，如果不知道这一点，直接把参考信号和待测信号同时送入PEAQ，算法会认为两段信号从头到尾都存在巨大差异，ODG分数直接暴跌到-3以下，而实际上系统只是慢了几毫秒。我踩过这个坑，当时用某个开源的编码器做测试，ODG只有-2.6，后来拿互相关函数找到延迟并补偿掉，分数立刻回到-0.3附近。所以正规做法是在预处理环节先做一次互相关峰值搜索，把时延对准。

电平校准同样不能省。如果待测信号比参考信号整体大了几个dB，PEAQ会把它当作一种质量损伤来处理。而实际上很多系统在输出端都会做响度归一化，这是正常现象。比较稳妥的做法是根据参考信号的RMS值对待测信号做增益匹配，避免音量差异干扰感知判断。

重采样这一步更直接的目的是让两段信号的采样率保持一致。如果你的参考信号是44.1kHz，编码器输出却是48kHz，程序可能不会报错，但算法内部完全基于时间点对齐做处理，采样率不一致会让整个计算失去意义。先用resample函数统一到目标采样率，再进PEAQ，这是基本觉悟。

3.2 心理声学模型做了哪些事

PEAQ之所以比传统指标聪明，是因为它模拟了听觉外周系统的几个关键行为。人耳对频率的解析不是线性的，低频区域的分辨率高，高频区域反而很粗糙，所以算法会用Bark尺度把频率轴重新映射。在这个尺度下，人耳被划分成若干个临界频带，每个频带可以理解为一组内部滤波器。

处理的时候，参考信号和待测信号都要经过外耳中耳滤波，补偿人耳对高低频敏感度的差异，然后加窗做FFT，把时域信号转到频域。接下来算法会计算每个临界频带内的能量分布，并推导出掩蔽阈值。

关于掩蔽效应打个比方：你在嘈杂的演唱会上听不清旁边人说话，不是因为对方嗓门小，而是因为主舞台的声音把这个频段“盖住”了。PEAQ里的掩蔽阈值就是这个“盖住”的边界线。落在边界之下的失真和噪声，算法会判定为人耳感知不到，放心地忽略掉。落在边界之上的部分，才真正计入感知损伤。这个机制让PEAQ不会惩罚那些实际上听不见的微小差异，这也是它贴近主观听感的关键所在。

3.3 从扰动特征到ODG分数

计算完掩蔽阈值之后，算法会在每个Bark频带里比较参考信号和待测信号，提取一组描述“感知扰动”的特征。Basic版本里常见特征包括噪声响度（计算超过掩蔽阈值的残余噪声的响度）、调制差异（信号包络随时间变化上的差异）、带宽损失等。

这组特征本身并不能直接当分数用，还需要一个映射过程。标准设计者在大规模主观测试数据上拟合出一个多元线性回归方程，把多维特征映射成单个ODG值。这个拟合过程可以理解为：先让算法算出一堆中间指标，再通过这些指标的组合去逼近人类听音员的平均打分。

Advanced模式相比Basic模式，计算的特征更精细，距离也更大，但核心思想一致。在MATLAB实现里，Basic模式已经能满足大部分日常对比需求，计算速度也快得多。ODG的典型区间对应关系大致如下，可以作为经验参考：

注意：这个区间对应关系是工程经验值，不是标准文档里的强制定义。不同素材、不同听音环境下，同样的ODG可能对应不太一样的主观感受。

4. 实战：用PEAQ量化一个音频编码器的音质

4.1 准备参考信号和待测信号的完整流程

跑PEAQ之前，样本准备质量比你想的重要得多。我当时做编码器横向对比，直接拿一首歌从中间截了10秒就开跑，结果数据波动非常大，同一个编码器跑三次能差出一个数量级。后来老老实实把样本规范成下面这套流程，结果才稳定下来。

先准备一组参考信号，素材类型要有区分度。人声独唱、打击乐、管弦乐、电子乐各选一段，每段至少15到20秒。素材太短，算法在时域统计上的样本量不足，ODG容易受到局部瞬态影响。文件统一保存为48kHz/16bit的PCM WAV格式，文件名用英文，目录按编码器名称分开管理。

然后用待测编码器处理这些参考信号，得到待测信号。关键点是保持输入输出采样率、声道数一致，且不要嵌套多次重采样。如果编码器输出的采样率变了，在进入PEAQ之前统一重采样回参考信号的采样率，声道也做相应匹配。

前提确认无误后，直接在主函数里逐条调用。这里演示一个批量处理的写法：

% 批量计算ODG示例 references = {'speech.wav', 'drums.wav', 'orchestra.wav', 'electronic.wav'}; refDir = 'D:/tests/refs/'; testDir = 'D:/tests/encoderA_96kbps/'; odgValues = zeros(1, length(references)); for i = 1:length(references) refFile = fullfile(refDir, references{i}); testFile = fullfile(testDir, references{i}); odgValues(i) = PEAQ(refFile, testFile); fprintf('%s => ODG = %.3f\n', references{i}, odgValues(i)); end fprintf('Mean ODG = %.3f\n', mean(odgValues));

跑完这组之后，再把testDir换成另一个编码器的结果目录，就能得到两个编码器在相同素材集上的客观音质对比。整个过程如果不涉及预处理，一个素材集十来个文件也就是几分钟的事情。

4.2 ODG结果怎么看，异常情况怎么排查

拿到ODG之后，第一件事不是看绝对值，而是看相对关系。同一个参考素材下，编码器A的平均ODG是-0.7，编码器B是-1.2，那你基本可以判断A的感知质量优于B。但如果你发现某个素材的ODG显著偏离均值，比如其他都在-0.5附近，突然有一个-2.8，那多半不是编码器的问题，而是数据链路出了问题。

我遇到过几种典型异常情况。第一种是时延未对齐，表现是ODG异常低且所有素材普遍偏低，解决办法就是文章前面说的互相关对齐。第二种是响应度不匹配，表现是ODG变化毫无规律，检查后发现测试文件被某个响度插件统一抬升了3dB。第三种是采样率不一致，程序不会报错，但结果不可信，检查方式是在预处理阶段打印出Fs并确认两边一致。

ODG恰好为0的情况也要留意。它不代表信号完全无损，只代表在PEAQ感知模型的判定下，差异低到了不可感知的范围内。如果待测信号确实经过了有损编码，而ODG却是0，你可以怀疑一下是不是输入了两个相同的文件，或者文件路径写错了。

5. 避坑记录：那些文档里查不到的经验

5.1 这个版本在实测中暴露的几个典型问题

第一个常见问题是立体声处理。我下载的这个MATLAB实现默认只处理单声道，输入一个立体声wav文件时，它会把左右声道混成一个声道再计算。表面上没问题，但如果左右声道经过编码器处理后损伤程度不同，混合平均就会把某些失真掩盖掉。稳妥的做法是在喂给PEAQ之前自己控制好声道处理方式：要么两边都转单声道，要么左右声道分别计算ODG再取平均。我个人倾向于后者，尤其在做空间音频或双声道编码器验证时，左右分离更能反映真实情况。

第二个问题是老代码的绘图代码会拖慢批量计算。很多流传版本在函数末尾附带了画图功能，每次调用都弹出一个波形对比图。批量跑几十个文件时，每弹一次图就卡几秒，实在影响效率。解决办法是找到主函数里绘图区域，注释掉或者加一个if flag控制开关。我当时把这部分代码拿掉之后，整个脚本运行时间缩短了差不多一半。

第三个是杀毒软件误报问题。网络上下载的压缩包，解压后偶尔会有安全软件报毒，这并不一定说明包里有问题，但也不能掉以轻心。建议先放到隔离目录解压，安全扫描后再放进工作区。如果包里有不认识的exe，直接删除，只用.m和.wav文件就够了。

5.2 除了PEAQ，还有什么可以替代的工具

PEAQ在音频编码质量评估里虽然经典，但它发布年代较早，对人耳感知模型的刻画相对粗糙。如果你做的是现代低比特率编码器，或者要评估的是语音通信质量，有其他工具可以考虑。

ViSQOL是Google开源的评估工具，基于频谱相似度计算，对语音和音乐都支持，近年论文里经常看到。它的一大优势是计算效率高，适合大规模数据评测。PEMO-Q则更贴近听觉外周模型，在学术论文里也比较常见，但它需要商业授权，MATLAB实现也有对应的工具包可以购买。

PESQ针对语音通信场景，ITU-T P.862标准，做VoIP或语音编解码评估时它是老牌选择。POLQA是PESQ的继任者，ITU-T P.863，对现代编码器和宽带语音支持更好。

选型建议很直接：如果你的输入素材是音乐或通用音频，PEAQ在MATLAB生态里最容易上手；如果你的应用场景是语音通话，优先转向ViSQOL、PESQ或POLQA。当然，客观指标永远替代不了主观听音，我自己的习惯是先用PEAQ做粗筛，把明显有问题的方案淘汰掉，剩下几个候选再组织主观试听做最终决策。

最后分享一个个人习惯：在碰到官网或正规来源之前，我一般会先确认手里的PEAQ源码是否自带测试用例，没有的话就自己构造一个“参考与测试完全相同”的测试样本跑一遍。如果输出不是0，说明代码在环境上有问题，趁早排查比数据集跑完才发现靠谱得多。你拿到任何版本的PEAQ.rar都可以先用这个办法验一下环境，基本能保证后续评测数据不是从坏河里舀出来的水。

本文还有配套的精品资源，点击获取