NISQA

无参考也能给语音质量打分，TTS自然度一测便知

NISQA是一个基于深度学习的非侵入式语音质量与TTS自然度评估工具。它解决了传统语音质量评估需要原始参考信号（侵入式）的问题，能够在无参考的情况下，仅凭待测语音即可预测主观MOS（平均意见分）评分。项目提供了预训练模型、命令行工具和Python API，支持对真实语音和TTS合成语音进行质量打分，并支持对语音质量维度（如自然度、连贯性等）进行细粒度分析。其核心能力包括：实时或离线批量评估、可处理不同采样率和长度的音频、提供可视化分析工具。NISQA在ICASSP和Interspeech等顶会上发表，被广泛应用于语音合成、语音增强、语音转换等研究领域，是当前非侵入式语音质量评估的代表性开源方案之一。

开源 free 音频音乐

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 974

维护状态低维护

是否开源是

定价模式 free

项目数据

分类音频音乐

开发团队gabrielmittag

所属国家

官网地址

GitHubhttps://github.com/gabrielmittag/NISQA

定价模式free

价格说明开源项目，MIT许可证，完全免费，无付费版本。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型deep-learning,icassp,interspeech,pytorch,quality-of-experience,speech-quality,speech-synthesis,text-to-speech,tts,voice-conversion

GitHub 星标★ 974

30天Star增速

HF 下载量

上线时间2019-02-14 00:00:00

最近更新2026-09-21 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数3

使用教程

核心亮点

无需原始参考音频，直接对目标语音预测MOS分，大幅简化评估流程
预训练模型覆盖真实语音和TTS场景，开箱即用，支持命令行和Python调用
提供细粒度质量维度分析（如自然度、连贯性），便于定位TTS系统问题

不足之处

模型对特定噪声或语种场景的泛化能力可能有限，需自行微调
文档/社区待观察

适用场景

TTS系统开发中快速评估合成语音自然度，替代人工试听
语音增强算法效果对比，无参考场景下自动打分
大规模语音数据集质量筛选，批量预测MOS值

替代项目

UTMOS、SpeechMOS、DNSMOS

项目介绍

NISQA 是评测安全领域的开源项目，由 gabrielmittag 开发，2019 年首次发布。

在全站 13,014 个收录项目中，它的 GitHub 星标数（974）位列前 30%，在评测安全分类中处于中上游。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-21。MIT许可证，完全免费，无付费版本。

它主要面向的使用场景是：TTS系统开发中快速评估合成语音自然度，替代人工试听。同类可对比的替代方案包括 UTMOS、SpeechMOS、DNSMOS。

上一篇：content-debiased-fvd

下一篇：RVCBench