ITU标准MUSHRA：音频主观评价完整实操指南 原创

在智能音频时代，音频技术发展突飞猛进，各类新功能、新产品、新应用场景持续涌现。如何从主观、客观两个维度科学评判音频品质，已经成为音频研发、车载声学、耳机、空间音频领域工程师高度关注的核心问题。

HBK 深耕音频测试测量领域，具备完整的全球产品方案、深厚技术沉淀与大量工程落地经验。本系列专栏将围绕音频感知主观属性、主流主观评价方法、客观参数测量等方向，拆解音频研发中的技术难点，分享 HBK 对应的测试解决方案。

本文重点讲解行业广泛使用的音频主观评价标准：MUSHRA（包含隐藏参考和锚点的多激励方法）。

什么是MUSHRA？

ITU‑R BS.1534 定义了包含隐藏参考和锚点的多激励方法（MUlti Stimulus test with Hidden Reference and Anchor, MUSHRA），专门用于中等品质音响系统的音效评估。

该方法大量应用于车载音响、扬声器阵列、耳机空间音频等产品研发测试当中。

• 车载座舱空间狭小，低频声波会在车内发生反射、叠加形成驻波声场，乘客收听位置频响曲线并不平坦，出现明显峰值与谷值，直接拉低听觉主观感受；
• 扬声器阵列、耳机实现空间音频重放时，不同声场重构算法、信号处理逻辑，也会带来十分显著的主观听觉差异。

MUSHRA 可以精准还原人耳真实主观听觉感知，输出可信度高的测试结果，是音频项目研发中高频使用的标准化主观评价手段。

什么是参考（Reference）？

MUSHRA 选取原始、全频带、未经任何处理的信号作为参考信号。 举个例子：开展 AR/VR 音频主观音质评价工作时，可以采用人头躯干模拟器 HATS 采集得到的双耳录音充当参考。

重要规则：如果测试人员对隐藏参考样本给出过低分数，该评价者的全部测试数据将会直接剔除，不纳入统计。

什么是锚点（Anchor）？

MUSHRA 要求至少设置2 个隐藏锚点信号，锚点的核心作用是标定打分尺度，避免轻微音质瑕疵就得到极低分数，保证评分区间合理可用：

1. 标准锚点信号：原始信号做低通滤波，截止频率为 3.5kHz；
2. 中等品质锚点信号：原始信号做低通滤波，截止频率为 7kHz。

MUSHRA测试完整实施要点

评价人员要求

参与 MUSHRA 测试的评价者，需要具备音频主观评价经验，可以分辨不同音频样本之间的细微差别；针对同一份音频样本，多次打分结果应当高度接近。

正式测试之前，必须对评价者开展正式或非正式训练，只有训练合格、有经验评价者产出的数据才可以用于后续统计分析。常规测试场景，评价者人数不超过 20 人，即可获得可靠结果。

音频样本设置规则

1. 单次评价使用的音乐样本总数建议不超过 12 个。典型配置：9 个待测音乐样本 + 1 个隐藏低品质锚点 + 1 个隐藏中等品质锚点 + 1 份隐藏参考样本；
2. 单条音频样本时长最大建议 10s，尽量不要超过 12s。缩短样本时长，能够缓解听音人员听觉疲劳，提升测试效率；
3. 全部音乐样本必须完成等响处理，保障听音者在响度一致的条件下开展对比打分，排除响度对主观判断的干扰。

打分规则

1. 单次测试仅评估一项主观属性，不可同时对多个属性打分。若需要评价多项音频属性，优先评估基本音频品质（Basic Audio Quality, BAQ）。BAQ 是全部 ITU 音频主观评价标准的核心指标，覆盖音色、立体声像、清晰度、空间感、混响、谐波失真等全部音频品质维度。 当评估系统带来的音质损伤时（例如低码率音频编解码、声音重放系统硬件限制等场景），BAQ 用来衡量待测音频与参考音频之间的相似度、差异程度。
2. 测试过程中，评价者可自由切换参考信号和各个待测样本，方便捕捉样本之间细微听觉差异；
3. MUSHRA 评分区间为0‑100 分；理想有效打分集中区间为 20‑80 分，该区间可以充分区分微小的主观听觉差异。

图1 MUSHRA主观评价的显示界面

测试后数据筛选

全部主观评价完成后，需要过滤无效评价者数据，出现以下情况的样本数据应当剔除：

• 对音频样本分辨能力弱；
• 多次打分结果前后矛盾、一致性差；
• 对损伤明显的锚点样本给出很高分数。

MUSHRA与其他音频主观评价标准的区别？

ITU‑R BS.1116

Methods for the subjective assessment of small impairments in audio systems including multichannel sound systems

该标准面向高品质音响系统微小音质损伤场景评估，不适用于数字 AM、数字卫星广播、音频按需服务、音频拨号线路等低品质音频系统。

采用双盲、隐藏参考的三重激励评价方法（ABC/HR）：A 为公开已知参考样本；B、C 随机分配隐藏参考样本与带微小损伤的待测样本。听音人员对比 B 与 A、C 与 A，采用 5 级评分尺度完成评价。B、C 其中一份和参考 A 听感无差别，另一份体现音频损伤。

ITU‑T P.800 / 810 / 830

这套系列标准聚焦电信系统语音信号主观评价，采用 MOS 评分量化用户语音接收感知质量，MOS 分数越高，代表语音主观音质越好。

工程案例分享

HBK 工程服务部门曾承接车载音频主观评价项目：针对 3 款车型、合计 10 种音响硬件配置开展主观测试。

• 音乐样本：4 类曲风，包含经典、摇滚、流行、爵士；
• 听音人员：20 名专业专家听音者；
• 前置处理：全部声音样本完成等响处理。

测试结果分析

1. 总体偏好维度
2. 20 位评价者针对同一份音乐样本，分别对 10 种车型配置打分，输出平均主观评分（置信度 95%）。评分维度从 “非常不喜欢” 至 “非常喜欢”。 测试结果直观体现：不同车型音响配置之间，用户主观听觉偏好存在显著差异。

图2

1. 不同音乐类型下的主观得分对比
2. 对比不同曲风下各配置的平均分可以看到：车型配置之间主观听感存在分化；部分车型配置，面对不同音乐类型时得分差距很小；部分车型配置，不同曲风的评分结果十分发散。

图3

1. 力度感 Powerfulness 属性测试
2. 设置 4 档音量 Level 1 ~ 4：响度提升，力度感随之增强；当到达饱和点之后，继续增大音量，力度感不再继续提升。 在最高音量 Level 4 条件下，三款车型力度感评分全部出现下降，推测主要诱因是音量过高带来声音失真。

图4

1. 主观属性相关性分析
2. 针对全部音乐样本，对总体偏好和其余主观属性做相关性统计：

• 总体偏好与中频强度 Midrange Strength、高音强度 Treble Strength、包围感 Envelopment 具备相关性；
• 主观属性中，Punch 与 Bass Strength 相关性较高；Midrange Strength 与 Brilliance 明亮度相关性较高；
• 对总体偏好做主分量分析，第一主分量为最主要贡献因子。

图5

1. 古典音乐样本的差异化结论
2. 经典音乐样本的相关性分析呈现不一样的特征：总体偏好主要和 Brilliance 明亮度、Punch 冲击力相关。 从主分量分析角度，有更多主分量参与结果贡献，其中第三主分量贡献占比最大。

图6

1. 主观偏好预测模型验证
2. 提取显著主分量搭建模型预测主观偏好，将预测结果和真实主观评分做比对。模型预测值和真实主观评价拟合效果优秀，相关系数可达 90% 以上。

图7

参考文献：

1. ITU-R. Recommendation BS.1534-3 - Method for the subjective assessment of intermediate quality level of audio systems.

2. ITU-R. Recommendation ITU-R BS.1116-3 - Methods for the subjective assessment of small impairments in audio systems.

点击这里，查看 / 下载 《HBK声学与振动产品简明目录》

您还可以通过如下方式联系我们，了解更多产品与应用详情：

邮箱：cn.info@hbkworld.com

网址：www.hbkworld.com/zh

免费热线电话：400-900-3165（周一至周五9:00-18:00）

点击这里，咨询HBK产品信息：https://www.hbkworld.com/zh/contact-us