Eine Antwort lesen: was jedes Feld bedeutet und wie weit du ihm trauen kannst

Eine echte Antwort, kommentiert

Das ist eine echte Antwort von POST /v1/voicelab/qa mit "round": true und "measureStatus": true. Die Datei ist eine synthetische Stimme, die du selbst analysieren kannst: https://audiolab.tools/samples/voice/speech-male-plain.mp3.

{
  "durationSec": 32.193,
  "speechRatio": 0.644,
  "longSilences": 2,
  "averageSpeechRmsDb": -30.75,
  "noiseFloorDb": -76.33,
  "signalToNoiseDb": 45.58,
  "clipping": { "count": 0, "severity": "None" },
  "sceneBackground": "unsteady",
  "activeKind": "music",
  "roomEchoScore": 0.223,
  "sibilanceRisk": "Low",
  "measureStatus": {
    "legend": "https://audiolab.tools/docs/start/read-a-response#the-five-statuses",
    "measures": {
      "roomEchoScore": {
        "status": "withdrawn",
        "method": "dsp",
        "lens": "voice.roomEcho"
      },
      "signalToNoiseDb": {
        "status": "validated",
        "basis": "analytic",
        "method": "dsp",
        "lens": "voice.snr",
        "margin": {
          "plusMinus": 6,
          "unit": "dB",
          "note": "Holds for read speech with steady background noise at..."
        }
      },
      "speechRatio": {
        "status": "proxy",
        "method": "dsp",
        "lens": "voice.speechRatio"
      }
    }
  }
}

Eine gekürzte Antwort: 11 ihrer 50 Felder und 3 der Einträge in measureStatus. Die Anmerkung zur Marge ist hier gekürzt und steht unten vollständig.

1. speechRatio 0.644 Proxy

   Der Anteil der Aufnahme, in dem die Stimme laut genug ist, um als Sprache zu zählen. Bei sauberer Sprache liest er sich etwa 12 Punkte zu niedrig: leise Wortanfänge und -enden zählen als Pause.

2. longSilences 2 Proxy

   Pausen, die länger als 1,5 s zwischen Sprechabschnitten dauern. Vergleiche Anbieter bei demselben Text.

3. averageSpeechRmsDb -30.75 Validiert

   Wie laut die Stimme ist, während sie spricht, in dBFS.

4. noiseFloorDb -76.33 Validiert

   Der Pegel des leisesten Zehntels der Aufnahme: der Hintergrund.

5. signalToNoiseDb 45.58 Validiert

   Es hält innerhalb seiner Marge, wenn das tatsächliche Verhältnis 10 bis 30 dB bei gleichmäßigem Rauschen beträgt. Über etwa 50 dB sagt es nur, dass die Pausen sehr leise sind, oft digitale Stille. Dieses Beispiel liegt weit über dem Bereich, in dem die Marge gilt, lies es also als „sehr sauber“, nicht als genaue Zahl.

   Marge ±6 dB. Gilt für gelesene Sprache mit gleichmäßigem Hintergrundrauschen bei einem tatsächlichen Verhältnis von 10 bis 30 dB (90 Prozent der Fälle). Unter 10 dB liest er zu hoch, um 3 dB oder mehr. Mit dem K2-Detektor gilt er ab 5 dB für einen Stadtplatz und für Straßenverkehr sowie gepoolt über Küche, Wohnzimmer, Flur und Kantine (90. Perzentil 4,4 dB bei 5 dB); bei 10 dB liegt der gepoolte Wert über diese vier bei 6,25 dB, und eine U-Bahn erreicht 7,3 dB; bei 0 dB liest er noch etwa 6 dB zu hoch.

6. clipping { "count": 0, "severity": "None" } Validiert

   Keine Samples wurden abgeflacht.

7. sceneBackground "unsteady" Proxy

   Ein Wort für das, was die Pausen füllt. Nur an synthetischen Szenen getestet, nicht an echten Aufnahmen. Bei dieser sauberen synthetischen Stimme steht dort „unsteady“: Lies das nicht als Tatsache über den Raum.

8. activeKind "music" Proxy

   Eine Vermutung zur Art des Klangs. Für diese Stimme steht dort „music“: ein weiterer Grund, Vermutungen als Vermutungen zu behandeln.

9. roomEchoScore 0.223 Zurückgezogen

   Keine Nachhall-Messgröße: Der Score folgte gemessenen Nachhallzeiten mit einem Spearman von 0,06. Er bleibt in der Antwort, damit nichts bricht. Höchstens sagt er, wie viel Energie in den Pausen übrig bleibt.

10. sibilanceRisk "Low" Proxy

    Low, Medium oder High. Nur die Richtung ist getestet: Mehr Energie um 7 kHz schiebt den Wert nach oben.

So reproduzierst du sie:

curl -s https://audiolab.tools/v1/voicelab/qa \
  -H "Authorization: Bearer $AUDIOLAB_KEY" \
  -H "Content-Type: application/json" \
  -d '{"url":"https://audiolab.tools/samples/voice/speech-male-plain.mp3","round":true,"measureStatus":true}'

Ohne Schlüssel bekommst du einen Test mit 20 Aufrufen im Monat, 3 pro Minute.

Die fünf Status

Jede Messgröße trägt eines von fünf Wörtern. Es sind dieselben Wörter und Farben auf /lenses, im OpenAPI-Dokument, in den Labs und im measureStatus einer Antwort.

Was du schließen darfst

Du siehst	Du darfst sagen	Du darfst nicht sagen
Validiert, mit Marge	Die Zahl, mit ihrer Marge: „22 dB, plus minus 6“	Dass eine Lücke zwischen zwei Aufnahmen, die kleiner ist als die Marge, ein echter Unterschied ist
Validiert, ohne Marge	Die Zahl stimmt für das, was sie misst	Dass sie mehr bedeutet als ihre Beschreibung: Lies „Was es nicht ist“ auf /lenses
Proxy	„Anbieter A lässt bei demselben Text mehr Pausen als Anbieter B“	„A spricht 64 % der Zeit“, „der Raum ist unruhig“
Zurückgezogen	Nur das, wofür ihr Eintrag auf /lenses noch einsteht	Was der alte Name versprach: roomEchoScore ist keine Raum-Messgröße

Eine Marge ist, wie weit die Zahl danebenliegen kann. Sie stammt aus der Norm, gegen die die Messgröße getestet wurde, oder aus unseren eigenen Messungen an echten Aufnahmen, und die Antwort sagt, für welche Bedingungen sie gilt.

Woher die Zahlen kommen

Die API, die Labs, die MCP-Server und /lenses lesen alle dieselbe Liste von Messgrößen, ein Status kann sich also nicht zwischen ihnen unterscheiden. Wird eine Messgröße erneut getestet und verschiebt sich, steht die Änderung im Changelog, und die Antwort zeigt den neuen Status beim nächsten Mal, wenn du fragst. Wie Änderungen angekündigt werden: Änderungen und Deprecation.