非MLボコーダー・再現可能な比較

ベース手法と既存方式を比較する

既存の非ML方式を同じ入力で動かし、測定の妥当性・失敗・再現性を確認した比較結果です。音質の最良や知覚的な透明性を認定する実験ではありません。

正式ベース手法：world_harvest
ユーザー指定により、WORLD Harvestの音高推定とWORLDの解析・合成を初代ベースに設定。比較実験による品質最良の認定ではありません。
各表のΔは world_harvest との差です。その時点の正式ベース手法との差です。初代選定後もベース手法と版を記録して比較します。

入力の種類ごとの要約

同一条件の対応のある比較を基本にします。以下はケース中央値の診断値で、MOSでも品質順位でもありません。失敗件数を分母とともに残します。

群	方式	全ケース	有効スコア	MR-STFT中央値 dB	比較相手との差分中央値 dB
合成診断信号	WORLD・DIO解析（world_dio）	30	30	4.957	0.000
合成診断信号	WORLD・Harvest解析（world_harvest）	30	30	4.506	0.000
合成診断信号	LLSM・WORLDの音高を使用（llsm_world_dio）	30	30	4.260	-0.320
自然音声	WORLD・DIO解析（world_dio）	2	2	5.517	-0.020
自然音声	WORLD・Harvest解析（world_harvest）	2	2	5.537	0.000
自然音声	LLSM・WORLDの音高を使用（llsm_world_dio）	2	2	4.536	-1.001

原音と各方式の音声

自然音声2区間と110 Hz調波音の固定先頭最大2秒。方式間で同じ区間を使用。波形は浮動小数点WAVに保存し、音量正規化・クリッピング・リサンプリングはしていません。再生機器の音量は低めから調整してください。音声例だけから全体の品質を判定しません。

原音は無加工再合成の正解参照です。自然音声を編集した後の正解波形ではありません。ここで音声を聴けることは、新しい聴取実験や人による品質評定を実施したという意味ではありません。

110 Hzの調波音

harmonic_110_16000

原音（再合成の正解参照）

1.2秒・16000 Hz

WORLD Harvest（正式ベース）

1.2秒・16000 Hz

LLSM（WORLD DIOの音高）

1.2秒・16000 Hz

WORLD DIO

1.2秒・16000 Hz

自然音声の固定先頭区間

librispeech_5142-36586_first6s

原音（再合成の正解参照）

2.0秒・16000 Hz

WORLD Harvest（正式ベース）

2.0秒・16000 Hz

LLSM（WORLD DIOの音高）

2.0秒・16000 Hz

WORLD DIO

2.0秒・16000 Hz

自然音声の固定先頭区間

librispeech_7021-79759_first6s

原音（再合成の正解参照）

2.0秒・16000 Hz

WORLD Harvest（正式ベース）

2.0秒・16000 Hz

LLSM（WORLD DIOの音高）

2.0秒・16000 Hz

WORLD DIO

2.0秒・16000 Hz

比較の役割

WORLD DIO + StoneMask と WORLD Harvest：同じCheapTrick・D4C・合成器に対する解析器の比較。
LLSM layer 0：WORLD DIOの同じF0を渡して別の解析合成表現を比較。音高の推定から合成まで独立した方式同士の比較ではありません。
原音コピー（identity）：測定器の検査だけに使う原音コピー。ボコーダーの候補や最良手法には数えません。

測定条件

今回の自然音声はLibriSpeechの2話者、2区間、合計12.0秒です（読み込めた固定先頭区間）。人工信号は加算合成、パルス列とIIR共鳴器、変調雑音、無音、インパルスで作り、評価対象デコーダーから生成していません。録音の新しい聴取評価は行っていません。

自動時間整列・動的時間伸縮・ゲイン正規化は行いません。MR-STFT（複数の窓長で測るスペクトル誤差）の窓長は5・20・80 msです。音高は独立YIN型測定器で既知F0に対して測定します。自然音声のF0の絶対正解はありません。—は未定義・対象外でありゼロ誤差ではありません。

F0診断だけに固定2 kHz・6次のバターワースフィルタによる前向き・後向き処理と、最大80 msの偶対称反射（端点の波形を鏡写しに延長する処理）を適用します。2 kHz以下に十分な周期成分が必要で、自然音声全般の精度は未校正です。STFT・帯域・レベル測定はこの前処理を使いません。78ケースの校正と追加反例も確認してください。

測定器の校正

入力信号をそのまま測定した音高誤差P95のケース最大値: 3.117 cent。既知有声の欠測: 0フレーム、既知無声の誤有声: 0フレーム。境界を跨ぐフレームは別計数です。詳細と欠測分母は results.json に保存しています。

別途、原音コピー、既知の音量変更、10 msの時間ずらし、高域の除去、末尾の切り落とし、非数（NaN）、無限大（Inf）、直流成分（DC）、無音化による独立監査を行います。その記録はこの出力先には測定器監査の記録はありません。

表の読み方

F0は基本周波数で、周期的な音の高さに対応します。cent（セント）は音程差の単位で、100 centが1半音です。
P95は誤差の95パーセンタイルです。測定できたフレームの95％がこの値以下ですが、欠測は別に確認します。
Δは「対象の誤差 − 比較相手の誤差」です。負ならこの指標の誤差が比較相手より小さく、正なら大きいことを表します。音質全体の順位ではありません。
RMS差は実効値で測るレベル差です。正は原音より大きく、負は小さいことを表し、0 dBに近いほどレベルが一致します。
フレームは測定用に切り出す短い区間、サンプルは波形の1点です。有声の欠測は本来ある周期を測れなかった区間、誤有声は本来無声の区間を有声と判定したものです。
—は未定義・対象外です。計算の完了や欠測の少なさだけで、聴感上の良さを保証しません。

無加工再合成の全ケース

「処理完了／測定完了（measured / ok）」は計算できたという状態です。無音化、音高欠測、レベル誤差などを含め、品質合格を意味しません。STFT・帯域差・cent誤差は小さいほど原音に近い診断値です。

入力	比較対象	状態	MR-STFT dB	Δ対world_harvest dB	帯域差 dB	RMS差 dB	F0 P95 cent	測定できた／真値の有声フレーム	誤有声（フレーム）
正弦波（sine_120_16000）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-9.031	0.000	0.000	0.032	113 / 113	0
正弦波（sine_120_16000）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	5.915	-3.116	3.960	3.962	3.020	113 / 113	0
正弦波（sine_120_16000）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	9.031	0.000	9.179	-1.601	—	0 / 113	0
正弦波（sine_120_16000）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	4.037	-4.994	0.068	-0.068	0.738	113 / 113	0
調波音（harmonic_110_16000）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-7.337	0.000	0.000	0.025	113 / 113	0
調波音（harmonic_110_16000）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	7.494	0.157	0.225	0.509	0.083	113 / 113	0
調波音（harmonic_110_16000）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	7.337	0.000	0.221	0.517	0.059	113 / 113	0
調波音（harmonic_110_16000）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	1.268	-6.068	0.070	-0.074	0.139	113 / 113	0
調波音（harmonic_220_16000）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-7.533	0.000	0.000	0.074	113 / 113	0
調波音（harmonic_220_16000）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	7.446	-0.087	0.831	0.511	0.157	113 / 113	0
調波音（harmonic_220_16000）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	7.533	0.000	0.740	0.509	0.152	113 / 113	0
調波音（harmonic_220_16000）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	2.035	-5.498	0.288	-0.060	0.156	113 / 113	0
基本波を除いた調波音（missing_fundamental_150_16000）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-13.322	0.000	0.000	0.109	113 / 113	0
基本波を除いた調波音（missing_fundamental_150_16000）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	11.451	-1.871	1.384	0.288	1229.366	113 / 113	0
基本波を除いた調波音（missing_fundamental_150_16000）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	13.322	0.000	1.306	0.645	—	0 / 113	0
基本波を除いた調波音（missing_fundamental_150_16000）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	31.440	18.117	0.445	0.033	—	0 / 113	0
音高が連続的に変わる調波音（harmonic_sweep_90_240_16000）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-3.412	0.000	0.000	3.117	143 / 143	0
音高が連続的に変わる調波音（harmonic_sweep_90_240_16000）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	3.507	0.095	0.628	0.621	3.748	143 / 143	0
音高が連続的に変わる調波音（harmonic_sweep_90_240_16000）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	3.412	0.000	0.626	0.611	3.907	143 / 143	0
音高が連続的に変わる調波音（harmonic_sweep_90_240_16000）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	3.197	-0.215	0.069	-0.062	3.196	143 / 143	0
パルス列と共鳴器による母音様音（pulse_iir_vowel_90_16000）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-2.345	0.000	0.000	0.272	113 / 113	0
パルス列と共鳴器による母音様音（pulse_iir_vowel_90_16000）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	2.154	-0.191	0.495	0.562	0.265	113 / 113	0
パルス列と共鳴器による母音様音（pulse_iir_vowel_90_16000）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	2.345	0.000	0.499	0.559	0.282	113 / 113	0
パルス列と共鳴器による母音様音（pulse_iir_vowel_90_16000）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	6.723	4.378	0.069	-0.068	0.271	113 / 113	0
音量が周期的に変わる雑音（am_noise_6hz_16000）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-6.657	0.000	0.000	—	0 / 0	0
音量が周期的に変わる雑音（am_noise_6hz_16000）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	6.657	0.000	2.673	0.319	—	0 / 0	0
音量が周期的に変わる雑音（am_noise_6hz_16000）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	6.657	0.000	2.673	0.319	—	0 / 0	0
音量が周期的に変わる雑音（am_noise_6hz_16000）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	6.949	0.292	0.771	0.224	—	0 / 0	0
有声・無声の切替（voiced_unvoiced_boundaries_16000）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-4.909	0.000	0.000	0.117	96 / 96	0
有声・無声の切替（voiced_unvoiced_boundaries_16000）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	5.738	0.829	0.260	0.427	0.362	96 / 96	0
有声・無声の切替（voiced_unvoiced_boundaries_16000）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	4.909	0.000	0.278	0.451	0.439	96 / 96	0
有声・無声の切替（voiced_unvoiced_boundaries_16000）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	4.483	-0.426	0.130	0.030	0.240	96 / 96	0
無音（silence_16000）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-14.747	—	—	—	0 / 0	0
無音（silence_16000）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	14.747	0.000	—	—	—	0 / 0	0
無音（silence_16000）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	14.747	0.000	—	—	—	0 / 0	0
無音（silence_16000）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	73.312	58.565	—	—	—	0 / 0	0
瞬間的なパルス（impulse_16000）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-1.926	0.000	0.000	—	0 / 0	0
瞬間的なパルス（impulse_16000）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	1.926	0.000	3.301	3.477	—	0 / 0	0
瞬間的なパルス（impulse_16000）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	1.926	0.000	3.301	3.477	—	0 / 0	0
瞬間的なパルス（impulse_16000）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	24.128	22.202	0.349	0.268	—	0 / 0	0
正弦波（sine_120_24000）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-6.329	0.000	0.000	0.021	113 / 113	0
正弦波（sine_120_24000）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	18.022	11.693	3.837	3.841	3.224	113 / 113	0
正弦波（sine_120_24000）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	6.329	0.000	9.624	-1.557	—	0 / 113	0
正弦波（sine_120_24000）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	1.399	-4.930	0.053	-0.052	0.250	113 / 113	0
調波音（harmonic_110_24000）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-5.072	0.000	0.000	0.022	113 / 113	0
調波音（harmonic_110_24000）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	4.938	-0.135	0.239	0.540	0.087	113 / 113	0
調波音（harmonic_110_24000）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	5.072	0.000	0.244	0.546	0.095	113 / 113	0
調波音（harmonic_110_24000）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	0.734	-4.338	0.048	-0.041	0.088	113 / 113	0
調波音（harmonic_220_24000）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-4.350	0.000	0.000	0.078	113 / 113	0
調波音（harmonic_220_24000）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	4.365	0.015	0.604	0.531	0.172	113 / 113	0
調波音（harmonic_220_24000）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	4.350	0.000	0.566	0.530	0.161	113 / 113	0
調波音（harmonic_220_24000）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	0.961	-3.388	0.158	-0.037	0.116	113 / 113	0
基本波を除いた調波音（missing_fundamental_150_24000）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-9.047	0.000	0.000	0.033	113 / 113	0
基本波を除いた調波音（missing_fundamental_150_24000）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	7.892	-1.154	1.432	0.493	1211.825	62 / 113	0
基本波を除いた調波音（missing_fundamental_150_24000）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	9.047	0.000	1.346	0.566	—	0 / 113	0
基本波を除いた調波音（missing_fundamental_150_24000）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	22.680	13.633	0.639	-0.392	—	0 / 113	0
音高が連続的に変わる調波音（harmonic_sweep_90_240_24000）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-3.462	0.000	0.000	3.078	143 / 143	0
音高が連続的に変わる調波音（harmonic_sweep_90_240_24000）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	3.577	0.115	0.592	0.617	3.707	143 / 143	0
音高が連続的に変わる調波音（harmonic_sweep_90_240_24000）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	3.462	0.000	0.621	0.621	3.789	143 / 143	0
音高が連続的に変わる調波音（harmonic_sweep_90_240_24000）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	1.070	-2.392	0.048	-0.049	3.176	143 / 143	0
パルス列と共鳴器による母音様音（pulse_iir_vowel_90_24000）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-3.234	0.000	0.000	0.088	113 / 113	0
パルス列と共鳴器による母音様音（pulse_iir_vowel_90_24000）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	3.532	0.298	0.476	0.553	0.114	113 / 113	0
パルス列と共鳴器による母音様音（pulse_iir_vowel_90_24000）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	3.234	0.000	0.475	0.548	0.202	113 / 113	0
パルス列と共鳴器による母音様音（pulse_iir_vowel_90_24000）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	2.390	-0.844	0.044	-0.052	0.142	113 / 113	0
音量が周期的に変わる雑音（am_noise_6hz_24000）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-5.851	0.000	0.000	—	0 / 0	0
音量が周期的に変わる雑音（am_noise_6hz_24000）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	5.860	0.009	2.336	0.117	—	0 / 0	0
音量が周期的に変わる雑音（am_noise_6hz_24000）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	5.851	0.000	2.336	0.117	—	0 / 0	0
音量が周期的に変わる雑音（am_noise_6hz_24000）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	6.858	1.006	0.672	0.001	—	0 / 0	0
有声・無声の切替（voiced_unvoiced_boundaries_24000）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-4.509	0.000	0.000	0.048	96 / 96	0
有声・無声の切替（voiced_unvoiced_boundaries_24000）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	4.976	0.467	0.290	0.465	0.300	96 / 96	0
有声・無声の切替（voiced_unvoiced_boundaries_24000）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	4.509	0.000	0.295	0.481	0.276	96 / 96	0
有声・無声の切替（voiced_unvoiced_boundaries_24000）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	2.964	-1.546	0.090	-0.044	0.142	96 / 96	0
無音（silence_24000）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-13.230	—	—	—	0 / 0	0
無音（silence_24000）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	13.230	0.000	—	—	—	0 / 0	0
無音（silence_24000）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	13.230	0.000	—	—	—	0 / 0	0
無音（silence_24000）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	70.859	57.630	—	—	—	0 / 0	0
瞬間的なパルス（impulse_24000）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-1.917	0.000	0.000	—	0 / 0	0
瞬間的なパルス（impulse_24000）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	1.917	0.000	2.805	2.959	—	0 / 0	0
瞬間的なパルス（impulse_24000）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	1.917	0.000	2.805	2.959	—	0 / 0	0
瞬間的なパルス（impulse_24000）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	25.163	23.246	0.445	0.275	—	0 / 0	0
正弦波（sine_120_48000）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-3.235	0.000	0.000	0.005	113 / 113	0
正弦波（sine_120_48000）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	13.980	10.746	3.836	3.840	3.294	113 / 113	0
正弦波（sine_120_48000）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	3.235	0.000	9.407	-1.387	—	0 / 113	0
正弦波（sine_120_48000）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	0.819	-2.416	0.020	-0.020	0.189	113 / 113	0
調波音（harmonic_110_48000）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-2.685	0.000	0.000	0.004	113 / 113	0
調波音（harmonic_110_48000）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	2.568	-0.117	0.239	0.541	0.084	113 / 113	0
調波音（harmonic_110_48000）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	2.685	0.000	0.240	0.546	0.088	113 / 113	0
調波音（harmonic_110_48000）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	0.335	-2.350	0.032	-0.028	0.061	113 / 113	0
調波音（harmonic_220_48000）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-2.287	0.000	0.000	0.018	113 / 113	0
調波音（harmonic_220_48000）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	2.324	0.036	0.609	0.532	0.091	113 / 113	0
調波音（harmonic_220_48000）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	2.287	0.000	0.567	0.531	0.095	113 / 113	0
調波音（harmonic_220_48000）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	0.402	-1.885	0.339	-0.020	0.039	113 / 113	0
基本波を除いた調波音（missing_fundamental_150_48000）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-4.502	0.000	0.000	0.008	113 / 113	0
基本波を除いた調波音（missing_fundamental_150_48000）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	4.133	-0.369	1.418	0.493	1210.062	58 / 113	0
基本波を除いた調波音（missing_fundamental_150_48000）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	4.502	0.000	1.364	0.905	—	0 / 113	0
基本波を除いた調波音（missing_fundamental_150_48000）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	22.543	18.040	0.947	-0.609	—	0 / 113	0
音高が連続的に変わる調波音（harmonic_sweep_90_240_48000）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-2.007	0.000	0.000	3.066	143 / 143	0
音高が連続的に変わる調波音（harmonic_sweep_90_240_48000）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	2.078	0.070	0.625	0.626	3.684	143 / 143	0
音高が連続的に変わる調波音（harmonic_sweep_90_240_48000）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	2.007	0.000	0.613	0.621	3.813	143 / 143	0
音高が連続的に変わる調波音（harmonic_sweep_90_240_48000）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	0.447	-1.560	0.026	-0.030	3.443	143 / 143	0
パルス列と共鳴器による母音様音（pulse_iir_vowel_90_48000）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-2.196	0.000	0.000	0.054	113 / 113	0
パルス列と共鳴器による母音様音（pulse_iir_vowel_90_48000）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	2.098	-0.098	0.474	0.549	0.049	113 / 113	0
パルス列と共鳴器による母音様音（pulse_iir_vowel_90_48000）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	2.196	0.000	0.476	0.547	0.151	113 / 113	0
パルス列と共鳴器による母音様音（pulse_iir_vowel_90_48000）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	5.539	3.342	0.070	-0.035	0.057	113 / 113	0
音量が周期的に変わる雑音（am_noise_6hz_48000）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-5.088	0.000	0.000	—	0 / 0	0
音量が周期的に変わる雑音（am_noise_6hz_48000）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	5.088	0.000	2.194	0.186	—	0 / 0	0
音量が周期的に変わる雑音（am_noise_6hz_48000）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	5.088	0.000	2.194	0.186	—	0 / 0	0
音量が周期的に変わる雑音（am_noise_6hz_48000）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	7.154	2.066	0.851	-0.293	—	0 / 0	0
有声・無声の切替（voiced_unvoiced_boundaries_48000）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-3.122	0.000	0.000	0.008	96 / 96	0
有声・無声の切替（voiced_unvoiced_boundaries_48000）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	3.304	0.182	0.220	0.476	0.299	96 / 96	0
有声・無声の切替（voiced_unvoiced_boundaries_48000）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	3.122	0.000	0.240	0.492	0.418	96 / 96	0
有声・無声の切替（voiced_unvoiced_boundaries_48000）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	2.419	-0.703	0.203	-0.092	0.136	96 / 96	0
無音（silence_48000）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-10.536	—	—	—	0 / 0	0
無音（silence_48000）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	10.536	0.000	—	—	—	0 / 0	0
無音（silence_48000）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	10.536	0.000	—	—	—	0 / 0	0
無音（silence_48000）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	66.476	55.940	—	—	—	0 / 0	0
瞬間的なパルス（impulse_48000）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-1.898	0.000	0.000	—	0 / 0	0
瞬間的なパルス（impulse_48000）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	1.898	0.000	3.920	3.550	—	0 / 0	0
瞬間的なパルス（impulse_48000）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	1.898	0.000	3.920	3.550	—	0 / 0	0
瞬間的なパルス（impulse_48000）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	26.658	24.760	0.583	0.287	—	0 / 0	0
LibriSpeechの自然音声（librispeech_5142-36586_first6s）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-5.681	0.000	0.000	—	— / —	—
LibriSpeechの自然音声（librispeech_5142-36586_first6s）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	5.606	-0.075	0.692	0.784	—	— / —	—
LibriSpeechの自然音声（librispeech_5142-36586_first6s）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	5.681	0.000	0.663	0.773	—	— / —	—
LibriSpeechの自然音声（librispeech_5142-36586_first6s）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	4.650	-1.031	0.347	-0.328	—	— / —	—
LibriSpeechの自然音声（librispeech_7021-79759_first6s）	原音コピー（測定器の検査用）（identity）	処理完了（measured）／測定完了（ok）	0.000	-5.393	0.000	0.000	—	— / —	—
LibriSpeechの自然音声（librispeech_7021-79759_first6s）	WORLD・DIO解析（world_dio）	処理完了（measured）／測定完了（ok）	5.428	0.035	0.773	0.758	—	— / —	—
LibriSpeechの自然音声（librispeech_7021-79759_first6s）	WORLD・Harvest解析（world_harvest）	処理完了（measured）／測定完了（ok）	5.393	0.000	0.845	0.778	—	— / —	—
LibriSpeechの自然音声（librispeech_7021-79759_first6s）	LLSM・WORLDの音高を使用（llsm_world_dio）	処理完了（measured）／測定完了（ok）	4.422	-0.971	0.528	-0.319	—	— / —	—

操作試験

未操作の同方式出力からの変化を測ります。既知F0への絶対誤差と、出力間の相対変化推定を区別します。時間操作の全長一致だけでは局所イベントや末尾の保持を保証しません。LLSMの操作は今回未実装であり、合格に数えません。

入力	方式	操作	状態	音量追従誤差 dB	真値F0 P95 cent	相対F0 P95 cent	相対比較できた／全フレーム	真値と比較できた／有声フレーム	真値に対する欠測（フレーム）	真値に対する誤有声（フレーム）	イベント誤差ms
調波音（harmonic_110_16000）	WORLD・DIO解析（world_dio）	音高 +3半音（pitch_up3）	処理完了（measured）	—	0.133	0.105	113/113	113/113	0	0	—
調波音（harmonic_110_16000）	WORLD・DIO解析（world_dio）	音高 −3半音（pitch_down3）	処理完了（measured）	—	0.104	0.142	113/113	113/113	0	0	—
調波音（harmonic_110_16000）	WORLD・DIO解析（world_dio）	音量 +6 dB（gain_up6）	処理完了（measured）	0.000019	0.105	0.023	113/113	113/113	0	0	—
調波音（harmonic_110_16000）	WORLD・DIO解析（world_dio）	音量 −6 dB（gain_down6）	処理完了（measured）	-0.000024	0.076	0.014	113/113	113/113	0	0	—
調波音（harmonic_110_16000）	WORLD・DIO解析（world_dio）	時間長 1.25倍（time_1p25）	処理完了（measured）	—	—	—	—/—	—/—	—	—	—
調波音（harmonic_110_16000）	WORLD・Harvest解析（world_harvest）	音高 +3半音（pitch_up3）	処理完了（measured）	—	0.117	0.116	113/113	113/113	0	0	—
調波音（harmonic_110_16000）	WORLD・Harvest解析（world_harvest）	音高 −3半音（pitch_down3）	処理完了（measured）	—	0.075	0.079	113/113	113/113	0	0	—
調波音（harmonic_110_16000）	WORLD・Harvest解析（world_harvest）	音量 +6 dB（gain_up6）	処理完了（measured）	0.000009	0.072	0.020	113/113	113/113	0	0	—
調波音（harmonic_110_16000）	WORLD・Harvest解析（world_harvest）	音量 −6 dB（gain_down6）	処理完了（measured）	-0.000012	0.053	0.011	113/113	113/113	0	0	—
調波音（harmonic_110_16000）	WORLD・Harvest解析（world_harvest）	時間長 1.25倍（time_1p25）	処理完了（measured）	—	—	—	—/—	—/—	—	—	—
有声・無声の切替（voiced_unvoiced_boundaries_16000）	WORLD・DIO解析（world_dio）	音高 +3半音（pitch_up3）	処理完了（measured）	—	0.399	0.689	99/153	96/96	0	0	—
有声・無声の切替（voiced_unvoiced_boundaries_16000）	WORLD・DIO解析（world_dio）	音高 −3半音（pitch_down3）	処理完了（measured）	—	0.300	0.599	99/153	96/96	0	0	—
有声・無声の切替（voiced_unvoiced_boundaries_16000）	WORLD・DIO解析（world_dio）	音量 +6 dB（gain_up6）	処理完了（measured）	0.000004	0.448	0.098	99/153	96/96	0	0	—
有声・無声の切替（voiced_unvoiced_boundaries_16000）	WORLD・DIO解析（world_dio）	音量 −6 dB（gain_down6）	処理完了（measured）	0.000003	0.290	0.091	99/153	96/96	0	0	—
有声・無声の切替（voiced_unvoiced_boundaries_16000）	WORLD・DIO解析（world_dio）	時間長 1.25倍（time_1p25）	処理完了（measured）	—	—	—	—/—	—/—	—	—	—
有声・無声の切替（voiced_unvoiced_boundaries_16000）	WORLD・Harvest解析（world_harvest）	音高 +3半音（pitch_up3）	処理完了（measured）	—	0.383	0.258	98/153	96/96	0	0	—
有声・無声の切替（voiced_unvoiced_boundaries_16000）	WORLD・Harvest解析（world_harvest）	音高 −3半音（pitch_down3）	処理完了（measured）	—	0.306	0.239	97/153	96/96	0	0	—
有声・無声の切替（voiced_unvoiced_boundaries_16000）	WORLD・Harvest解析（world_harvest）	音量 +6 dB（gain_up6）	処理完了（measured）	-0.000052	0.472	0.095	98/153	96/96	0	0	—
有声・無声の切替（voiced_unvoiced_boundaries_16000）	WORLD・Harvest解析（world_harvest）	音量 −6 dB（gain_down6）	処理完了（measured）	0.000046	0.436	0.081	98/153	96/96	0	0	—
有声・無声の切替（voiced_unvoiced_boundaries_16000）	WORLD・Harvest解析（world_harvest）	時間長 1.25倍（time_1p25）	処理完了（measured）	—	—	—	—/—	—/—	—	—	—
瞬間的なパルス（impulse_16000）	WORLD・DIO解析（world_dio）	音高 +3半音（pitch_up3）	処理完了（measured）	—	—	—	0/73	0/0	0	0	1.688
瞬間的なパルス（impulse_16000）	WORLD・DIO解析（world_dio）	音高 −3半音（pitch_down3）	処理完了（measured）	—	—	—	0/73	0/0	0	0	1.688
瞬間的なパルス（impulse_16000）	WORLD・DIO解析（world_dio）	音量 +6 dB（gain_up6）	処理完了（measured）	-0.000000	—	—	0/73	0/0	0	0	1.688
瞬間的なパルス（impulse_16000）	WORLD・DIO解析（world_dio）	音量 −6 dB（gain_down6）	処理完了（measured）	0.000000	—	—	0/73	0/0	0	0	1.688
瞬間的なパルス（impulse_16000）	WORLD・DIO解析（world_dio）	時間長 1.25倍（time_1p25）	処理完了（measured）	—	—	—	—/—	—/—	—	—	1.500
瞬間的なパルス（impulse_16000）	WORLD・Harvest解析（world_harvest）	音高 +3半音（pitch_up3）	処理完了（measured）	—	—	—	0/73	0/0	0	0	1.688
瞬間的なパルス（impulse_16000）	WORLD・Harvest解析（world_harvest）	音高 −3半音（pitch_down3）	処理完了（measured）	—	—	—	0/73	0/0	0	0	1.688
瞬間的なパルス（impulse_16000）	WORLD・Harvest解析（world_harvest）	音量 +6 dB（gain_up6）	処理完了（measured）	-0.000000	—	—	0/73	0/0	0	0	1.688
瞬間的なパルス（impulse_16000）	WORLD・Harvest解析（world_harvest）	音量 −6 dB（gain_down6）	処理完了（measured）	0.000000	—	—	0/73	0/0	0	0	1.688
瞬間的なパルス（impulse_16000）	WORLD・Harvest解析（world_harvest）	時間長 1.25倍（time_1p25）	処理完了（measured）	—	—	—	—/—	—/—	—	—	1.500
LibriSpeechの自然音声（librispeech_5142-36586_first6s）	WORLD・DIO解析（world_dio）	音高 +3半音（pitch_up3）	処理完了（measured）	—	—	8.644	136/593	—/—	—	—	—
LibriSpeechの自然音声（librispeech_5142-36586_first6s）	WORLD・DIO解析（world_dio）	音高 −3半音（pitch_down3）	処理完了（measured）	—	—	6.425	108/593	—/—	—	—	—
LibriSpeechの自然音声（librispeech_5142-36586_first6s）	WORLD・DIO解析（world_dio）	音量 +6 dB（gain_up6）	処理完了（measured）	0.000003	—	0.002	139/593	—/—	—	—	—
LibriSpeechの自然音声（librispeech_5142-36586_first6s）	WORLD・DIO解析（world_dio）	音量 −6 dB（gain_down6）	処理完了（measured）	-0.000005	—	0.005	139/593	—/—	—	—	—
LibriSpeechの自然音声（librispeech_5142-36586_first6s）	WORLD・DIO解析（world_dio）	時間長 1.25倍（time_1p25）	処理完了（measured）	—	—	—	—/—	—/—	—	—	—
LibriSpeechの自然音声（librispeech_5142-36586_first6s）	WORLD・Harvest解析（world_harvest）	音高 +3半音（pitch_up3）	処理完了（measured）	—	—	7.099	144/593	—/—	—	—	—
LibriSpeechの自然音声（librispeech_5142-36586_first6s）	WORLD・Harvest解析（world_harvest）	音高 −3半音（pitch_down3）	処理完了（measured）	—	—	6.717	112/593	—/—	—	—	—
LibriSpeechの自然音声（librispeech_5142-36586_first6s）	WORLD・Harvest解析（world_harvest）	音量 +6 dB（gain_up6）	処理完了（measured）	0.000005	—	0.002	152/593	—/—	—	—	—
LibriSpeechの自然音声（librispeech_5142-36586_first6s）	WORLD・Harvest解析（world_harvest）	音量 −6 dB（gain_down6）	処理完了（measured）	-0.000015	—	0.008	152/593	—/—	—	—	—
LibriSpeechの自然音声（librispeech_5142-36586_first6s）	WORLD・Harvest解析（world_harvest）	時間長 1.25倍（time_1p25）	処理完了（measured）	—	—	—	—/—	—/—	—	—	—
LibriSpeechの自然音声（librispeech_7021-79759_first6s）	WORLD・DIO解析（world_dio）	音高 +3半音（pitch_up3）	処理完了（measured）	—	—	17.065	113/593	—/—	—	—	—
LibriSpeechの自然音声（librispeech_7021-79759_first6s）	WORLD・DIO解析（world_dio）	音高 −3半音（pitch_down3）	処理完了（measured）	—	—	10.661	90/593	—/—	—	—	—
LibriSpeechの自然音声（librispeech_7021-79759_first6s）	WORLD・DIO解析（world_dio）	音量 +6 dB（gain_up6）	処理完了（measured）	0.000002	—	0.001	114/593	—/—	—	—	—
LibriSpeechの自然音声（librispeech_7021-79759_first6s）	WORLD・DIO解析（world_dio）	音量 −6 dB（gain_down6）	処理完了（measured）	-0.000002	—	0.004	114/593	—/—	—	—	—
LibriSpeechの自然音声（librispeech_7021-79759_first6s）	WORLD・DIO解析（world_dio）	時間長 1.25倍（time_1p25）	処理完了（measured）	—	—	—	—/—	—/—	—	—	—
LibriSpeechの自然音声（librispeech_7021-79759_first6s）	WORLD・Harvest解析（world_harvest）	音高 +3半音（pitch_up3）	処理完了（measured）	—	—	16.124	119/593	—/—	—	—	—
LibriSpeechの自然音声（librispeech_7021-79759_first6s）	WORLD・Harvest解析（world_harvest）	音高 −3半音（pitch_down3）	処理完了（measured）	—	—	10.275	96/593	—/—	—	—	—
LibriSpeechの自然音声（librispeech_7021-79759_first6s）	WORLD・Harvest解析（world_harvest）	音量 +6 dB（gain_up6）	処理完了（measured）	0.000001	—	0.003	119/593	—/—	—	—	—
LibriSpeechの自然音声（librispeech_7021-79759_first6s）	WORLD・Harvest解析（world_harvest）	音量 −6 dB（gain_down6）	処理完了（measured）	-0.000001	—	0.008	119/593	—/—	—	—	—
LibriSpeechの自然音声（librispeech_7021-79759_first6s）	WORLD・Harvest解析（world_harvest）	時間長 1.25倍（time_1p25）	処理完了（measured）	—	—	—	—/—	—/—	—	—	—

デコーダー単体と失敗記録

エンコーダーを通さず、手作りの特徴量から合成した結果です。「全値が有限」は非数や無限大がないことだけを示します。無声指定では音高誤差は定義しません。

指定	状態	出力サンプル数	全値が有限	音高誤差 P95 cent	測定できた／真値の有声フレーム	誤有声フレーム
無声指定（F0=0 Hz）	処理完了（measured）	8000	はい	—	0 / 0	0
音高 140 Hz 指定	処理完了（measured）	8000	はい	0.198	43 / 43	0

以下の再合成の失敗記録は、処理できなかった、または測定状態が正常完了でなかった行です。0件でも音高欠測などの品質上の問題がないとは限りません。

手作り特徴からの合成結果

[
  {
    "f0_hz": 0.0,
    "sample_rate": 16000,
    "status": "measured",
    "output_samples": 8000,
    "finite": true,
    "pitch": {
      "estimator": "independent-yin-difference-v2-prefiltered",
      "frame_ms": 80.0,
      "hop_ms": 10.0,
      "prefilter": {
        "kind": "butterworth-forward-backward",
        "order_per_pass": 6,
        "cutoff_hz": 2000.0,
        "pad_type": "even",
        "max_pad_samples": 1280
      },
      "validated_scope": "independent synthetic calibration; requires sufficient periodic energy below 2 kHz; not validated for natural speech",
      "fmin_hz": 65.0,
      "fmax_hz": 700.0,
      "total_frames": 43,
      "expected_voiced_frames": 0,
      "expected_unvoiced_frames": 43,
      "boundary_frames": 0,
      "boundary_policy": "mixed-truth windows counted but excluded from cent and UV summaries",
      "valid_voiced_frames": 0,
      "missing_voiced_frames": 0,
      "false_voiced_frames": 0,
      "gross_pitch_error_frames": 0,
      "abs_error_cents_median": null,
      "abs_error_cents_p95": null,
      "voiced_detection_rate": null,
      "unvoiced_false_positive_rate": 0.0,
      "score_status": "no_valid_voiced_frames",
      "uncovered_tail_samples": 0
    }
  },
  {
    "f0_hz": 140.0,
    "sample_rate": 16000,
    "status": "measured",
    "output_samples": 8000,
    "finite": true,
    "pitch": {
      "estimator": "independent-yin-difference-v2-prefiltered",
      "frame_ms": 80.0,
      "hop_ms": 10.0,
      "prefilter": {
        "kind": "butterworth-forward-backward",
        "order_per_pass": 6,
        "cutoff_hz": 2000.0,
        "pad_type": "even",
        "max_pad_samples": 1280
      },
      "validated_scope": "independent synthetic calibration; requires sufficient periodic energy below 2 kHz; not validated for natural speech",
      "fmin_hz": 65.0,
      "fmax_hz": 700.0,
      "total_frames": 43,
      "expected_voiced_frames": 43,
      "expected_unvoiced_frames": 0,
      "boundary_frames": 0,
      "boundary_policy": "mixed-truth windows counted but excluded from cent and UV summaries",
      "valid_voiced_frames": 43,
      "missing_voiced_frames": 0,
      "false_voiced_frames": 0,
      "gross_pitch_error_frames": 0,
      "abs_error_cents_median": 0.11770727118258656,
      "abs_error_cents_p95": 0.19839938546532165,
      "voiced_detection_rate": 1.0,
      "unvoiced_false_positive_rate": null,
      "score_status": "ok",
      "uncovered_tail_samples": 0
    }
  }
]

再合成の処理・測定失敗 0 件

[]

今回判断できないこと

多話者・多言語・日本語・歌唱・ささやきへの一般化、話者類似度・表現距離の知覚的妥当性、息っぽさ等の知覚制御、動的・複合操作、長時間連続処理、未使用の最終評価データでの優位は未確認です。48 kHzの人工信号が動いても、48 kHz自然音声の品質確認にはなりません。外部MOS予測器、ViSQOL、eSTOIは今回計測していません。

再現情報

使用したPythonと数値計算ライブラリの版、実行時の親commit、自然音声の取得状態を記録しています。JSONの英語キーと識別子は、元データとの照合や自動処理のために保持しています。

全数値JSON ／測定仕様／進め方／ 5人の議論

{
  "environment": {
    "python": "3.12.14",
    "numpy": "2.3.5",
    "scipy": "1.17.0",
    "platform": "Linux-6.18.44-x86_64-with-glibc2.39"
  },
  "parent_commit": "57ec9ea1848d4c2994c32f5c6890ca5dc35f0323",
  "data_status": [
    {
      "status": "loaded",
      "speakers": 2,
      "excerpts": 2,
      "seconds_per_excerpt": 6
    }
  ]
}

ユーザー指示の正本はリポジトリのUSER_INSTRUCTIONS.mdです。この結果と解釈はAI作成物です。