日本語の通常・ささやき・裏声：補助比較

短時間の音量変化の誤差はベース比で3.7%減少。予測MOSの平均差は0.024です。

方式	音声品質の予測MOS ↑	言葉の明瞭さ eSTOI ↑	短時間の音量変化の誤差 ↓
雑音包絡を分離した候補	2.134	0.771	0.089
自作HNM v1（当時のベース）	2.110	0.771	0.093
WORLD（Harvest）	2.158	0.787	0.232
原音（予測MOSの参照）	3.608	—	—

日本語4話者・12録音の補助診断です。正式な英語120録音とは別集計で、各発声4録音だけの結果です。MOSは音声品質を推定する値、eSTOIは言葉の明瞭さに対応する指標で、高いほど良い方向です。音量変化の誤差は10 msごとの包絡のずれで、低いほど原音に近くなります。

JVSの原音・加工音は利用条件を踏まえて公開していません。英語120録音の正式比較・公開済み音声例を参照してください（日本語の音声例ではありません）。

判断の中心となる英語120録音の比較

親実験で測定済みの値です。日本語12録音はこの平均へ加えていません。

方式	音声品質の予測MOS ↑	言葉の明瞭さ eSTOI ↑	短時間の音量変化の誤差 ↓
雑音包絡を分離した候補	2.568	0.867	0.085
自作HNM v1（当時のベース）	2.565	0.866	0.092
WORLD（Harvest）	3.045	0.905	0.200

英語の公開済み音声例（各2秒・日本語JVSの例ではありません）

原音

自作HNM v1（当時のベース）

雑音包絡を分離した候補

WORLD（Harvest）

発声による違い

発声（各4録音）	方式	予測MOS ↑	eSTOI ↑	音量変化の誤差 ↓	音高推定差 cent ↓
通常	雑音包絡を分離した候補	2.271	0.927	0.049	11.412
通常	自作HNM v1（当時のベース）	2.227	0.927	0.050	11.352
通常	WORLD（Harvest）	2.532	0.946	0.230	23.541
ささやき	雑音包絡を分離した候補	1.868	0.535	0.153	3.505
ささやき	自作HNM v1（当時のベース）	1.903	0.538	0.162	2.920
ささやき	WORLD（Harvest）	1.715	0.520	0.251	測定なし
裏声	雑音包絡を分離した候補	2.263	0.851	0.066	13.619
裏声	自作HNM v1（当時のベース）	2.199	0.847	0.067	12.488
裏声	WORLD（Harvest）	2.226	0.895	0.215	17.875

予測MOSは日本語・ささやき・裏声に対して未校正です。原音も含めた探索的な値で、発声様式の価値を採点するものではありません。原音の平均予測MOSは、通常 4.105、ささやき 3.277、裏声 3.441でした。

音量上限と局所的な振幅

発声	方式	振幅1以上になった出力／測定出力	最大振幅
全体	自作HNM v1（当時のベース）	0/96	0.6988
全体	雑音包絡を分離した候補	0/96	0.7132
全体	WORLD（Harvest）	0/12	0.8024
通常	自作HNM v1（当時のベース）	0/32	0.5273
通常	雑音包絡を分離した候補	0/32	0.4953
通常	WORLD（Harvest）	0/4	0.6560
ささやき	自作HNM v1（当時のベース）	0/32	0.0618
ささやき	雑音包絡を分離した候補	0/32	0.0652
ささやき	WORLD（Harvest）	0/4	0.0777
裏声	自作HNM v1（当時のベース）	0/32	0.6988
裏声	雑音包絡を分離した候補	0/32	0.7132
裏声	WORLD（Harvest）	0/4	0.8024

浮動小数点の波形を保持しており、この測定で振幅を切り落としていません。振幅1以上は再生・整数音声への書出しで歪みにつながり得ますが、超過だけで聴感上の音割れが確定するわけではありません。8反復は8人の話者を意味しません。

全指標と、ベースに対する変化の幅

発声	方式	測定する性質	平均	当時のベースとの差	差の95%区間	測定できた録音／予定
全体	自作HNM v1（当時のベース）	音声品質の予測MOS ↑	2.1095	0.0000	0.0000〜0.0000	12/12
全体	雑音包絡を分離した候補	音声品質の予測MOS ↑	2.1339	0.0244	-0.0347〜0.1112	12/12
全体	WORLD（Harvest）	音声品質の予測MOS ↑	2.1576	0.0481	-0.2490〜0.3041	12/12
全体	自作HNM v1（当時のベース）	言葉の明瞭さ eSTOI ↑	0.7705	0.0000	0.0000〜0.0000	12/12
全体	雑音包絡を分離した候補	言葉の明瞭さ eSTOI ↑	0.7708	0.0003	-0.0003〜0.0011	12/12
全体	WORLD（Harvest）	言葉の明瞭さ eSTOI ↑	0.7869	0.0163	0.0045〜0.0282	12/12
全体	自作HNM v1（当時のベース）	短時間の音量変化の誤差 ↓	0.0929	0.0000	0.0000〜0.0000	12/12
全体	雑音包絡を分離した候補	短時間の音量変化の誤差 ↓	0.0894	-0.0035	-0.0050〜-0.0024	12/12
全体	WORLD（Harvest）	短時間の音量変化の誤差 ↓	0.2319	0.1390	0.1166〜0.1613	12/12
全体	自作HNM v1（当時のベース）	スペクトル誤差 dB ↓	5.6040	0.0000	0.0000〜0.0000	12/12
全体	雑音包絡を分離した候補	スペクトル誤差 dB ↓	5.5852	-0.0188	-0.0313〜-0.0059	12/12
全体	WORLD（Harvest）	スペクトル誤差 dB ↓	5.5994	-0.0046	-0.0305〜0.0213	12/12
全体	自作HNM v1（当時のベース）	帯域ごとの音量誤差 dB ↓	0.6092	0.0000	0.0000〜0.0000	12/12
全体	雑音包絡を分離した候補	帯域ごとの音量誤差 dB ↓	0.6055	-0.0037	-0.0127〜0.0050	12/12
全体	WORLD（Harvest）	帯域ごとの音量誤差 dB ↓	1.6590	1.0498	0.8599〜1.2872	12/12
全体	自作HNM v1（当時のベース）	全体の音量誤差 dB ↓	0.0847	0.0000	0.0000〜0.0000	12/12
全体	雑音包絡を分離した候補	全体の音量誤差 dB ↓	0.0825	-0.0023	-0.0064〜0.0027	12/12
全体	WORLD（Harvest）	全体の音量誤差 dB ↓	1.2353	1.1506	0.9813〜1.3038	12/12
全体	自作HNM v1（当時のベース）	音量の揺れ方の誤差 dB ↓	0.6731	0.0000	0.0000〜0.0000	12/12
全体	雑音包絡を分離した候補	音量の揺れ方の誤差 dB ↓	0.5689	-0.1042	-0.1297〜-0.0863	12/12
全体	WORLD（Harvest）	音量の揺れ方の誤差 dB ↓	1.2783	0.6052	0.4063〜0.7467	12/12
全体	自作HNM v1（当時のベース）	音高推定差 p95 cent ↓	10.9198	0.0000	0.0000〜0.0000	9/12
全体	雑音包絡を分離した候補	音高推定差 p95 cent ↓	11.5143	0.5944	0.4747〜0.8180	9/12
全体	WORLD（Harvest）	音高推定差 p95 cent ↓	20.7082	8.7883	5.3886〜10.8784	8/12
全体	自作HNM v1（当時のベース）	原音の有声推定が出力で失われた割合 ↓	0.1547	0.0000	0.0000〜0.0000	9/12
全体	雑音包絡を分離した候補	原音の有声推定が出力で失われた割合 ↓	0.1523	-0.0025	-0.0057〜0.0008	9/12
全体	WORLD（Harvest）	原音の有声推定が出力で失われた割合 ↓	0.1370	-0.0178	-0.0573〜0.0208	9/12
全体	自作HNM v1（当時のベース）	振幅1以上の標本割合 ↓	0.0000	0.0000	0.0000〜0.0000	12/12
全体	雑音包絡を分離した候補	振幅1以上の標本割合 ↓	0.0000	0.0000	0.0000〜0.0000	12/12
全体	WORLD（Harvest）	振幅1以上の標本割合 ↓	0.0000	0.0000	0.0000〜0.0000	12/12
通常	自作HNM v1（当時のベース）	音声品質の予測MOS ↑	2.2272	0.0000	0.0000〜0.0000	4/4
通常	雑音包絡を分離した候補	音声品質の予測MOS ↑	2.2711	0.0438	-0.0087〜0.0997	4/4
通常	WORLD（Harvest）	音声品質の予測MOS ↑	2.5319	0.3047	-0.0024〜0.6117	4/4
通常	自作HNM v1（当時のベース）	言葉の明瞭さ eSTOI ↑	0.9266	0.0000	0.0000〜0.0000	4/4
通常	雑音包絡を分離した候補	言葉の明瞭さ eSTOI ↑	0.9273	0.0007	-0.0001〜0.0015	4/4
通常	WORLD（Harvest）	言葉の明瞭さ eSTOI ↑	0.9464	0.0198	0.0074〜0.0334	4/4
通常	自作HNM v1（当時のベース）	短時間の音量変化の誤差 ↓	0.0499	0.0000	0.0000〜0.0000	4/4
通常	雑音包絡を分離した候補	短時間の音量変化の誤差 ↓	0.0491	-0.0008	-0.0011〜-0.0005	4/4
通常	WORLD（Harvest）	短時間の音量変化の誤差 ↓	0.2295	0.1796	0.1447〜0.2144	4/4
通常	自作HNM v1（当時のベース）	スペクトル誤差 dB ↓	5.3851	0.0000	0.0000〜0.0000	4/4
通常	雑音包絡を分離した候補	スペクトル誤差 dB ↓	5.3725	-0.0126	-0.0309〜0.0001	4/4
通常	WORLD（Harvest）	スペクトル誤差 dB ↓	5.3369	-0.0482	-0.0875〜-0.0089	4/4
通常	自作HNM v1（当時のベース）	帯域ごとの音量誤差 dB ↓	0.2156	0.0000	0.0000〜0.0000	4/4
通常	雑音包絡を分離した候補	帯域ごとの音量誤差 dB ↓	0.2055	-0.0101	-0.0201〜-0.0001	4/4
通常	WORLD（Harvest）	帯域ごとの音量誤差 dB ↓	1.0371	0.8215	0.7213〜0.9399	4/4
通常	自作HNM v1（当時のベース）	全体の音量誤差 dB ↓	0.0816	0.0000	0.0000〜0.0000	4/4
通常	雑音包絡を分離した候補	全体の音量誤差 dB ↓	0.0826	0.0010	-0.0003〜0.0023	4/4
通常	WORLD（Harvest）	全体の音量誤差 dB ↓	1.5659	1.4843	1.2291〜1.7368	4/4
通常	自作HNM v1（当時のベース）	音量の揺れ方の誤差 dB ↓	0.5460	0.0000	0.0000〜0.0000	4/4
通常	雑音包絡を分離した候補	音量の揺れ方の誤差 dB ↓	0.5068	-0.0392	-0.0501〜-0.0270	4/4
通常	WORLD（Harvest）	音量の揺れ方の誤差 dB ↓	1.5120	0.9660	0.5650〜1.2446	4/4
通常	自作HNM v1（当時のベース）	音高推定差 p95 cent ↓	11.3519	0.0000	0.0000〜0.0000	4/4
通常	雑音包絡を分離した候補	音高推定差 p95 cent ↓	11.4115	0.0597	-0.2901〜0.6545	4/4
通常	WORLD（Harvest）	音高推定差 p95 cent ↓	23.5412	12.1894	9.8372〜13.8441	4/4
通常	自作HNM v1（当時のベース）	原音の有声推定が出力で失われた割合 ↓	0.0588	0.0000	0.0000〜0.0000	4/4
通常	雑音包絡を分離した候補	原音の有声推定が出力で失われた割合 ↓	0.0555	-0.0033	-0.0080〜0.0013	4/4
通常	WORLD（Harvest）	原音の有声推定が出力で失われた割合 ↓	0.0393	-0.0195	-0.0418〜0.0103	4/4
通常	自作HNM v1（当時のベース）	振幅1以上の標本割合 ↓	0.0000	0.0000	0.0000〜0.0000	4/4
通常	雑音包絡を分離した候補	振幅1以上の標本割合 ↓	0.0000	0.0000	0.0000〜0.0000	4/4
通常	WORLD（Harvest）	振幅1以上の標本割合 ↓	0.0000	0.0000	0.0000〜0.0000	4/4
ささやき	自作HNM v1（当時のベース）	音声品質の予測MOS ↑	1.9026	0.0000	0.0000〜0.0000	4/4
ささやき	雑音包絡を分離した候補	音声品質の予測MOS ↑	1.8676	-0.0349	-0.1791〜0.0657	4/4
ささやき	WORLD（Harvest）	音声品質の予測MOS ↑	1.7148	-0.1878	-1.1841〜0.3746	4/4
ささやき	自作HNM v1（当時のベース）	言葉の明瞭さ eSTOI ↑	0.5377	0.0000	0.0000〜0.0000	4/4
ささやき	雑音包絡を分離した候補	言葉の明瞭さ eSTOI ↑	0.5347	-0.0030	-0.0086〜0.0012	4/4
ささやき	WORLD（Harvest）	言葉の明瞭さ eSTOI ↑	0.5195	-0.0182	-0.0296〜0.0021	4/4
ささやき	自作HNM v1（当時のベース）	短時間の音量変化の誤差 ↓	0.1619	0.0000	0.0000〜0.0000	4/4
ささやき	雑音包絡を分離した候補	短時間の音量変化の誤差 ↓	0.1533	-0.0086	-0.0129〜-0.0059	4/4
ささやき	WORLD（Harvest）	短時間の音量変化の誤差 ↓	0.2509	0.0890	0.0651〜0.1132	4/4
ささやき	自作HNM v1（当時のベース）	スペクトル誤差 dB ↓	6.0786	0.0000	0.0000〜0.0000	4/4
ささやき	雑音包絡を分離した候補	スペクトル誤差 dB ↓	6.0381	-0.0405	-0.0540〜-0.0298	4/4
ささやき	WORLD（Harvest）	スペクトル誤差 dB ↓	6.2364	0.1579	0.1277〜0.1784	4/4
ささやき	自作HNM v1（当時のベース）	帯域ごとの音量誤差 dB ↓	0.4663	0.0000	0.0000〜0.0000	4/4
ささやき	雑音包絡を分離した候補	帯域ごとの音量誤差 dB ↓	0.4595	-0.0068	-0.0209〜0.0027	4/4
ささやき	WORLD（Harvest）	帯域ごとの音量誤差 dB ↓	1.4586	0.9923	0.5941〜1.3649	4/4
ささやき	自作HNM v1（当時のベース）	全体の音量誤差 dB ↓	0.0963	0.0000	0.0000〜0.0000	4/4
ささやき	雑音包絡を分離した候補	全体の音量誤差 dB ↓	0.0888	-0.0075	-0.0190〜0.0025	4/4
ささやき	WORLD（Harvest）	全体の音量誤差 dB ↓	0.6511	0.5549	0.4295〜0.6600	4/4
ささやき	自作HNM v1（当時のベース）	音量の揺れ方の誤差 dB ↓	0.8641	0.0000	0.0000〜0.0000	4/4
ささやき	雑音包絡を分離した候補	音量の揺れ方の誤差 dB ↓	0.6450	-0.2191	-0.2684〜-0.1871	4/4
ささやき	WORLD（Harvest）	音量の揺れ方の誤差 dB ↓	0.9168	0.0526	-0.2352〜0.3148	4/4
ささやき	自作HNM v1（当時のベース）	音高推定差 p95 cent ↓	2.9199	0.0000	算出なし	1/4
ささやき	雑音包絡を分離した候補	音高推定差 p95 cent ↓	3.5045	0.5846	算出なし	1/4
ささやき	WORLD（Harvest）	音高推定差 p95 cent ↓	測定なし	測定なし	算出なし	0/4
ささやき	自作HNM v1（当時のベース）	原音の有声推定が出力で失われた割合 ↓	0.7500	0.0000	算出なし	1/4
ささやき	雑音包絡を分離した候補	原音の有声推定が出力で失われた割合 ↓	0.7500	0.0000	算出なし	1/4
ささやき	WORLD（Harvest）	原音の有声推定が出力で失われた割合 ↓	1.0000	0.2500	算出なし	1/4
ささやき	自作HNM v1（当時のベース）	振幅1以上の標本割合 ↓	0.0000	0.0000	0.0000〜0.0000	4/4
ささやき	雑音包絡を分離した候補	振幅1以上の標本割合 ↓	0.0000	0.0000	0.0000〜0.0000	4/4
ささやき	WORLD（Harvest）	振幅1以上の標本割合 ↓	0.0000	0.0000	0.0000〜0.0000	4/4
裏声	自作HNM v1（当時のベース）	音声品質の予測MOS ↑	2.1987	0.0000	0.0000〜0.0000	4/4
裏声	雑音包絡を分離した候補	音声品質の予測MOS ↑	2.2630	0.0643	-0.0753〜0.2821	4/4
裏声	WORLD（Harvest）	音声品質の予測MOS ↑	2.2262	0.0275	-0.2260〜0.3166	4/4
裏声	自作HNM v1（当時のベース）	言葉の明瞭さ eSTOI ↑	0.8472	0.0000	0.0000〜0.0000	4/4
裏声	雑音包絡を分離した候補	言葉の明瞭さ eSTOI ↑	0.8505	0.0033	-0.0002〜0.0081	4/4
裏声	WORLD（Harvest）	言葉の明瞭さ eSTOI ↑	0.8947	0.0475	0.0333〜0.0629	4/4
裏声	自作HNM v1（当時のベース）	短時間の音量変化の誤差 ↓	0.0669	0.0000	0.0000〜0.0000	4/4
裏声	雑音包絡を分離した候補	短時間の音量変化の誤差 ↓	0.0659	-0.0010	-0.0013〜-0.0007	4/4
裏声	WORLD（Harvest）	短時間の音量変化の誤差 ↓	0.2152	0.1483	0.1208〜0.1758	4/4
裏声	自作HNM v1（当時のベース）	スペクトル誤差 dB ↓	5.3484	0.0000	0.0000〜0.0000	4/4
裏声	雑音包絡を分離した候補	スペクトル誤差 dB ↓	5.3451	-0.0033	-0.0219〜0.0165	4/4
裏声	WORLD（Harvest）	スペクトル誤差 dB ↓	5.2250	-0.1234	-0.1729〜-0.0832	4/4
裏声	自作HNM v1（当時のベース）	帯域ごとの音量誤差 dB ↓	1.1456	0.0000	0.0000〜0.0000	4/4
裏声	雑音包絡を分離した候補	帯域ごとの音量誤差 dB ↓	1.1515	0.0060	-0.0142〜0.0280	4/4
裏声	WORLD（Harvest）	帯域ごとの音量誤差 dB ↓	2.4813	1.3357	0.6934〜1.9780	4/4
裏声	自作HNM v1（当時のベース）	全体の音量誤差 dB ↓	0.0763	0.0000	0.0000〜0.0000	4/4
裏声	雑音包絡を分離した候補	全体の音量誤差 dB ↓	0.0760	-0.0003	-0.0036〜0.0036	4/4
裏声	WORLD（Harvest）	全体の音量誤差 dB ↓	1.4889	1.4126	1.1782〜1.6139	4/4
裏声	自作HNM v1（当時のベース）	音量の揺れ方の誤差 dB ↓	0.6093	0.0000	0.0000〜0.0000	4/4
裏声	雑音包絡を分離した候補	音量の揺れ方の誤差 dB ↓	0.5549	-0.0544	-0.0706〜-0.0304	4/4
裏声	WORLD（Harvest）	音量の揺れ方の誤差 dB ↓	1.4062	0.7969	0.5322〜1.1049	4/4
裏声	自作HNM v1（当時のベース）	音高推定差 p95 cent ↓	12.4878	0.0000	0.0000〜0.0000	4/4
裏声	雑音包絡を分離した候補	音高推定差 p95 cent ↓	13.6194	1.1316	0.4872〜1.7411	4/4
裏声	WORLD（Harvest）	音高推定差 p95 cent ↓	17.8751	5.3873	0.9401〜7.8257	4/4
裏声	自作HNM v1（当時のベース）	原音の有声推定が出力で失われた割合 ↓	0.1019	0.0000	0.0000〜0.0000	4/4
裏声	雑音包絡を分離した候補	原音の有声推定が出力で失われた割合 ↓	0.0996	-0.0023	-0.0093〜0.0058	4/4
裏声	WORLD（Harvest）	原音の有声推定が出力で失われた割合 ↓	0.0190	-0.0829	-0.0984〜-0.0677	4/4
裏声	自作HNM v1（当時のベース）	振幅1以上の標本割合 ↓	0.0000	0.0000	0.0000〜0.0000	4/4
裏声	雑音包絡を分離した候補	振幅1以上の標本割合 ↓	0.0000	0.0000	0.0000〜0.0000	4/4
裏声	WORLD（Harvest）	振幅1以上の標本割合 ↓	0.0000	0.0000	0.0000〜0.0000	4/4

差は候補またはWORLDから当時のベースHNM v1を引いた値です。区間は4話者単位の復元抽出2,000回による参考値で、広い日本語話者集団への保証ではありません。各発声の文は同一とは限らず、発声だけの因果効果は判断できません。

12録音それぞれの結果

録音	発声	方式	予測MOS	eSTOI	音量変化誤差	音高推定差 cent	8回中最大振幅（WORLDは1回）	処理
jvs_jvs004_falset10_BASIC5000_2951	裏声	自作HNM v1（当時のベース）	2.0877	0.7858	0.0769	15.0917	0.4031	完了
jvs_jvs004_falset10_BASIC5000_2951	裏声	雑音包絡を分離した候補	2.4720	0.7853	0.0758	17.0547	0.4022	完了
jvs_jvs004_falset10_BASIC5000_2951	裏声	WORLD（Harvest）	2.1723	0.8572	0.2533	13.9956	0.3843	完了
jvs_jvs004_parallel100_VOICEACTRESS100_058	通常	自作HNM v1（当時のベース）	1.6769	0.9015	0.0538	11.2637	0.2830	完了
jvs_jvs004_parallel100_VOICEACTRESS100_058	通常	雑音包絡を分離した候補	1.7264	0.9014	0.0529	11.0923	0.2839	完了
jvs_jvs004_parallel100_VOICEACTRESS100_058	通常	WORLD（Harvest）	2.2868	0.9432	0.2810	19.9104	0.3534	完了
jvs_jvs004_whisper10_BASIC5000_0074	ささやき	自作HNM v1（当時のベース）	1.7151	0.5445	0.1323	測定なし	0.0440	完了
jvs_jvs004_whisper10_BASIC5000_0074	ささやき	雑音包絡を分離した候補	1.7200	0.5440	0.1257	測定なし	0.0447	完了
jvs_jvs004_whisper10_BASIC5000_0074	ささやき	WORLD（Harvest）	1.8988	0.5142	0.1939	測定なし	0.0379	完了
jvs_jvs018_falset10_VOICEACTRESS100_004	裏声	自作HNM v1（当時のベース）	2.2755	0.8931	0.0540	9.9283	0.3816	完了
jvs_jvs018_falset10_VOICEACTRESS100_004	裏声	雑音包絡を分離した候補	2.1763	0.8940	0.0533	10.1586	0.3807	完了
jvs_jvs018_falset10_VOICEACTRESS100_004	裏声	WORLD（Harvest）	2.1748	0.9223	0.1697	16.9772	0.3946	完了
jvs_jvs018_parallel100_VOICEACTRESS100_053	通常	自作HNM v1（当時のベース）	2.1873	0.9393	0.0510	11.3462	0.3362	完了
jvs_jvs018_parallel100_VOICEACTRESS100_053	通常	雑音包絡を分離した候補	2.2191	0.9404	0.0498	12.2854	0.3363	完了
jvs_jvs018_parallel100_VOICEACTRESS100_053	通常	WORLD（Harvest）	2.8008	0.9479	0.1831	24.7549	0.4289	完了
jvs_jvs018_whisper10_VOICEACTRESS100_005	ささやき	自作HNM v1（当時のベース）	1.7420	0.5287	0.1453	測定なし	0.0411	完了
jvs_jvs018_whisper10_VOICEACTRESS100_005	ささやき	雑音包絡を分離した候補	1.8279	0.5313	0.1380	測定なし	0.0417	完了
jvs_jvs018_whisper10_VOICEACTRESS100_005	ささやき	WORLD（Harvest）	2.1754	0.5013	0.2210	測定なし	0.0372	完了
jvs_jvs066_falset10_BASIC5000_1205	裏声	自作HNM v1（当時のベース）	2.7382	0.8370	0.0719	13.1087	0.6988	完了
jvs_jvs066_falset10_BASIC5000_1205	裏声	雑音包絡を分離した候補	2.7347	0.8475	0.0713	14.3663	0.7132	完了
jvs_jvs066_falset10_BASIC5000_1205	裏声	WORLD（Harvest）	2.4086	0.8744	0.1978	20.6205	0.8024	完了
jvs_jvs066_parallel100_VOICEACTRESS100_025	通常	自作HNM v1（当時のベース）	2.7718	0.9339	0.0529	8.1161	0.5273	完了
jvs_jvs066_parallel100_VOICEACTRESS100_025	通常	雑音包絡を分離した候補	2.7437	0.9357	0.0525	7.7865	0.4953	完了
jvs_jvs066_parallel100_VOICEACTRESS100_025	通常	WORLD（Harvest）	2.8274	0.9401	0.2103	20.5386	0.6560	完了
jvs_jvs066_whisper10_BASIC5000_2372	ささやき	自作HNM v1（当時のベース）	1.0734	0.6110	0.1592	2.9199	0.0618	完了
jvs_jvs066_whisper10_BASIC5000_2372	ささやき	雑音包絡を分離した候補	1.0858	0.5997	0.1538	3.5045	0.0652	完了
jvs_jvs066_whisper10_BASIC5000_2372	ささやき	WORLD（Harvest）	1.3892	0.5840	0.2522	測定なし	0.0777	完了
jvs_jvs082_falset10_BASIC5000_1728	裏声	自作HNM v1（当時のベース）	1.6936	0.8728	0.0648	11.8226	0.2449	完了
jvs_jvs082_falset10_BASIC5000_1728	裏声	雑音包絡を分離した候補	1.6691	0.8753	0.0634	12.8980	0.2388	完了
jvs_jvs082_falset10_BASIC5000_1728	裏声	WORLD（Harvest）	2.1492	0.9246	0.2399	19.9073	0.3024	完了
jvs_jvs082_parallel100_VOICEACTRESS100_079	通常	自作HNM v1（当時のベース）	2.2729	0.9319	0.0420	14.6813	0.1606	完了
jvs_jvs082_parallel100_VOICEACTRESS100_079	通常	雑音包絡を分離した候補	2.3952	0.9318	0.0412	14.4820	0.1605	完了
jvs_jvs082_parallel100_VOICEACTRESS100_079	通常	WORLD（Harvest）	2.2126	0.9545	0.2436	28.9609	0.1797	完了
jvs_jvs082_whisper10_VOICEACTRESS100_001	ささやき	自作HNM v1（当時のベース）	3.0797	0.4667	0.2108	測定なし	0.0147	完了
jvs_jvs082_whisper10_VOICEACTRESS100_001	ささやき	雑音包絡を分離した候補	2.8367	0.4637	0.1957	測定なし	0.0180	完了
jvs_jvs082_whisper10_VOICEACTRESS100_001	ささやき	WORLD（Harvest）	1.3957	0.4787	0.3365	測定なし	0.0145	完了

測定できなかった項目と理由

録音	方式	測定	理由
jvs_jvs004_whisper10_BASIC5000_0074	自作HNM v1（当時のベース）	音高推定差	原音に有声と推定された区間がなく、音高差は評価不能
jvs_jvs004_whisper10_BASIC5000_0074	雑音包絡を分離した候補	音高推定差	原音に有声と推定された区間がなく、音高差は評価不能
jvs_jvs004_whisper10_BASIC5000_0074	WORLD（Harvest）	音高推定差	原音に有声と推定された区間がなく、音高差は評価不能
jvs_jvs018_whisper10_VOICEACTRESS100_005	自作HNM v1（当時のベース）	音高推定差	原音に有声と推定された区間がなく、音高差は評価不能
jvs_jvs018_whisper10_VOICEACTRESS100_005	雑音包絡を分離した候補	音高推定差	原音に有声と推定された区間がなく、音高差は評価不能
jvs_jvs018_whisper10_VOICEACTRESS100_005	WORLD（Harvest）	音高推定差	原音に有声と推定された区間がなく、音高差は評価不能
jvs_jvs066_whisper10_BASIC5000_2372	WORLD（Harvest）	音高推定差	原音と出力の両方で有声と推定された対応区間がなく、音高差は評価不能
jvs_jvs082_whisper10_VOICEACTRESS100_001	自作HNM v1（当時のベース）	音高推定差	原音に有声と推定された区間がなく、音高差は評価不能
jvs_jvs082_whisper10_VOICEACTRESS100_001	雑音包絡を分離した候補	音高推定差	原音に有声と推定された区間がなく、音高差は評価不能
jvs_jvs082_whisper10_VOICEACTRESS100_001	WORLD（Harvest）	音高推定差	原音に有声と推定された区間がなく、音高差は評価不能
jvs_jvs004_whisper10_BASIC5000_0074	原音	音高推定差	原音に有声と推定された区間がなく、音高差は評価不能
jvs_jvs018_whisper10_VOICEACTRESS100_005	原音	音高推定差	原音に有声と推定された区間がなく、音高差は評価不能
jvs_jvs082_whisper10_VOICEACTRESS100_001	原音	音高推定差	原音に有声と推定された区間がなく、音高差は評価不能

条件・指標の読み方

入力は24 kHz・先頭最大6秒。音量補正・時間位置の調整・無音除去は行いません。HNMと候補のスペクトル・帯域・音量・包絡・変調誤差は雑音seed 0〜7を録音内で平均し、その後に録音を等重みで平均します。WORLDは1回、MOS・eSTOI・音高・振幅1以上の標本割合はseed 0です。振幅1以上になった出力数と最大振幅の表は8seed全て（WORLDは1回）を使います。MOSの内部16 kHz変換とeSTOIの内部10 kHz変換は、符号化入力の変更とは別です。

音高には真値がなく、独立測定器による原音と出力の推定整合性です。ささやきでも測定器が周期性を推定する場合があり、生理的な有声の正解とはみなしません。centは音程差で100 centが1半音、p95はフレームごとの誤差の95パーセンタイルです。測定なしは0誤差ではありません。性別・転記は不明なため推測で埋めず、CER/WERは測定しません。

生成日時：2026-10-11T16:48:46.787032+00:00

全数値／集計値／事前に固定した条件／実行記録