雑音合成5案を日本語の通常・ささやき・裏声で確認

固定JVS12録音・4話者の補助診断。正式な英語120録音と別集計。現在のHNM v2と5候補を576回合成、原音を含む84予測MOSを測定し、失敗0。

ささやき4録音で、Cの予測MOSは1.75731（v2 1.86763）、eSTOIは0.52452（v2 0.53470）。Dの予測MOSは1.95032。英語での改善を日本語ささやきへ一般化できない。

音響指標は発話内8 seedを先に平均、予測MOS・eSTOIはseed 0。各群は発話を等重みで平均。各発声4録音だけなので一般的な優越・採用を判定しない。予測MOSは日本語・ささやき・裏声に対し未校正。原音の未測定指標は—と表示する。

全12録音：方式ごとの値

方式	予測MOS ↑	eSTOI ↑	スペクトル誤差 dB ↓	帯域誤差 dB ↓	10 ms包絡誤差 ↓	音量絶対誤差 dB ↓
原音	3.60778	—	—	—	—	—
実験時のHNM v2	2.13392	0.77084	5.58523	0.60551	0.08944	0.08245
A：元パワーで重ね合わせ	2.10025	0.77101	5.55260	0.61178	0.09009	0.08489
B：長い合成窓	2.09939	0.75719	5.80926	0.61234	0.08809	0.08037
C：短い合成窓	2.11377	0.76486	5.53658	0.62405	0.08963	0.07373
D：FFT端点の重み	2.15767	0.77071	5.60314	0.61271	0.08931	0.08230
E：振幅乱数を固定	2.09800	0.76998	5.55324	0.59786	0.08582	0.07954

v2との差と振幅上限

差は候補−v2。MOS・eSTOIは正、誤差は負が改善。

方式	予測MOS ↑	eSTOI ↑	スペクトル誤差 dB ↓	帯域誤差 dB ↓	10 ms包絡誤差 ↓	音量絶対誤差 dB ↓
A：元パワーで重ね合わせ	-0.03366	+0.00017	-0.03263	+0.00628	+0.00066	+0.00244
B：長い合成窓	-0.03453	-0.01364	+0.22403	+0.00684	-0.00134	-0.00208
C：短い合成窓	-0.02014	-0.00598	-0.04865	+0.01854	+0.00019	-0.00872
D：FFT端点の重み	+0.02375	-0.00013	+0.01791	+0.00720	-0.00013	-0.00015
E：振幅乱数を固定	-0.03592	-0.00086	-0.03199	-0.00765	-0.00362	-0.00291

方式	最大振幅	振幅1以上／全seed出力
実験時のHNM v2	0.71316	0/96
A：元パワーで重ね合わせ	0.70672	0/96
B：長い合成窓	0.71471	0/96
C：短い合成窓	0.71014	0/96
D：FFT端点の重み	0.71316	0/96
E：振幅乱数を固定	0.69995	0/96

通常4録音：方式ごとの値

方式	予測MOS ↑	eSTOI ↑	スペクトル誤差 dB ↓	帯域誤差 dB ↓	10 ms包絡誤差 ↓	音量絶対誤差 dB ↓
原音	4.10496	—	—	—	—	—
実験時のHNM v2	2.27108	0.92730	5.37250	0.20549	0.04909	0.08256
A：元パワーで重ね合わせ	2.21576	0.92686	5.33173	0.21878	0.04946	0.08187
B：長い合成窓	2.30299	0.91757	5.60910	0.19974	0.04794	0.08014
C：短い合成窓	2.38399	0.92471	5.31966	0.19906	0.04828	0.07185
D：FFT端点の重み	2.24759	0.92723	5.38860	0.20447	0.04914	0.08255
E：振幅乱数を固定	2.23764	0.92606	5.35009	0.18607	0.04879	0.08598

v2との差と振幅上限

差は候補−v2。MOS・eSTOIは正、誤差は負が改善。

方式	予測MOS ↑	eSTOI ↑	スペクトル誤差 dB ↓	帯域誤差 dB ↓	10 ms包絡誤差 ↓	音量絶対誤差 dB ↓
A：元パワーで重ね合わせ	-0.05533	-0.00044	-0.04077	+0.01329	+0.00037	-0.00069
B：長い合成窓	+0.03191	-0.00973	+0.23659	-0.00575	-0.00115	-0.00242
C：短い合成窓	+0.11291	-0.00258	-0.05284	-0.00643	-0.00081	-0.01071
D：FFT端点の重み	-0.02349	-0.00007	+0.01610	-0.00102	+0.00005	-0.00001
E：振幅乱数を固定	-0.03345	-0.00124	-0.02241	-0.01942	-0.00030	+0.00342

方式	最大振幅	振幅1以上／全seed出力
実験時のHNM v2	0.49533	0/32
A：元パワーで重ね合わせ	0.51123	0/32
B：長い合成窓	0.49655	0/32
C：短い合成窓	0.49153	0/32
D：FFT端点の重み	0.49559	0/32
E：振幅乱数を固定	0.47539	0/32

ささやき4録音：方式ごとの値

方式	予測MOS ↑	eSTOI ↑	スペクトル誤差 dB ↓	帯域誤差 dB ↓	10 ms包絡誤差 ↓	音量絶対誤差 dB ↓
原音	3.27700	—	—	—	—	—
実験時のHNM v2	1.86763	0.53470	6.03805	0.45949	0.15329	0.08880
A：元パワーで重ね合わせ	1.89021	0.53892	6.04012	0.46812	0.15447	0.09682
B：長い合成窓	1.82354	0.50947	6.21427	0.46605	0.15152	0.09258
C：短い合成窓	1.75731	0.52452	6.00246	0.43716	0.15699	0.08041
D：FFT端点の重み	1.95032	0.53435	6.05211	0.48803	0.15282	0.08834
E：振幅乱数を固定	1.89662	0.53982	5.98752	0.44700	0.14511	0.09405

v2との差と振幅上限

差は候補−v2。MOS・eSTOIは正、誤差は負が改善。

方式	予測MOS ↑	eSTOI ↑	スペクトル誤差 dB ↓	帯域誤差 dB ↓	10 ms包絡誤差 ↓	音量絶対誤差 dB ↓
A：元パワーで重ね合わせ	+0.02258	+0.00422	+0.00206	+0.00863	+0.00118	+0.00803
B：長い合成窓	-0.04408	-0.02522	+0.17621	+0.00656	-0.00177	+0.00378
C：短い合成窓	-0.11031	-0.01018	-0.03560	-0.02234	+0.00370	-0.00838
D：FFT端点の重み	+0.08269	-0.00034	+0.01405	+0.02853	-0.00047	-0.00045
E：振幅乱数を固定	+0.02899	+0.00513	-0.05054	-0.01250	-0.00818	+0.00526

方式	最大振幅	振幅1以上／全seed出力
実験時のHNM v2	0.06520	0/32
A：元パワーで重ね合わせ	0.06493	0/32
B：長い合成窓	0.06470	0/32
C：短い合成窓	0.06436	0/32
D：FFT端点の重み	0.06525	0/32
E：振幅乱数を固定	0.06132	0/32

裏声4録音：方式ごとの値

方式	予測MOS ↑	eSTOI ↑	スペクトル誤差 dB ↓	帯域誤差 dB ↓	10 ms包絡誤差 ↓	音量絶対誤差 dB ↓
原音	3.44137	—	—	—	—	—
実験時のHNM v2	2.26303	0.85052	5.34513	1.15153	0.06594	0.07600
A：元パワーで重ね合わせ	2.19479	0.84725	5.28595	1.14845	0.06636	0.07597
B：長い合成窓	2.17163	0.84454	5.60442	1.17124	0.06482	0.06839
C：短い合成窓	2.20001	0.84534	5.28763	1.23593	0.06361	0.06892
D：FFT端点の重み	2.27509	0.85054	5.36872	1.14562	0.06597	0.07601
E：振幅乱数を固定	2.15973	0.84406	5.32211	1.16051	0.06356	0.05860

v2との差と振幅上限

差は候補−v2。MOS・eSTOIは正、誤差は負が改善。

方式	予測MOS ↑	eSTOI ↑	スペクトル誤差 dB ↓	帯域誤差 dB ↓	10 ms包絡誤差 ↓	音量絶対誤差 dB ↓
A：元パワーで重ね合わせ	-0.06824	-0.00327	-0.05918	-0.00309	+0.00042	-0.00003
B：長い合成窓	-0.09140	-0.00598	+0.25929	+0.01970	-0.00112	-0.00761
C：短い合成窓	-0.06302	-0.00518	-0.05750	+0.08440	-0.00233	-0.00708
D：FFT端点の重み	+0.01206	+0.00002	+0.02359	-0.00591	+0.00003	+0.00001
E：振幅乱数を固定	-0.10330	-0.00646	-0.02302	+0.00897	-0.00237	-0.01740

方式	最大振幅	振幅1以上／全seed出力
実験時のHNM v2	0.71316	0/32
A：元パワーで重ね合わせ	0.70672	0/32
B：長い合成窓	0.71471	0/32
C：短い合成窓	0.71014	0/32
D：FFT端点の重み	0.71316	0/32
E：振幅乱数を固定	0.69995	0/32

ささやきの各録音：CとDの変化

話者	方式	予測MOS	MOS差	eSTOI	eSTOI差
jvs_jvs004	C：短い合成窓	2.01542	+0.29542	0.53339	-0.01063
jvs_jvs004	D：FFT端点の重み	1.83955	+0.11954	0.54348	-0.00054
jvs_jvs018	C：短い合成窓	1.68719	-0.14075	0.51148	-0.01985
jvs_jvs018	D：FFT端点の重み	1.92171	+0.09377	0.53110	-0.00023
jvs_jvs066	C：短い合成窓	0.79021	-0.29564	0.62188	+0.02218
jvs_jvs066	D：FFT端点の重み	1.11900	+0.03315	0.59951	-0.00019
jvs_jvs082	C：短い合成窓	2.53644	-0.30029	0.43132	-0.03242
jvs_jvs082	D：FFT端点の重み	2.92102	+0.08430	0.46331	-0.00042

解釈と記録

通常・ささやき・裏声で文は同一とは限らず、発声差の因果効果とは扱わない。全12件でも独立話者は4人。seedやフレームを独立話者として数えない。振幅超過は聴感上の音割れを直接測ったものではない。日本語原音・加工音は公開しない。WORLDはこの補助再測定に含めず、過去比較を今回の実行へ混ぜない。

自動MOSはUTMOSv2の固定コード・重み・抽出seedで実施。この補助はCPU1スレッド。正式英語比較のMOSは別の実行条件記録を参照し、スレッド数の違いを同一条件と表現しない。採用条件や正式120件の分母を補助結果に合わせて変更しない。

全測定JSON · 発声別集計 · 条件 · MOSの由来 · 正式英語120録音の比較 · 旧v1との複数seed診断 · 判断メモ