同じ固定JVSささやき4録音を各8 seedで再合成した。現在のHNM v2と旧v1を比較し、64合成・64 eSTOIを測定、失敗は0。全帯域10 ms包絡誤差は32/32組でv2が小さい。一方、jvs066のeSTOI低下は8/8 seedで再現した。
jvs066の低域1–2秒の誤差増加は3/8 seedだけだった。seed 0で見えた局所的な悪化を、全seedの明瞭性低下の説明として扱う根拠は得られない。これは別の帯域・時間構造による影響まで否定するものではない。
以下の差はすべてv2 − v1。eSTOIは正が改善、包絡誤差は負が改善。角括弧は8 seedの最小・最大であり、信頼区間ではない。JSONの生データは外部比較器−現在ベース（v1−v2）で、表示時に符号を反転した。
| 話者 | eSTOI差 平均 [範囲] | eSTOI低下 | 10 ms全帯域誤差差 | 40 ms全帯域誤差差 |
|---|---|---|---|---|
| jvs004 | +0.000686 [-0.003346, +0.005737] | 4/8 | -0.006638 [-0.009389, -0.001957] | -0.002354 [-0.003662, -0.000704] |
| jvs018 | -0.000617 [-0.003186, +0.002588] | 6/8 | -0.007306 [-0.008737, -0.004364] | -0.002203 [-0.004036, +0.000516] |
| jvs066 | -0.006737 [-0.011262, -0.000314] | 8/8 | -0.005441 [-0.008944, -0.000771] | -0.000685 [-0.004476, +0.004111] |
| jvs082 | -0.002114 [-0.011647, +0.005390] | 5/8 | -0.015010 [-0.022719, -0.005357] | -0.005315 [-0.010179, +0.006394] |
各セルは8 seedの平均 [最小, 最大]。
| 話者 | 方式 | eSTOI ↑ | 10 ms包絡誤差 ↓ | 40 ms包絡誤差 ↓ |
|---|---|---|---|---|
| jvs004 | 旧v1 | +0.529883 [+0.515884, +0.547413] | +0.132318 [+0.124710, +0.139904] | +0.068429 [+0.058933, +0.079718] |
| jvs004 | 現在v2 | +0.530569 [+0.514364, +0.545161] | +0.125679 [+0.117594, +0.133019] | +0.066075 [+0.055306, +0.078730] |
| jvs018 | 旧v1 | +0.532789 [+0.507792, +0.544899] | +0.145276 [+0.126095, +0.154611] | +0.072748 [+0.061824, +0.090341] |
| jvs018 | 現在v2 | +0.532172 [+0.507247, +0.544659] | +0.137970 [+0.121731, +0.148119] | +0.070545 [+0.061632, +0.086304] |
| jvs066 | 旧v1 | +0.621348 [+0.602201, +0.638615] | +0.159205 [+0.136590, +0.176068] | +0.083486 [+0.071619, +0.099032] |
| jvs066 | 現在v2 | +0.614611 [+0.593450, +0.634518] | +0.153764 [+0.130292, +0.172114] | +0.082801 [+0.070173, +0.099252] |
| jvs082 | 旧v1 | +0.439423 [+0.428825, +0.466716] | +0.210754 [+0.189514, +0.218819] | +0.102694 [+0.095651, +0.120302] |
| jvs082 | 現在v2 | +0.437309 [+0.420019, +0.463734] | +0.195744 [+0.175890, +0.206330] | +0.097379 [+0.086915, +0.111692] |
差が正ならv2で誤差が増加。区間の寄与差と全録音NRMSE差は異なる単位。
| 話者 | 帯域 | 区間・量 | v2−v1 平均 [範囲] | 増加seed |
|---|---|---|---|---|
| jvs004 | 0–300 Hz | 全録音・NRMSE | +0.013604 [+0.008356, +0.017228] | 8/8 |
| jvs004 | 0–300 Hz | 1–2秒・二乗誤差寄与 | +0.001907 [-0.001509, +0.004626] | 6/8 |
| jvs018 | 0–300 Hz | 全録音・NRMSE | +0.001457 [-0.007211, +0.013208] | 4/8 |
| jvs018 | 0–300 Hz | 1–2秒・二乗誤差寄与 | +0.000598 [-0.005778, +0.004985] | 4/8 |
| jvs018 | 0–300 Hz | 5–6秒・二乗誤差寄与 | +0.000186 [-0.001343, +0.001564] | 6/8 |
| jvs018 | 300–1000 Hz | 5–6秒・二乗誤差寄与 | -0.000086 [-0.000821, +0.000739] | 4/8 |
| jvs066 | 0–300 Hz | 全録音・NRMSE | -0.001600 [-0.010055, +0.012742] | 2/8 |
| jvs066 | 0–300 Hz | 1–2秒・二乗誤差寄与 | -0.000722 [-0.003496, +0.002438] | 3/8 |
| jvs082 | 0–300 Hz | 全録音・NRMSE | +0.019113 [-0.026850, +0.080456] | 5/8 |
| jvs082 | 0–300 Hz | 1–2秒・二乗誤差寄与 | +0.001298 [-0.000902, +0.006811] | 5/8 |
| jvs082 | 0–300 Hz | 5–6秒・二乗誤差寄与 | +0.018577 [-0.000137, +0.055855] | 7/8 |
| jvs082 | 300–1000 Hz | 5–6秒・二乗誤差寄与 | +0.001221 [-0.000112, +0.003726] | 6/8 |
24 kHzの固定原音、先頭から最大6秒、位置合わせ・音量正規化なし。全録音へ4次Butterworthを前後向きに適用し、even端点延長を使う。10/40 ms RMS窓を5 ms間隔で置き、窓中心時刻で非重複1秒区間へ割り当てる。末尾は実長で、区間ごとにフィルタを再始動しない。
局所二乗誤差寄与は各帯域の全録音の原音包絡エネルギーで規格化する。局所NRMSEとは別の量である。帯域フィルタは直交しないため、帯域間の寄与を合計しない。全区間・6帯域・2窓長・全seedの値はJSONに保存した。
4話者という小標本で、seedを独立話者として数えない。eSTOIは明瞭性の推定で、自然性・MOS・人間評定とは区別する。日本語音声は原音・加工音とも公開しない。現在の既存比較対象はWORLD（Harvest）だが、この原因診断では再合成しておらず、今回の64合成に含めない。過去のWORLDを含む補助比較は別測定として参照できる。
実行：2026年10月12日15:30:54〜15:32:20（日本時間）、終了コード0。現在のcheckoutは8a0cff2efb8783a6c016051404ade527d3401785。旧v1は採用前commit 9f1025cからGit管理外のパッケージへ復元し、保存済み実装SHAで識別する。旧実装を本体へ戻していない。
Windowsで新しく実行した別診断であり、元のLinux実行へ継ぎ足していない。過去seed 0の4録音×2方式×6帯域×2窓長、96個の全録音NRMSEを最大絶対差2.95×10⁻¹⁵で再現した。新たな音声品質の採用判定・自動MOSの実施は主張しない。
初回の相対パスと文字コードの実行失敗は実行ログに保存し、成功した別出力だけをこのレポートへ収録した。成功実行はpython -X utf8 -m vocoderbench.noise_stabilityを使い、外部パッケージを絶対パスで指定した。入力・実装・環境の詳細は条件JSON、全測定は結果JSONを参照。