HNM v3と既存7方式の固定120音声比較

現ベースと既存方式の比較

上段は有効録音の平均、Δは同じ録音の「各方式 − 現ベース」。各セルに有効/予定、対比較可能/予定、話者数と95%区間を示します。 ↑は大きいほど、↓は小さいほどその指標上で良い値です。符号付き差や出力レベルには一律の良し悪しを付けません。

MOSはネイティブ全長出力の予測。eSTOI以下の音響値は16 kHzへ変換した「方式ごとの原音との共通先頭区間」の補助診断です。 方式によって比較区間が異なり、欠けた末尾は音響誤差に含まれません。差分や区間推定でもこの限界は残ります。総合点・品質順位は作りません。

予測音質・明瞭性・スペクトル

帯域の音量・時間変化・音量保持

変調・F0推定整合性・振幅上限

原音の全長予測MOS：平均 3.849、中央値 3.941、有効 120/120。原音は方式数に含めず、自己音響比較も追加していません。原音MOSの併記は評価器の校正ではありません。

予測MOSの有効数：合成 960/960、原音 120/120、 合計 1080/1080。欠測を0点にせず、指標ごとに分母を示します。

同じ入力区間の音声

許諾された固定英語例の先頭最大2秒。ネイティブ標本化周波数のfloat32 WAVを埋め込み、音量補正・クリッピング・位置合わせはしません。 再生音量を低めから調整してください。短い例だけで全120録音の品質を判断しません。

出力全長・評価区間・速度

全長一致は16 kHzへ変換後の長さが原音と一致して音響比較が成立した件数です。生成長差はネイティブの出力長−入力長。 被覆率は共通先頭区間/各全長で、1が全体です。原音側の不足は末尾欠落、出力側の不足は末尾追加を示します。 RTFは解析・合成秒数÷入力秒数の単回診断で、初期化・入出力変換・評価を除外します。中央値は録音間の中央値で、反復速度測定の精度を意味しません。 HNMは本体のPython環境、参照方式は隔離環境で実行し、Python・NumPy・PyTorchなどの版も異なります。 方式の違いだけに速度差を帰属できません。実行環境・CPU・スレッド数はresults.jsonのcontractと保存ワーカー記録を参照してください。 上表のピークはネイティブ全長出力、振幅1以上の割合は16 kHz共通区間に由来し、別の値です。

配布元の男女属性別

配布元のF/Mラベルをそのまま使います。声から性別を推測していません。各層も録音等重みで集計し、層内の話者を再抽出します。 属性間の差には話者・収録内容の違いが含まれ、性別の因果効果や他の属性への一般化は示しません。属性不明は除外せず別群にします。

目的別の詳細

以下は同じ保存済み測定値の内訳です。平均・中央値・最小/最大・良し悪しを定義できる指標の悪い側5%平均はsummary.jsonに保存します。 帯域ごとの符号付きdB差は正なら出力が大きく、負なら小さい値です。指標数による多数決はしません。