固定自然音声の追加品質・制御指標
現ベースとWORLDの追加指標比較
| 無編集の指標 | HNM v3（現ベース） | WORLD（Harvest） | 対応差 WORLD−HNM |
|---|---|---|---|
| 予測MOS ↑ | 2.5768 120/120発話・40/40話者 | 3.0454 120/120発話・40/40話者 | +0.4686 120/120対・40/40話者 |
| ECAPA類似度 ↑ | 0.9069 120/120発話・40/40話者 | 0.9306 120/120発話・40/40話者 | +0.0237 120/120対・40/40話者 |
| ERB 20 ms誤差 dB ↓ | 2.1025 120/120発話・40/40話者 | 2.1727 120/120発話・40/40話者 | +0.0701 120/120対・40/40話者 |
| 局所ERB 40 ms誤差 dB ↓ | 2.2357 120/120発話・40/40話者 | 2.0568 120/120発話・40/40話者 | -0.1789 120/120対・40/40話者 |
| 局所ERB 40 ms・発話内P95 dB ↓ | 6.7378 120/120発話・40/40話者 | 6.3954 120/120発話・40/40話者 | -0.3424 120/120対・40/40話者 |
| 実NPZ bytes/秒 | 1386716.3396 120/120発話・40/40話者 | 1288785.6579 120/120発話・40/40話者 | -97930.6817 120/120対・40/40話者 |
| SCOREQ natural/ref距離 ↓ | 0.5852 120/120発話・40/40話者 | 0.3791 120/120発話・40/40話者 | -0.2061 120/120対・40/40話者 |
原音の予測MOS（同条件の歴史値）：3.8492
120/120発話・40/40話者
表は話者内の有効発話平均を40話者で等重みにした記述値。対応差は同一発話のWORLD−HNMを先に計算します。小数点以下の差は有意差や知覚差の証明ではありません。総合順位と方式採用は決めません。ERB 20 msと局所ERB 40 msは関連する別定義の診断で、独立した2票には数えません。局所P95は40 msの発話内フレームRMSEのP95を話者単位で平均した診断で、指標数の加算には使いません。実NPZ量は圧縮容器・ヘッダー・メタデータを含む1設定です。
16 kHz英語・固定120録音40話者の開発集合。HNM v3とWORLDの無編集240＋操作960出力。48 kHz原収録実績、独立最終評価、人間による校正はありません。
過去8方式の歴史的参考値
2026年10月13日の固定120録音の保存結果。記録日時：2026-10-13T08:46:11.624578+00:00。以下は当時の発話等重み平均です。今回の新規測定や上表の話者等重みと混同しません。当時のMOSは各方式のネイティブ全長、eSTOI・STFTは方式ごとの16 kHz共通先頭区間です。
| 方式 | 予測MOS ↑ | eSTOI ↑ | STFT誤差 dB ↓ | MOS有効 | 今回の追加測定 |
|---|---|---|---|---|---|
| HNM（現ベース: hnm-v3） | 2.5768 | 0.8666 | 5.6493 | 120/120 | 今回対象 |
| WORLD（Harvest） | 3.0454 | 0.9050 | 5.8255 | 120/120 | 今回対象 |
| FACodec | 3.9860 | 0.8897 | 6.6033 | 120/120 | 今回の追加指標は未測定 |
| HiFi-Glot | 3.3759 | 0.7342 | 8.8203 | 120/120 | 今回の追加指標は未測定 |
| GOLF-ff | 2.9626 | 0.8707 | 6.9104 | 120/120 | 今回の追加指標は未測定 |
| SiFi-GAN | 3.1532 | 0.8787 | 6.6523 | 120/120 | 今回の追加指標は未測定 |
| LLSM2 | 3.0837 | 0.9323 | 4.6707 | 120/120 | 今回の追加指標は未測定 |
| MagPhase | 3.2621 | 0.7797 | 6.7109 | 120/120 | 今回の追加指標は未測定 |
固定2録音の短い音声比較
+6 dBの例は音量が大きくなります。再生機器の音量を低くしてから聴いてください。固定許可2録音の先頭最大2秒のみ。原音・無編集・±3半音・±6 dB。WAV IEEE float32、無正規化・無クリッピング・無再標本化。+6 dBは音量注意。
librispeech_1089-134686-0008
原音
2.00秒・ピーク0.454HNM v3（現ベース）・無編集
2.00秒・ピーク0.388HNM v3（現ベース）・−3半音
2.00秒・ピーク0.419HNM v3（現ベース）・+3半音
2.00秒・ピーク0.341HNM v3（現ベース）・−6 dB
2.00秒・ピーク0.195HNM v3（現ベース）・+6 dB
2.00秒・ピーク0.775WORLD（Harvest）・無編集
2.00秒・ピーク0.532WORLD（Harvest）・−3半音
2.00秒・ピーク0.586WORLD（Harvest）・+3半音
2.00秒・ピーク0.483WORLD（Harvest）・−6 dB
2.00秒・ピーク0.267WORLD（Harvest）・+6 dB
2.00秒・ピーク1.062フルスケール超。再生環境で歪む可能性があります
librispeech_1188-133604-0003
原音
2.00秒・ピーク0.197HNM v3（現ベース）・無編集
2.00秒・ピーク0.201HNM v3（現ベース）・−3半音
2.00秒・ピーク0.251HNM v3（現ベース）・+3半音
2.00秒・ピーク0.166HNM v3（現ベース）・−6 dB
2.00秒・ピーク0.101HNM v3（現ベース）・+6 dB
2.00秒・ピーク0.401WORLD（Harvest）・無編集
2.00秒・ピーク0.279WORLD（Harvest）・−3半音
2.00秒・ピーク0.296WORLD（Harvest）・+3半音
2.00秒・ピーク0.238WORLD（Harvest）・−6 dB
2.00秒・ピーク0.140WORLD（Harvest）・+6 dB
2.00秒・ピーク0.557LibriSpeech test-clean (OpenSLR 12), CC BY 4.0。先頭最大2秒への切出しと各方式の合成・操作。
配布元 ／ CC BY 4.0 ／ 抜粋のhashと形式
自然音声の限定された制御測定
音高追従：±3半音
| 条件／指標 | HNM v3（現ベース） | WORLD（Harvest） | 対応差 WORLD−HNM |
|---|---|---|---|
| −3半音 発話内P95の平均 cent | 13.5723 120/120発話・40/40話者 | 200.0413 120/120発話・40/40話者 | +186.4690 120/120対・40/40話者 |
| −3半音 絶対誤差平均 cent | 6.0731 120/120発話・40/40話者 | 29.2742 120/120発話・40/40話者 | +23.2011 120/120対・40/40話者 |
| +3半音 発話内P95の平均 cent | 11.1341 120/120発話・40/40話者 | 198.1399 120/120発話・40/40話者 | +187.0057 120/120対・40/40話者 |
| +3半音 絶対誤差平均 cent | 6.2871 120/120発話・40/40話者 | 25.0110 120/120発話・40/40話者 | +18.7239 120/120対・40/40話者 |
cent誤差は両側でF0が推定できたフレームに条件付きです。出力のYIN未検出はF0を測定できない状態であり、真の発声消失を意味しません。0誤差にはせず、推定上の有声／無声と測定不能フレームを併記します。
| 音高操作／方式 | 誤差の有効フレーム | 参照YIN推定有声 | 出力YIN未検出 | 出力のみYIN有声 | 参照YIN推定無声 | 探索範囲外 | 全フレーム |
|---|---|---|---|---|---|---|---|
| −3半音・HNM v3（現ベース） | 16770 | 20043 | 3273 | 281 | 40564 | 134 | 60741 |
| −3半音・WORLD（Harvest） | 18588 | 22379 | 3791 | 101 | 38279 | 83 | 60741 |
| +3半音・HNM v3（現ベース） | 19055 | 20170 | 1115 | 1512 | 40564 | 7 | 60741 |
| +3半音・WORLD（Harvest） | 21986 | 22425 | 439 | 2507 | 38279 | 37 | 60741 |
音量追従：±6 dB
| 条件／指標 | HNM v3（現ベース） | WORLD（Harvest） | 対応差 WORLD−HNM |
|---|---|---|---|
| −6 dB 発話内P95の平均 dB | 0.0000 120/120発話・40/40話者 | 0.0002 120/120発話・40/40話者 | +0.0002 120/120対・40/40話者 |
| −6 dB 出力ピーク | 0.2540 120/120発話・40/40話者 | 0.3200 120/120発話・40/40話者 | +0.0660 120/120対・40/40話者 |
| −6 dB 振幅1超の比率 | 0.0000 120/120発話・40/40話者 | 0.0000 120/120発話・40/40話者 | +0.0000 120/120対・40/40話者 |
| −6 dB 絶対誤差平均 dB | 0.0000 120/120発話・40/40話者 | 0.0001 120/120発話・40/40話者 | +0.0001 120/120対・40/40話者 |
| +6 dB 発話内P95の平均 dB | 0.0000 120/120発話・40/40話者 | 0.0001 120/120発話・40/40話者 | +0.0001 120/120対・40/40話者 |
| +6 dB 出力ピーク | 1.0113 120/120発話・40/40話者 | 1.2741 120/120発話・40/40話者 | +0.2628 120/120対・40/40話者 |
| +6 dB 振幅1超の比率 | 0.0004 120/120発話・40/40話者 | 0.0012 120/120発話・40/40話者 | +0.0008 120/120対・40/40話者 |
| +6 dB 絶対誤差平均 dB | 0.0000 120/120発話・40/40話者 | 0.0001 120/120発話・40/40話者 | +0.0001 120/120対・40/40話者 |
全長出力の再生余裕
| 操作／方式 | 振幅1超の録音／予定 | 全録音の最大ピーク | 最大の振幅1超サンプル率 % |
|---|---|---|---|
| −6 dB・HNM v3（現ベース） | 0/120（有効120） | 0.6492 | 0.000 |
| −6 dB・WORLD（Harvest） | 0/120（有効120） | 0.6889 | 0.000 |
| +6 dB・HNM v3（現ベース） | 53/120（有効120） | 2.5846 | 1.069 |
| +6 dB・WORLD（Harvest） | 87/120（有効120） | 2.7428 | 3.048 |
合成波形は浮動小数点で保存し、クリッピングや音量正規化をしていません。ゲイン追従誤差が小さくても、振幅1超の出力は再生・整数化で歪む可能性があります。安全に再生できる編集幅を示す結果ではありません。全長の結果と先頭2秒の音声例は別の範囲です。
制御の参照は各方式の無編集復号音。ピッチは自然音声の独立F0正解に対する精度ではありません。YIN推定上の測定不能・有声／無声の不一致・範囲外・オクターブ・無音件数は全診断集計に残します。
ゲイン操作だけの干渉
| 条件／指標 | HNM v3（現ベース） | WORLD（Harvest） | 対応差 WORLD−HNM |
|---|---|---|---|
| gain_central_difference 時間長応答 s/dB | 0.0000 120/120発話・40/40話者 | 0.0000 120/120発話・40/40話者 | +0.0000 120/120対・40/40話者 |
| gain_central_difference 音量応答 dB/dB（期待1） | 1.0000 120/120発話・40/40話者 | 1.0000 120/120発話・40/40話者 | -0.0000 120/120対・40/40話者 |
| gain_central_difference 音高応答 cent/dB | 0.0000 120/120発話・40/40話者 | 0.0000 120/120発話・40/40話者 | +0.0000 120/120対・40/40話者 |
| gain_central_difference 傾斜応答 (dB/oct)/dB | 0.0000 120/120発話・40/40話者 | 0.0000 120/120発話・40/40話者 | +0.0000 120/120対・40/40話者 |
±6 dBの中央差分。理想一様ゲインの期待応答は音量1、音高・傾斜・時間0。知覚的独立性の正解ではありません。ピッチ操作の非対角期待応答は未校正です。定常一様振幅演算の整合性であり、知覚音量や動的制御全般の証明ではありません。
編集量別の品質：2つの軸を分ける
非参照UTMOSv2と固定原音に対するECAPAを別々に表示します。意図した編集を原音へのERB/SCOREQ距離で罰しません。3点だけから使用可能な編集幅や連続応答を決めません。ゲインによる予測MOS変化は、音量を上げれば人間が自然と感じるという根拠ではありません。UTMOSv2は保存した浮動小数点波形への予測であり、再生機器でのクリッピングを反映したMOSではありません。
音高操作 × 予測MOS
青緑：HNM v3／橙：WORLD。線は測定3点を結ぶだけで、中間値の推定ではありません。音高操作 × 固定原音ECAPA
青緑：HNM v3／橙：WORLD。線は測定3点を結ぶだけで、中間値の推定ではありません。音量操作 × 予測MOS
青緑：HNM v3／橙：WORLD。線は測定3点を結ぶだけで、中間値の推定ではありません。音量操作 × 固定原音ECAPA
青緑：HNM v3／橙：WORLD。線は測定3点を結ぶだけで、中間値の推定ではありません。| 操作・品質軸 | HNM v3（現ベース） | WORLD（Harvest） | 対応差 WORLD−HNM |
|---|---|---|---|
| 音高 -300 cent・予測MOS | 2.5844 120/120発話・40/40話者 | 3.0945 120/120発話・40/40話者 | +0.5101 120/120対・40/40話者 |
| 音高 +0 cent・予測MOS | 2.5768 120/120発話・40/40話者 | 3.0454 120/120発話・40/40話者 | +0.4686 120/120対・40/40話者 |
| 音高 +300 cent・予測MOS | 2.3412 120/120発話・40/40話者 | 2.8610 120/120発話・40/40話者 | +0.5198 120/120対・40/40話者 |
| 音高 -300 cent・固定原音ECAPA | 0.7580 120/120発話・40/40話者 | 0.8262 120/120発話・40/40話者 | +0.0682 120/120対・40/40話者 |
| 音高 +0 cent・固定原音ECAPA | 0.9069 120/120発話・40/40話者 | 0.9306 120/120発話・40/40話者 | +0.0237 120/120対・40/40話者 |
| 音高 +300 cent・固定原音ECAPA | 0.7974 120/120発話・40/40話者 | 0.8614 120/120発話・40/40話者 | +0.0640 120/120対・40/40話者 |
| 音量 -6 dB・予測MOS | 2.5768 120/120発話・40/40話者 | 3.0454 120/120発話・40/40話者 | +0.4687 120/120対・40/40話者 |
| 音量 +0 dB・予測MOS | 2.5768 120/120発話・40/40話者 | 3.0454 120/120発話・40/40話者 | +0.4686 120/120対・40/40話者 |
| 音量 +6 dB・予測MOS | 2.5768 120/120発話・40/40話者 | 3.0453 120/120発話・40/40話者 | +0.4686 120/120対・40/40話者 |
| 音量 -6 dB・固定原音ECAPA | 0.9069 120/120発話・40/40話者 | 0.9306 120/120発話・40/40話者 | +0.0237 120/120対・40/40話者 |
| 音量 +0 dB・固定原音ECAPA | 0.9069 120/120発話・40/40話者 | 0.9306 120/120発話・40/40話者 | +0.0237 120/120対・40/40話者 |
| 音量 +6 dB・固定原音ECAPA | 0.9069 120/120発話・40/40話者 | 0.9306 120/120発話・40/40話者 | +0.0237 120/120対・40/40話者 |
同一発話の無編集点との差は曲線集計JSONへ。絶対値と差分、品質指標間の単位を混ぜません。
ASRによる内容保持の補助評価
全文正解を使える55/120録音・32話者の補助評価。原音CER≤20%を満たす55/55録音・32話者で下表を集計。上限超過は0録音。超過分も生値を保存します。
| 誤り率／重み | HNM 原音% | HNM 出力% | HNM 増分pt | WORLD 原音% | WORLD 出力% | WORLD 増分pt |
|---|---|---|---|---|---|---|
| CER・話者等重み | 1.373 | 1.831 | +0.459 | 1.373 | 1.776 | +0.403 |
| CER・発話等重み | 1.313 | 1.746 | +0.433 | 1.313 | 1.772 | +0.460 |
| CER・全文字／全語重み | 1.207 | 1.697 | +0.490 | 1.207 | 1.547 | +0.339 |
| WER・話者等重み | 3.635 | 5.359 | +1.724 | 3.635 | 5.654 | +2.019 |
| WER・発話等重み | 3.627 | 4.852 | +1.224 | 3.627 | 5.637 | +2.010 |
| WER・全文字／全語重み | 3.175 | 4.444 | +1.270 | 3.175 | 4.444 | +1.270 |
重みで小差の順序が変わり得ます。単一認識器と短い全文発話の結果を、自然さ・全120録音・一般的優越へ読み替えません。元ASRを正解にはせず公式転記を使用。話者別・対応差・全生値側の集計を参照してください。
18項目の測定範囲と不足
件数は各項目の単位であり、足し合わせた総合被覆率は作りません。「部分」は入力や操作範囲が限定されている項目を含みます。
| 項目 | 到達点 | 有効／予定 | 今回の範囲・未測定の理由 |
|---|---|---|---|
| 1. UTMOSv2予測MOS | 実測 | 1200/1200 | 原音120と無編集240は同一float32・SR・長さ・科学設定の歴史値を再利用。編集960は新規。人間校正なし。 |
| 2. SCOREQ natural/ref | 実測 | 240/240 | 無編集240予定の参照距離。公式重みの取得失敗・再取得履歴、推論の成否と実モデルhashを保存。結果がない点はnull。代用モデル・ゼロ補完なし。人間校正なし。 |
| 3. ViSQOL Audio | 対象外 | 0/240 | 48 kHz入力の仕様に対して本集合は16 kHz。upsampleで48 kHz原録音の実績にはしない。 |
| 4. ASR増分CER/WER | 部分 | 110/240 | 切出しなし公式全文55/120録音・32話者のみ。原音CER>20%はpartialのまま。残65録音は部分正解未整備。 |
| 5. ECAPA話者埋込み | 実測 | 1200/1200 | 全編集点で固定原音参照。知覚的話者類似度や同話者・異話者の校正はない。 |
| 6. ERB／局所聴覚誤差 | 実測 | 240/240 | 20 ms ERBと40 ms auditory_localを別定義で記録。関連診断なので独立した2票と数えない。 |
| 7. 音高操作追従 | 部分 | 480/480 | 各方式の無編集復号を基準に±300 centのみ。自然音声の独立F0真値・動的軌跡なし。 |
| 8. 音量操作追従 | 部分 | 480/480 | ±6 dBの定常RMS応答のみ。動的操作・知覚ラウドネスは未測定。 |
| 9. 局所時間制御 | 未測定 | — | 自然音声の独立イベント位置・時間操作出力がない。 |
| 10. 音色操作追従 | 未測定 | — | 知覚音色の正解と対応する操作出力がない。干渉の傾斜値で代用しない。 |
| 11. 制御間の干渉 | 部分 | 240/240 | ゲイン列の中央差分のみ。理想一様振幅スケールの期待値。ピッチ列・知覚的独立性は未校正。 |
| 12. 編集量別の品質曲線 | 部分 | 480/480 | pitch/gain各3点。予測MOSと固定原音ECAPAは別軸。使用可能な編集幅・連続曲線への一般化なし。 |
| 13. 人間評定との近傍一致 | 未測定 | — | 該当する既存人間評定と特徴の対がない。 |
| 14. 音素ABX | 未測定 | — | 音素境界・比較三つ組・固定距離校正の入力がない。 |
| 15. 属性の読み出し | 未測定 | — | 独立な属性正解と学習／評価分離を用意していない。 |
| 16. 表現補間 | 未測定 | — | 対応を定義した表現補間点と復号音がない。 |
| 17. 表現の頑健性 | 未測定 | — | 各表現に意味のある摂動条件と復号音がない。 |
| 18. 情報量・品質との関係 | 部分 | 240/240 | 実NPZ全体のbytes/秒を1設定で測定。理論情報率・量子化条件別のPR30品質–表現量曲線は未達。 |
再現条件・失敗・再開・保存証跡
MOS：新規推論960行、歴史値再利用360行。新規推論の記録時間合計は2481.6秒。再利用値に付属する過去の秒数は今回へ加算しません。
UTMOSv2はfold 0・seed 20261012・抽出1回。SCOREQ／ECAPA／ERB／assessmentは初回＋1反復。反復を独立録音数には数えません。各工程は同時実行した区間があり、CPU競合と分割ごとの初期化を含みます。4スレッド（ASRは2）の秒数は厳密な速度順位ではなく、工程時間の和を実経過時間と扱いません。
- 全保存物の索引・変換前後hash・アーカイブ所在
- 新規時間・再利用・初期化・処理状態
- 全実行ログ・警告・失敗スタック（パス秘匿済み）
- 40話者の制御・局所誤差・対応差
- 40話者のMOS・ECAPA・ERBと対応差
- 固定120録音・40話者・音声出典
- ASRの32話者と原音上限
- 実NPZ保存量
- SCOREQ全240予定の実測値・欠測理由
- 合成条件・実装hash・依存環境
- 合成の開始／完了・予定数
- ECAPAの分割実行・再開履歴
- MOSの分割実行・再開履歴
- ERBの分割実行・再開履歴
- SCOREQの分割実行・再開履歴
- MOS再利用の全科学設定照合
- 旧無編集音声のファイルhash照合・旧比較項目の訂正
- SCOREQ公式モデル取得の失敗
- SCOREQ取得再試行の失敗
- SCOREQ公式再取得の最終状態・実モデルhash
- ASR固定モデル・重みhash・正規化・入力対象
- ECAPAの実モデルhash・初期化・初回と反復
- 20 ms ERBの定義・初回と反復
- SCOREQ natural/refの実モデルhash・初期化・初回と反復
- UTMOSv2固定重み・fold・実行環境
各生結果JSONには入力hash、モデル・実装・依存環境、初回／反復値、欠測理由を保持。圧縮証跡はGit保存のみでPages非公開。全長音声・重みは非公開で、JSON内の相対音声パスはデータ参照です。