初回公開日時を優先し、未登録なら案内作成・記録日時を使い、新しい順に並べています。時刻は日本時間です。日付だけの既存案内はUTCの日付、公開・案内作成の時刻がない研究グループは登録タイムゾーンのグループ日付を表示します。日付だけの研究グループは時刻未記録で、同日内の厳密な前後は不明です。
プロジェクトの説明 ／ ファイル構成と追加手順 ／ 現在の状態と次の作業
無加工120発話を照合。原音のWER4.1341%、予測MOS3.86683。抽出位置の和集合は中央値89.16%。方式比較・順位ではなく、Apron24を維持。
事前指定5例のうち先頭の1例。無加工原音の先頭2秒で、新しい合成音声ではありません。
原音
LibriSpeech test-clean、CC BY4.0。元PCM16を切出し、音量調整・再標本化なし。 出典・許諾・改変表示
固定120録音・2,520個票の完了報告が揃いましたが、4担当の大きな成果物はLibrary保存で停止。親が照合できたのは24録音・504個票です。全120録音の品質差・順位は未確定で、Apron24を維持します。
回収できた事前指定1録音の先頭2秒。全120録音の品質を代表する例ではありません。
原音
係数1
当てはめ係数
Apron24（現ベース）
WORLD16
PCM16掲載コピー。音量調整・再標本化・振幅の切り詰めなし。LibriSpeech test-clean、CC BY 4.0。 出典・許諾・改変表示
Rd候補の終点だけを正確に3へ固定し、解析成功は113件から120件へ。取得不完了0件です。同じ対照でも別Cloud群の特徴は完全一致せず、音質・速度は未評価。Apron24を維持します。
固定120録音の無編集の自動MOSはApron24 3.094（1位）、WORLD16 3.045（2位）、pYIN一本2.935（3位）、二系列の指標平均2.613（4位）。二系列は明瞭性・話者類似度・参照付き品質距離も一本より悪化し、採用せずApron24を維持します。＋3半音ではWORLD16がMOS・話者類似度で1位。5,520個票は全件揃っています。
事前指定した同じ録音の先頭2秒。二系列は別々の音声で、混合波形ではありません。
原音
Apron24（現ベース）
WORLD16
pYINの一本
抽出系列1
抽出系列2
無編集。掲載用の音量調整・再標本化・振幅の切り詰めなし。LibriSpeech test-clean、CC BY 4.0。 出典・許諾・改変表示
予定240枠中232枠を採点し、8枠は量子化範囲超過でした。完全対応36話者108録音のMOS-LQO差は位相ランダム化−除去で−0.524739。帯域別の符号は混在し、知覚順位やボコーダーの優劣には置き換えません。Apron24を維持します。
固定例p225_029の実採点入力
参照区間
高域除去
高域位相ランダム化
同じ区間のPCM16。掲載用の音量調整なし。 出典・許諾・改変表示
Apron24とApron48の120録音を事後診断しました。有声・無声の違いは全83,987フレームの0.218%。両有声区間の音高差は大部分が小さいものの、一部に約1オクターブの差が残ります。正解F0との精度比較ではなく、Apron24を維持します。新規の合成音声はなく、詳細から前回の比較音声を参照できます。
固定120録音の無編集の自動MOSはApron48が3.337（1位）、Apron24が3.285（2位）、WORLD48が3.215（3位）。話者類似度・明瞭性・参照付き品質距離はApron24が1位で、作業ベースを維持します。48 kHz版は高域のパワー不足を減らしましたが、高域の知覚品質を自動指標で確かめた結果ではありません。
p225_029の無編集。事前指定した同じ録音の約1.8秒を比較します。
原音
Apron24（作業ベース）
WORLD48
Apron48（候補）
全120録音・品質3360個票の比較。短例はPCM16化のみで、実際の掲載倍率は全条件1です。元の標本化周波数を保持しています。VCTK 0.92、CC BY 4.0。 出典・許諾・改変表示
固定120録音で、無声状態を同じF0系列へまとめた支持を計算しました。全件で一本の潜在経路より支持が増えましたが、音質や必要な候補数を示す値ではありません。Apronは維持。新たな合成・MOS採点はなく、比較音声はありません。
固定120録音の声道振幅を、調波振幅とRdの変更に分けました。Rdを固定しても変化は残り、その変動量のHMPP/HMCZTの大小は帯域で逆転しました。保存指標の集計は照合済みですが、元配列の独立再計算は未了です。Apronを維持します。復号は行っていないため、試聴音声はありません。
人工信号616条件をHMPP・入力調整HMPP・HMCZTで比較しました。小音量の誤差は減りましたが、音高が動く一部条件では調整前の方が誤差が小さく、一律の改善ではありません。Apronを維持し、自然品質・MOSは別に測ります。復号を行わないため試聴音声はありません。
人工信号の追加5実験456呼出しを比較しました。小音量ではHMPP、照会F0のずれではHMCZTに別々の誤差が現れ、窓長の効果も音高変化に依存しました。Apronを維持します。復号音声・MOSは未測定の部品診断で、試聴音声はありません。
人工40条件・80測定でHMPPとHMCZTの振幅推定を比較。定常8条件ではHMCZT、音高が動く32条件中28条件ではHMPPの平均誤差が小さい。自然音質の順位ではない。復号していないため音声なし。Apronを維持。
公開済み120録音・40話者の品質個票を事後集計。PPとの3対比×0・±3半音で、同じ録音の全長UTMOSと全長ECAPAの符号を照合。無編集CP−PPのUTMOS増加・ECAPA減少は45録音、21話者。欠測0。新測定・採用判断なし。音声は元4条件レポートの既公開例を参照。現ベースApronを維持。
現ベースApronのHMPPとHMCZTを固定F0で条件付き比較。120録音、1800解析、1440録音条件個票。ε=0.01の100–8000 Hzで録音×符号別95%点の中央値は8.772/10.159 dB、全1025点では52.306/45.610 dB。元測定は2026-10-23 01:30 UTCまでに完了、公開用再集計は同日03:10 UTC。decode・音声・品質・MOS・採用は未実施。
現ベースApron・標準HMPPの120録音、120解析・360波形。0半音出力のYIN推定F0を基準に、各60,741予定窓の±3半音を照合。評価可能17,396/18,591窓の絶対差中央値は2.588/2.771 cent、最大は約1,932/1,929 cent。真F0・品質・MOS・採用は未評価。元測定は2026-10-23 UTC（完了時刻未記録）、公開用集計は同日03:10 UTC。
固定録音0008の先頭5秒。Apron標準HMPPの0・−3・＋3半音を聴き比べます。
0半音
−3半音
＋3半音
保存波形からPCM16へ変換した短例です。音量調整・clipなし。LibriSpeech / CC BY 4.0。音質・自動MOSは今回未測定で、録音0003の3例と全SHAは詳細へ。 出典・許諾・改変表示
英語40話者・120録音。PP/PC/CP/CCで480解析・1440波形・4320品質個票を全件新規計測、欠測0。保存原値から36絶対平均・順位、54対比、16編集差を独立照合し差異0。無編集CP−PPはUTMOSv2 +0.094422、全長ECAPA −0.001102。指標間の得失があり、Apronを維持。順位は今回の公開用派生集計。
固定録音0008の先頭5秒。無編集のPP/PC/CP/CCを同じ順で比べます。
PP・無編集
PC・無編集
CP・無編集
CC・無編集
24 kHz・PCM16。保存波形の短い抜粋で、音量調整・振幅の切り詰めなし。LibriSpeech / CC BY 4.0。編集条件と録音0003の計20例は詳細レポートに掲載。 出典・許諾・改変表示
英語40話者・120録音。HMPPとHMCZTを同一nativeバイナリで切り替えて240解析・720波形・2160品質値を全件新規計測。無編集のHMCZT−HMPP平均はUTMOSv2 +0.088233、全長ECAPA −0.001171、固定先頭SCOREQ −0.003855、eSTOI +0.000569。指標ごとに望ましい方向が分かれ、Apronを維持。切替は主調波と雑音包絡の解析に及ぶため、差を主調波だけに帰せない。
固定録音0008の先頭5秒。HMPPとHMCZTの新しい無編集出力を並べます。
HMPP・無編集
HMCZT・無編集
両方24 kHzのPCM16。音量調整・clipなし。LibriSpeech / CC BY 4.0。編集2条件と録音0003は詳細レポートへ。 出典・許諾・改変表示
既知の人工声道2設定・声源2設定・F0 3条件・2位相・雑音3状態による72信号、計1,368フレーム。全フレームは数値的に安定しましたが、同じ真の声道に対する推定応答はF0条件で異なりました。現ベースApronや既存方式との音質比較、自然音声、無声遷移は未測定です。音声・品質順位はありません。
英語120録音・40話者。候補360波形・1080品質値をApronとLLSM2 Layer0の保存済み2160値と対応比較。無編集UTMOSv2（予測音質、24 kHz全長）の平均と順位は候補2.9355／3位、Apron3.0938／1位、Layer0 3.0838／2位。9群すべてで候補よりApronの平均が望ましい方向だったため、候補は採用せずApronを維持。F0精度や品質差の原因は判定していません。
固定したLibriSpeech録音0008の先頭5秒。原音、Apron・Layer0・候補の無編集を並べます。
原音
Apron・無編集
LLSM2 Layer0・無編集
候補・無編集
原音16 kHz、再合成音24 kHzのPCM16です。前3本は既公開WAVの同一バイトコピーで、新たな音声内容は候補の1本です。LibriSpeech / CC BY 4.0。編集条件と2つ目の録音は詳細レポートへ。 出典・許諾・改変表示
現在の作業ベースApronの保存F0点列を文脈に、既存pYIN状態モデルの無声・有声候補への支持量を固定120録音・40話者で記述。モデル内の録音等重み平均は無声0.614275、有声0.385725。F0精度・音質順位や採否は測っていません。図は既定2録音だけで、新しい音声は追加していません。
英語120録音・40話者。元評価480波形/1440品質個票に、後発の補助対照Layer0編集240波形/720個票を追加。無編集の4指標は順位が分かれ、編集の全長UTMOSv2・ECAPAではApronの平均が−3半音・＋3半音のどちらでも上位。総合順位やF0精度の判断なし。
固定した公開LibriSpeech録音0008の先頭5秒。原音とApron・Layer0の無編集出力を比べます。
原音・無編集
Apron・無編集
LLSM2 Layer0・無編集
16 kHzの原音と24 kHzの方式出力をPCM16に変換。音量正規化なし。LibriSpeech / CC BY 4.0。編集2条件と2つ目の録音は詳細レポートへ。 出典・許諾・改変表示
ユーザー指定の切替記録です。LLSM2 Layer0の保存済み比較と旧PMLの結果は区別して保持します。Apronの音声・品質は未測定で、方式の優位性や順位は示しません。
AR3事前の開発比較に加え、保存済みACG重みを同じL/F・D1・後段処理へつないだ音声の品質を記録しました。既知1話者3録音の限定比較で、PMLを維持します。
同じ1話者の既知3録音による開発比較です。新ACGの品質24値と、条件照合済みの引用39値を記録しました。PML比では新L/Fの全6枝でECAPA・eSTOIが低く、SCOREQ距離が高い方向でした。UTMOSは0008・0011で低く、0032で高くなり、正式ベースはPMLを維持します。
以下は先頭ID librispeech_1089-134686-0008 のみの保存値と、同じ指標・採点範囲の合成5条件内の順位です。1位を太字で示し、同値は同順位とします。順位は丸める前の原値から計算し、原音は参考として除外しました。
| 条件 | UTMOSv2 ↑ | SCOREQ natural距離 ↓ | ECAPA cosine ↑ | eSTOI ↑ |
|---|---|---|---|---|
| 原音（UTMOS参考） | 4.073603（参考・順位外） | 対象外 | 対象外 | 対象外 |
| PML（正式ベース） | 3.255971（1位） | 0.314203（1位） | 0.951873（1位） | 0.922571（1位） |
| 従来のt分布・局所L＋D1 | 2.674615（5位） | 0.537650（5位） | 0.912424（2位） | 0.891744（4位） |
| 従来のt分布・系列F＋D1 | 2.831485（4位） | 0.456050（2位） | 0.906827（4位） | 0.900271（3位） |
| ACG・局所L＋D1 | 2.863252（3位） | 0.498026（4位） | 0.908762（3位） | 0.891405（5位） |
| ACG・系列F＋D1 | 3.169667（2位） | 0.482295（3位） | 0.904834（5位） | 0.900289（2位） |
SCOREQだけ小さい方向、他3指標は大きい方向です。全3録音の原値・48対応差・採点区間・25警告は詳細へ。従来AR3との変化は指標・録音で混在します。PMLとの差を密度だけの原因とせず、音高精度・一般化・有意差・採用は判断しません。
18短例は既存の掲載JSONを参照する先頭2秒です。LibriSpeech / CC BY 4.0。品質測定にはこの掲載コピーを使っていません。
同じ区間の音声（2.0秒）
原音（UTMOS参考）
PML（正式ベース）
従来のt分布・局所L＋D1
従来のt分布・系列F＋D1
ACG・局所L＋D1
ACG・系列F＋D1
AR3事前の開発比較に加え、保存済みACG重みを同じL/F・D1・後段処理へつないだ音声の品質を記録しました。既知1話者3録音の限定比較で、PMLを維持します。
同じ1話者の既観測3録音による開発比較です。AR3の新6枝がnative成功し、参照12枝は保存バイトを再利用。品質75/75個票は全件新規測定です。旧L/F比の変化は指標・録音で混在し、PML比では新2条件とも3録音でECAPA・eSTOI・SCOREQが劣りました。正式ベースはPMLを維持します。独立検証・固定120録音完了・方式採用ではありません。
| 方式 | native保存済み／対象 | 今回の処理 | 品質個票 有効／予定 |
|---|---|---|---|
| 既存PML（正式ベース） | 3/3 | 保存済み参照（再解析なし） | 12/12 |
| REAPER入力＋D1 | 3/3 | 保存済み参照（再解析なし） | 12/12 |
| 旧局所候補＋D1 | 3/3 | 保存済み参照（再解析なし） | 12/12 |
| 旧系列候補＋D1 | 3/3 | 保存済み参照（再解析なし） | 12/12 |
| AR3局所候補＋D1 | 3/3 | 新規解析・保存・復号 | 12/12 |
| AR3系列候補＋D1 | 3/3 | 新規解析・保存・復号 | 12/12 |
以下の値は先頭ID librispeech_1089-134686-0008 だけの保存個票です。表示は小数第6位に丸めています。原音はUTMOS参考のみで、全3録音・区間・対応差・原値は詳細に記載しています。
| 条件 | UTMOSv2 ↑ | eSTOI ↑ | ECAPA cosine ↑ | SCOREQ natural ↓ |
|---|---|---|---|---|
| 原音 | 4.073603 | 対象外 | 対象外 | 対象外 |
| 既存PML（正式ベース） | 3.255971 | 0.922571 | 0.951873 | 0.314203 |
| REAPER入力＋D1 | 3.111721 | 0.921705 | 0.949570 | 0.331177 |
| 旧局所候補＋D1 | 2.763253 | 0.882258 | 0.891957 | 0.552683 |
| 旧系列候補＋D1 | 3.199565 | 0.879210 | 0.898889 | 0.496419 |
| AR3局所候補＋D1 | 2.674615 | 0.891744 | 0.912424 | 0.537650 |
| AR3系列候補＋D1 | 2.831485 | 0.900271 | 0.906827 | 0.456050 |
SCOREQだけ小さい方向、他3指標は大きい方向です。平均・順位・有意性は主張しません。旧IIRのL/F失敗を保持し、RTF（実時間比）はraw F0以降の部分計時なので旧PML過去値と速度比較できません。
短例は掲載専用の先頭2秒で、品質測定入力ではありません。LibriSpeech / CC BY 4.0。変換式・出典・SHAは詳細レポートに記載しています。
同じ区間の音声（2.0秒）
原音
既存PML（正式ベース）
REAPER入力＋D1
旧局所候補＋D1
旧系列候補＋D1
AR3局所候補＋D1
AR3系列候補＋D1
同じ1話者の既観測3録音でD1の新9枝がnative成功。品質v2は51/51個票を測定し、15短例と同録音の対応差を掲載しました。4指標は一貫した改善を示さず、平均・順位・採用判断をせずPMLを維持します。
同じ1話者の既観測3録音による開発比較です。品質v2は51/51個票を測定済み。4指標は一貫した改善を示さず、正式ベースはPMLを維持します。独立検証・固定120録音完了・方式採用ではありません。
| 方式 | native成功／対象 | 今回の処理 | 品質個票 有効／予定 |
|---|---|---|---|
| 既存PML（正式ベース） | 3/3 | 旧バイト再利用 | 12/12 |
| REAPER入力＋D1 | 3/3 | 新規解析・保存・復号 | 12/12 |
| 局所候補＋D1 | 3/3 | 新規解析・保存・復号 | 12/12 |
| 系列候補＋D1 | 3/3 | 新規解析・保存・復号 | 12/12 |
以下の値は先頭ID librispeech_1089-134686-0008 だけの保存個票です。表示は小数第6位に丸めています。原音はUTMOS参考のみで、全3録音・区間・対応差・原値は詳細に記載しています。
| 条件 | UTMOSv2 ↑ | eSTOI ↑ | ECAPA cosine ↑ | SCOREQ natural ↓ |
|---|---|---|---|---|
| 原音 | 4.073603 | 対象外 | 対象外 | 対象外 |
| 既存PML（正式ベース） | 3.255971 | 0.922571 | 0.951873 | 0.314203 |
| REAPER入力＋D1 | 3.111721 | 0.921705 | 0.949570 | 0.331177 |
| 局所候補＋D1 | 2.763253 | 0.882258 | 0.891957 | 0.552683 |
| 系列候補＋D1 | 3.199565 | 0.879210 | 0.898889 | 0.496419 |
SCOREQだけ小さい方向、他3指標は大きい方向です。平均・順位・有意性は主張しません。旧IIRのL/F失敗を保持し、RTF（実時間比）はraw F0以降の部分計時なので旧PML過去値と速度比較できません。
短例は掲載専用の先頭2秒で、品質測定入力ではありません。LibriSpeech / CC BY 4.0。変換式・出典・SHAは詳細レポートに記載しています。
同じ区間の音声（2.0秒）
原音
既存PML（正式ベース）
REAPER入力＋D1
局所候補＋D1
系列候補＋D1
初回3録音は既存PMLが3/3成功、局所L・系列Fは各0/3で合成前に失敗。候補音声・MOS・順位はなく、品質評価と残り117録音への展開を停止しています。PMLを維持します。（調査中・比較結果なし）
内部丸めセルのfloat64参考算術もCloud内で完了との報告。厳密包含保証はなく、原結果未受領・正式得点公開保留です。1,431成功・訓練PCM全零9・数値失敗0を保持し、PMLを維持します。（調査中・比較結果なし）
履歴の違う50組と、同じ前半区間の対照50組を比べました。履歴の違う主要49組のB条件では、積分補正量の条件間差は8組で負、41組で零でした。A条件の主要49組は未定義で、零ではありません。PMLを維持し、音質やF0精度の改善は評価していません。
4180 unique・6180 references・309 framesが全件そろい、有限な固定二候補のlog oddsの符号逆転は0件でした。積分近似の補正E−LによるDの変化は約−0.0105〜−0.0154 natsです。Aの205フレームは無限大を含み、差分はundefined（未定義）で、0でも欠測でもありません。 人工波形と固定二候補に限った診断です。音質改善、全候補探索、exact再追跡の結果を示すものではありません。基準はPMLのままです。次の作業は、同じ現在観測を共有する100組を使い、履歴の違う組と同じprefixの対照の組を比べる検証の準備です。
PMLを維持。108種類の入力rをK1..10で調べた1080点すべてで、Laplace近似値は参照計算値A80を下回りました。N400・δ3、欠測0、初回548成功＋回復532。80桁の参照計算には誤差保証がなく、連続全域の符号や音声品質・MOS・採用判断とは区別します。
PML維持・自然音声品質/MOS未評価。5000積分・500組・各truth100組、全25比較の保存平均・pointwise 95% CI。順位は固定人工条件の記述。元union容量guardのexit2とcompact保存終了0を区別し、今回3shard終了確認・祖先Bunknownを保持。
PML維持・品質/MOS未測定。成功積分3675/5000、完全36/500組（W22/A14）。全25比較の全100平均・CIは未確定。成功subsetのみの記述。Bは固定snapshot・外部終了unknown。Gen2 B担当280は成功報告受領・独立監査中、A/C未受領（本文作成時点）。
PML維持・品質/MOS未測定。500組中49部分・451未処理、積分392成功（V2含む）・96未収束・2明示停止・4510未試行、BMA確定0。05:56 UTCの効率判断で早期停止（27分上限未到達）。原文は2026-10-20 06:06 UTC作成・06:12 UTC表示修正時点、回収runは未統合。
PML維持。既知q・位相・H=Iの5観測モデル、500対・2500スコア。初回V失敗388件と回復を保存。人工信号の密度比較であり、ボコーダー品質・生理原因の同定は未評価。
PML維持。通常確率状態保持版と同一モデルlog領域版で309窓のjoint MAP不変。共通49窓の53–55のみ履歴差、56以後MAP一致。posterior差は残る。正弦波＋固定乱数の人工音3本、品質指標・順位・自然音声への一般化なし。
同じ固定雑音を使った人工入力。各1.024秒。
U-U（人工入力）
E-U（人工入力）
E-E（人工入力）
正弦波とPCG64乱数のみ。既存PCM16をbyte同一コピー。品質順位ではない。 出典・許諾・改変表示
固定5録音、2540 valid・74 energy-floor。PML由来の参照時計を補助表示し、旧PSHF/PML/RAW_FULL比較へ案内。新候補音声・品質指標は未測定。H0は生理的VUVの正解ではなく、baseはPMLを維持。
固定5録音・5観測・30候補復号と保存PML／RAW_FULLの比較。独立解析で数値を照合。サンプル3の低閾値到達はRAW_FULLより6–10 ms早く、一律な先行抑制ではない。品質指標は未測定・候補未採用、PML維持。
サンプル3（121-121726-0012）、0–4.045秒。原音と無編集・seed 0のPML／PSHF残差包絡。
原音
PML 無編集
PSHF残差包絡 無編集
LibriSpeech / CC BY 4.0。保存波形をPCM16化、音量倍率1、正規化・clipなし。品質指標は未測定、候補は未採用。5録音の原因診断であり全120評価とは別。 出典・許諾・改変表示
C4 target局所KL 0.0310446→0.0112895、C3は0.000642280→0.00832401へ悪化。結合選択はC4で2/4、C3で誤選択1/4。人工oracle機構比較であり正式音質評価・自然音改善ではない。PML現base維持、既存方式は初回引用。
人工音の失敗例C3・入力seed 104729。原入力／PML／v3の無編集120 Hz、各0.256秒。
原入力（人工音）
現PML（初回引用）
v3（誤結合例）
事後選択した誤結合例であり、固定代表例・品質順位ではない。PMLは初回引用、復号seed 0。詳細にはC4改善例も掲載。 出典・許諾・改変表示
C5全4例で誤q消失、σ²比7.13–7.18→0.976–1.028、140 Hzの平均KL 0.928339→0.00560181。C0–C4は旧分布・seed 0波形同一。既知位相・Hの人工機構比較で、自然音声品質の採用判断ではない。PML/WORLDは初回引用・再計測なし。現PML維持。
人工音C5・入力seed 0。原入力、現PML、平均変動対応版の無編集120 Hz・復号seed 0、各0.256秒。
原入力（人工音）
現PML・無編集
平均変動対応・無編集
PMLは初回保存値の引用。PCM16試聴コピー。人工oracle機構比較であり、自然音声の品質優位や採用を示さない。 出典・許諾・改変表示
24ケース・240合成出力は全ok。C5平均変化を周期雑音へ誤帰属。PML raw F0 fallback 5/24。提案の既知位相・HとPML/WORLD通常APIの条件差があり品質順位ではない。現PML維持。
人工音C5・入力seed 0、各0.256秒。平均変化の帰属失敗例を原入力・PML・提案で比較。
原入力（人工音）
現PML・無編集 seed 0
提案・無編集 seed 0（帰属失敗例）
無編集120 Hz・復号seed 0。PCM16量子化のみ、clip・正規化なし。WORLDを含む全条件は詳細へ。 出典・許諾・改変表示
単回順次計測・話者等重みwall RTF。主120の解析はPML 1.040211／RAW_FULL 1.016540、復号は0.183301／0.192903。固定70の解析は1.025511／1.029484、復号は0.177797／0.189247。検証時間を除外。方式順・host負荷の影響は残り、PML維持・候補置換保留。
同じ録音の先頭5秒。原音と無編集・seed 0のPML／RAW_FULL。
原音
PML（現base）
RAW_FULL（候補）
LibriSpeech / CC BY 4.0。既存PCM16のbyte同一コピー。詳細に全15音声と出典・限界を記載。 出典・許諾・改変表示
正式28警告から事後選択した22録音・52対104出力。保存F0・時刻は全件完全一致。固定推定器の分岐観測であり、新しい正式品質値や真のVUV判定ではない。15比較音声。PML維持。
例Aの同一区間4.8秒。原音と−3半音・seed 0のPML／RAW_FULL。
原音
PML（現base）
RAW_FULL（候補）
LibriSpeech / CC BY 4.0。既存PCM16のbyte同一コピー。詳細に全15音声と出典・限界を記載。 出典・許諾・改変表示
保存104系列・警告28条件の比較と3例15音声。共通フレームのmissing差は17条件で正、11条件で零。真のVUVや聴覚消失は未確定。PML維持。
例A：1188-133604-0037の1.2–6.0秒（4.8秒）。原音と−3半音・seed 0のPML／RAW_FULL。
原音
PML −3半音
RAW_FULL −3半音
LibriSpeech / CC BY 4.0。元全NPYのSHA一致を確認した波形を切出し・PCM16変換。音量倍率1。 出典・許諾・改変表示
誤りを含む有声・無声の参照信号で、確率を評価できる条件を整理。MOCHAの標本数差と音素ラベルのID対応は報告段階で、時刻整合や有声・無声の真値は未確認です。PMLを維持します。（調査中・比較結果なし）
位相予測の数値積分案・局所近似の期待得点、予測密度の混合と波形平均の違い、MOCHAの時刻情報を文書で整理。保存データの独立照合は未完了で、正式集計と担当ごとの暫定集計は保留。PMLを維持します。（調査中・比較結果なし）
サンプル3の既存公開PCM16、0・±3半音、seed 0を保存観測。主設定の全窓8群でsource-unique比率差（RAW_FULL−PML）の平均・中央値は正、固定参考区間 [2.08,2.13) と重なる窓では中央値が7/8群で負。全固定条件・欠測・cycle holdoutを保持。音質や因果分離の証明ではなく、120録音の品質評価とは別。
サンプル3、同じ4.045秒。原音と＋3半音・seed 0のPML／RAW_FULLを聞き比べます。
原音（未編集の参考）
PML ＋3半音・seed 0
RAW_FULL ＋3半音・seed 0
AM診断で観測した既存公開PCM16の完全同一コピー。原音は未編集の参考で、＋3半音の正解音声ではありません。音質改善・採用の判定なし。LibriSpeech / CC BY 4.0。既存の再合成・音高編集・PCM16変換を含み、今回の追加加工はありません。 出典・許諾・改変表示
120録音40話者・720対応。予測MOS平均差+0.07676、編集有声取りこぼし+0.15454ポイント。PML維持・置換保留。既存8方式との4軸比較は無編集・seed 0のみ。
サンプル3の全区間4.045秒。原音と無編集・seed 0のPML／RAW_FULLを比較します。その他の音高は詳細へ。
原音
現PML
RAW_FULL（未採用）
PML維持、RAW_FULL未採用。正規化なし。LibriSpeech / CC BY 4.0。 出典・許諾・改変表示
5録音・3音高・2seedの30対応60生成波形。品質未評価・未採用で、RAW_FULL120の正式評価とは別。原音・現PML（P）・候補Fを比較し、旧HNMは参考として提示。
サンプル3の全区間4.045秒。原音を参考に、＋3半音・seed 0の現PMLと候補Fを比較します。
原音
現PML ＋3半音
時刻参照の候補F ＋3半音
品質未評価・未採用。原音は未編集で編集音高の正解ではありません。無正規化PCM16。LibriSpeech / CC BY 4.0。 出典・許諾・改変表示
現PMLを維持。既存sample3原音/PML/RAW_FULLの0・±3半音、seed0の7公開PCM16を観測。2.08–2.13秒は参考範囲で音素真値ではない。別の人工混合32ペアを事後帳簿分解し、負対差4件の時刻割当項を説明。新音声・品質順位・採用なし、固定120録音の継続計測と分離。
現PMLを維持、RAW_FULL未採用。第1区間12録音・4話者・72条件ペアの全9品質カテゴリ21行、ASRは4録音24ペア。全120録音は未完了。第2区間の品質終端は進捗だけ別記。現波形とのNPY・抜粋PCM一致を確認した既存23音声を参照。全scalar表・24録音平均は未掲載。 これは旧12録音の中間結果です。後続の全120録音比較は「生高域包絡の移送：120録音の品質・音高編集・既存10方式比較」を参照。
現PMLを維持。48 kHz人工信号4 seed × 8配置 × p有無の64混合と72単独記録。b単独の先行表示は減少するが、p有無対差は4/32ペアが負で幅も過小。強いH1は支持しない。全32,912フレーム行を保持。自然音声の品質・成分分離・新base採用は評価せず、既存PML比較音声へ案内する。
現PMLを維持。5録音・4話者に3音高・2seedを適用した未採用30条件。予測MOS平均3.3184対PML3.3332、0.15超低下10/30。F0・有声欠落率各20・native10適用外、ASR12・18欠測。強部増加と残留増加を併記。新9短音声と既存27音声。正式120録音評価ではない。
現PMLを維持。原波形不変の固定7kernelと、別4録音・9条件・27方式行の全18イベントを分離。全符号付き寄与、旧失敗18点と事後尺度改訂を保持。既存比較音声へ案内し、品質改善・採用は判定しない。
現PMLと未採用2変種。固定5録音・4話者の90条件、予測MOS90・編集F0/miss60・認識36と欠測54。強部低下と時刻差を保持。5秒以下の27試聴例。正式120録音評価・採用ではない。
サンプル3（121-121726-0012）の全区間4.045秒。原音と、音高無編集・seed 0のPML／RAW_FULLを聞き比べます。
原音
現PML（基準）
RAW_FULL（未採用）
PMLを維持し、RAW_FULLは未採用。5録音の品質指標・欠測と全27音声は詳細へ。音量倍率1、音量正規化なし。LibriSpeech / CC BY 4.0、PCM16変換・解析再合成を含みます。 出典・許諾・改変表示
既知1録音の固定11解析と9再合成。PML native/±3半音との原因切り分け。音質順位・新base採用ではない。
同じ録音の全区間4.045秒。原音と、＋3半音の元の保存特徴・診断用の1行置換を聞き比べます。
原音
PML ＋3半音・元の保存特徴
診断：＋3半音・直前値保持由来の1行
音質指標は未測定、採用未判定。原因切り分け用の既存音声です。全例の音量倍率は1、注目箇所は約2.08秒付近。PML無編集と過去反射の診断例を含む全5例は詳細へ。LibriSpeech / CC BY 4.0、PCM16変換・解析再合成を含みます。 出典・許諾・改変表示
通常79軸・費用の部分測定・境界保持修正版の品質2指標と追加音高追従・特徴4表現（canonical v2補完）・編集差の事後診断。旧canonical v1の失敗と未対応範囲を保持。総合順位なし。
全120録音の通常71軸・編集8軸を集約。無編集は候補が上位の指標がある一方、+3半音の予測MOS・声の類似度はPMLが優位。特徴評価・採否は継続。（調査中・比較結果なし）
正式package seed 0の120録音評価。品質改善と制御・表現の弱点を併記。次の研究baseとしてPML採用を推奨。予測品質・話者保持の改善と、音高追従・特徴読み出し等の弱点を併記。計測時の比較基準はHNM v3。PR #43でPMLを次の研究baseへ更新。
品質は軸別9方式共通支持。ASR55、静音108、その他120録音。 表示3方式の中だけの順位ではありません。
| 指標 | PML 低域変更＋60 FWCEP | HNM v3（比較時のベース） | WORLD Harvest |
|---|---|---|---|
| native全長UTMOSv2予測MOS | 3.2755 3位 | 2.5768 9位 | 3.0454 7位 |
| SCOREQ参照あり距離 | 0.29479 5位 | 0.58495 9位 | 0.37907 6位 |
| ECAPA話者類似度 | 0.94863 4位 | 0.90693 6位 | 0.93054 5位 |
| eSTOI明瞭性推定 | 0.90764 2位 | 0.86672 7位 | 0.90519 3位 |
| 20ms ERB帯域距離 | 2.1094 4位 | 2.1034 3位 | 2.1721 5位 |
| 指標 | PML 低域変更＋60 FWCEP | HNM v3（比較時のベース） | WORLD Harvest |
|---|---|---|---|
| 20ms STFT スペクトル相対誤差 | 0.32304 4位 | 0.27761 3位 | 0.32879 6位 |
| 原音推定有声に対する出力有声未検出率 | 0.076238 2位 | 0.10164 5位 | 0.097935 4位 |
| 増分CER | -0.002111 1位 | 0.0045865 7位 | 0.0040339 6位 |
| 増分WER | 0.0017151 2位 | 0.017237 6位 | 0.020195 8位 |
| 対数F0の読み出し誤差（120録音・9法） | 0.17984 8位 | 0.13714 3位 | 0.20813 9位 |
| RMSの読み出し誤差（dBFS）（120録音・9法） | 4.2281 9位 | 2.8278 6位 | 3.8231 8位 |
| 傾斜の読み出し誤差（dB/oct）（120録音・9法） | 1.8773 9位 | 1.6104 7位 | 1.8637 8位 |
| ABX 同一話者内・層平均（9法） | 0.32246 5位 | 0.35386 8位 | 0.34541 7位 |
| ABX 話者間・層平均（9法） | 0.44287 6位 | 0.47299 8位 | 0.44098 5位 |
| 声同一性評定との順位相関（80対・8法） | 0.33783 6位 | 0.5521 2位 | 0.44948 4位 |
| 評定候補内の近傍一致率（80対・8法） | 0.5 2位 | 0.45 6位 | 0.45 6位 |
| 固定70・解析RTF（話者等重み） | 0.60282 | 別計時・順位なし | 別計時・順位なし |
| 固定70・復号RTF（話者等重み） | 0.091258 | 別計時・順位なし | 別計時・順位なし |
| 主120・解析RTF（話者等重み） | 0.60389 | 別計時・順位なし | 別計時・順位なし |
| 主120・復号RTF（話者等重み） | 0.094747 | 別計時・順位なし | 別計時・順位なし |
| 標準実容量 kbps | 804.89 | 詳細の容量比較を参照 | 詳細の容量比較を参照 |
追加評価中のdraft。予測MOS・ERB誤差は改善するが、全指標・制御・速度を揃えてから採用可否を判断する。
追加108録音・36話者。設定選択には不使用。7方式の保存済み順位。 表示3方式の中だけの順位ではありません。
| 指標 | PML + 60 FWCEP（新base） | HNM v3（変更前base） | WORLD Harvest（既存比較） |
|---|---|---|---|
| 予測MOS ↑ | 3.2747 2位 | 2.5664 7位 | 2.9918 4位 |
| ERB32 平均絶対誤差 [dB] ↓ | 1.9899 1位 | 2.2625 6位 | 2.3008 7位 |
| STFT振幅 相対L2 ↓ | 0.32457 4位 | 0.28923 1位 | 0.34005 7位 |
| YIN有声/無声 総不一致率 ↓ | 0.071665 3位 | 0.056099 1位 | 0.103 7位 |
| 全7方式共通有声の絶対cent差 ↓ | 36.726 6位 | 6.6561 1位 | 35.22 4位 |
測定時点：2026年10月14〜15日の研究実行。無編集予測MOSの一部は、同一入力・条件を確認した過去の保存値を引用しています。以下はこの集計時点の保存結果で、毎回の測定対象を指定するものではありません。
現在の自作ベースHNM v3と既存7方式の比較。主120録音の予定工程は終端。元ASV105件・VCTK126件は未完で、取得可能な100件・16件の補助群を分けて掲載しています。
全8方式・120録音40話者の主比較。各値は話者等重み。予測MOSは今回の再合成に未校正の予測値で、原音を超える知覚品質を示しません。ECAPAも人の話者類似性を保証する値ではありません。
| 方式 | 予測MOS ↑ 主比較・8方式 120録音・40話者 | SCOREQ距離 ↓ 主比較・8方式 120録音・40話者 | ECAPA話者類似度 ↑ 主比較・8方式 120録音・40話者 | eSTOI明瞭性推定 ↑ 主比較・8方式 120録音・40話者 | ERB誤差・20ms（dB） ↓ 主比較・8方式 120録音・40話者 |
|---|---|---|---|---|---|
| HNM v3（現ベース） | 2.57676 8位 | 0.58495 8位 | 0.906925 5位 | 0.866725 6位 | 2.10337 3位 |
| WORLD Harvest | 3.04539 6位 | 0.379067 5位 | 0.930536 4位 | 0.905191 2位 | 2.17212 4位 |
| FACodec v1 | 3.98601 1位 | 0.165701 1位 | 0.856632 6位 | 0.889843 3位 | 2.03422 2位 |
| HiFi-Glot | 3.37593 2位 | 0.477719 6位 | 0.460045 8位 | 0.734344 8位 | 3.55633 8位 |
| GOLF-ff | 2.96308 7位 | 0.512206 7位 | 0.825058 7位 | 0.870756 5位 | 2.38941 5位 |
| SiFi-GAN | 3.15325 4位 | 0.236247 3位 | 0.951449 2位 | 0.878823 4位 | 2.57384 6位 |
| LLSM2 Layer0 | 3.08377 5位 | 0.241014 4位 | 0.956909 1位 | 0.932449 1位 | 1.36666 1位 |
| MagPhase | 3.26207 3位 | 0.225025 2位 | 0.949868 3位 | 0.7801 7位 | 2.99485 7位 |
各列に比較対象と共通分母を表示しています。順位は保存済み点推定の順で、優越の確証や総合順位ではありません。全指標・95%区間・欠測理由を見る
同じ録音の先頭2秒（原音・HNM・WORLD）
原音
HNM v3（現ベース）
WORLD Harvest
LibriSpeech test-clean / CC BY 4.0。切出し・解析再合成を含みます。出典・許諾・改変表示 ／ 全18例を聴く。GOLF-ff・SiFi-GANの追加4例は、今回の研究比較用途に限った掲載判断に基づきます。
全8方式の主比較。音響的な一致を測る指標であり、知覚音質そのものの順位ではありません。音高は同じ独立測定器を原音と出力に適用した推定値です。
| 方式 | 3窓平均スペクトル誤差（dB） ↓ 主比較・8方式 120録音・40話者 | 局所ERB誤差・40ms（dB） ↓ 主比較・8方式 120録音・40話者 | RMS絶対差（dB） ↓ 主比較・8方式 120録音・40話者 | 推定音高差・P95（cent） ↓ 主比較・8方式 120録音・40話者 | 全帯域包絡誤差・40ms（dB） ↓ 主比較・8方式 120録音・40話者 |
|---|---|---|---|---|---|
| HNM v3（現ベース） | 5.64823 2位 | 2.23574 3位 | 0.110465 1位 | 18.6132 3位 | 0.535256 1位 |
| WORLD Harvest | 5.82191 3位 | 2.05578 2位 | 1.00492 8位 | 220.51 8位 | 1.69358 5位 |
| FACodec v1 | 6.6021 4位 | 2.43926 4位 | 0.593229 5位 | 15.9932 1位 | 1.13221 3位 |
| HiFi-Glot | 8.81705 8位 | 4.67575 8位 | 0.830925 6位 | 103.933 7位 | 1.50776 4位 |
| GOLF-ff | 6.91044 7位 | 2.77143 6位 | 0.968645 7位 | 54.2758 6位 | 1.80873 6位 |
| SiFi-GAN | 6.65317 5位 | 2.59904 5位 | 0.30707 4位 | 35.0246 4位 | 2.18105 8位 |
| LLSM2 Layer0 | 4.66927 1位 | 1.40011 1位 | 0.216429 2位 | 16.4689 2位 | 0.578858 2位 |
| MagPhase | 6.71042 6位 | 3.23505 7位 | 0.288678 3位 | 40.3625 5位 | 1.91162 7位 |
公式全文を確認できた55録音の限定比較。残65録音は正解全文不足です。増分は再合成−原音の認識誤り率で、HNMとの差ではありません。負値でも人間の理解や発話内容が改善したことを意味しません。
| 方式 | 増分CER（誤り率差） ↓ 全文あり限定群・8方式 55録音・32話者 | 増分WER（誤り率差） ↓ 全文あり限定群・8方式 55録音・32話者 |
|---|---|---|
| HNM v3（現ベース） | 0.00458654 6位 | 0.0172373 5位 |
| WORLD Harvest | 0.00403385 5位 | 0.0201947 7位 |
| FACodec v1 | 0.00282677 3位 | 0.00572917 3位 |
| HiFi-Glot | 0.0869085 8位 | 0.161621 8位 |
| GOLF-ff | 0.00358207 4位 | 0.0160487 4位 |
| SiFi-GAN | -0.00146977 1位 | -0.000745507 1位 |
| LLSM2 Layer0 | 0.000248773 2位 | 0.00563667 2位 |
| MagPhase | 0.0102782 7位 | 0.0181858 6位 |
対応する7方式を比較し、FACodecはこの操作に未対応です。音高誤差と有声欠落率を併記します。−3半音の2軸は共通録音数が異なり、有声が測れない録音をゼロ誤差にしません。
| 方式 | −3半音の相対F0誤差（cent） ↓ 主比較・7方式 106録音・40話者 | −3半音の有声欠落率 ↓ 主比較・7方式 107録音・40話者 | ＋3半音の相対F0誤差（cent） ↓ 主比較・7方式 120録音・40話者 | ＋3半音の有声欠落率 ↓ 主比較・7方式 120録音・40話者 |
|---|---|---|---|---|
| HNM v3（現ベース） | 6.00139 3位 | 0.179666 4位 | 6.28709 3位 | 0.060238 5位 |
| WORLD Harvest | 26.5362 6位 | 0.189268 5位 | 25.011 6位 | 0.0228581 1位 |
| FACodec v1 | 比較対象外 | 比較対象外 | 比較対象外 | 比較対象外 |
| HiFi-Glot | 41.2947 7位 | 0.405885 7位 | 32.9 7位 | 0.143094 7位 |
| GOLF-ff | 4.78033 2位 | 0.124176 3位 | 6.03098 2位 | 0.0376927 3位 |
| SiFi-GAN | 10.2105 5位 | 0.205808 6位 | 10.4814 5位 | 0.0398994 4位 |
| LLSM2 Layer0 | 4.74715 1位 | 0.118401 2位 | 3.72207 1位 | 0.0357638 2位 |
| MagPhase | 8.07509 4位 | 0.101622 1位 | 9.35756 4位 | 0.0752046 6位 |
対応7方式の比較。FACodecは未対応。音高への干渉は音量操作に対する正規化応答誤差で、異なる物理単位を合算した総合点ではありません。
| 方式 | −6dBの音量追従誤差（dB） ↓ 主比較・7方式 120録音・40話者 | ＋6dBの音量追従誤差（dB） ↓ 主比較・7方式 120録音・40話者 | 音量操作から音高への干渉（正規化） ↓ 主比較・7方式 120録音・40話者 |
|---|---|---|---|
| HNM v3（現ベース） | 5.11668e-16 同率1位 | 5.2219e-16 同率1位 | 8.84231e-17 同率1位 |
| WORLD Harvest | 8.54677e-05 3位 | 8.08045e-05 3位 | 5.2413e-07 4位 |
| FACodec v1 | 比較対象外 | 比較対象外 | 比較対象外 |
| HiFi-Glot | 1.14295 7位 | 1.07876 7位 | 0.034155 7位 |
| GOLF-ff | 0.000942388 4位 | 0.00189792 4位 | 1.36873e-07 3位 |
| SiFi-GAN | 0.543167 5位 | 0.502939 6位 | 0.0103468 6位 |
| LLSM2 Layer0 | 0.727455 6位 | 0.0294025 5位 | 0.000269137 5位 |
| MagPhase | 2.97741e-15 同率1位 | 2.71872e-15 同率1位 | 3.03165e-16 同率1位 |
今回対応したHNMとWORLDの2方式だけを比較します。他6方式の品質順位ではありません。時間1.25倍と傾斜±3dB/octは別の操作条件です。
| 方式 | 時間1.25倍・全長誤差（秒） ↓ 主比較・2方式 120録音・40話者 | 時間1.25倍・共通イベント誤差（ms） ↓ 主比較・2方式 120録音・40話者 | 傾斜−3dB/oct・誤差（dB/oct） ↓ 主比較・2方式 120録音・40話者 | 傾斜＋3dB/oct・誤差（dB/oct） ↓ 主比較・2方式 120録音・40話者 |
|---|---|---|---|---|
| HNM v3（現ベース） | 5.55112e-17 同率1位 | 10.558 2位 | 0.246879 2位 | 0.0695222 2位 |
| WORLD Harvest | 5.55112e-17 同率1位 | 5.3373 1位 | 0.0035613 1位 | 0.00467029 1位 |
| FACodec v1 | 比較対象外 | 比較対象外 | 比較対象外 | 比較対象外 |
| HiFi-Glot | 比較対象外 | 比較対象外 | 比較対象外 | 比較対象外 |
| GOLF-ff | 比較対象外 | 比較対象外 | 比較対象外 | 比較対象外 |
| SiFi-GAN | 比較対象外 | 比較対象外 | 比較対象外 | 比較対象外 |
| LLSM2 Layer0 | 比較対象外 | 比較対象外 | 比較対象外 | 比較対象外 |
| MagPhase | 比較対象外 | 比較対象外 | 比較対象外 | 比較対象外 |
対応7方式の音高操作後の絶対値。予測MOSは未校正で、原音超えの知覚品質を意味しません。負方向と正方向は異なる条件・分母です。未編集からの変化、音量・時間・傾斜編集後の品質は詳細レポートに保存しています。
| 方式 | −3半音後の予測MOS ↑ 主比較・7方式 107録音・40話者 | ＋3半音後の予測MOS ↑ 主比較・7方式 120録音・40話者 |
|---|---|---|
| HNM v3（現ベース） | 2.58792 7位 | 2.34118 7位 |
| WORLD Harvest | 3.08636 4位 | 2.86097 5位 |
| FACodec v1 | 比較対象外 | 比較対象外 |
| HiFi-Glot | 3.29104 1位 | 3.23441 1位 |
| GOLF-ff | 2.95818 5位 | 2.86814 4位 |
| SiFi-GAN | 3.2222 2位 | 2.94537 3位 |
| LLSM2 Layer0 | 2.84506 6位 | 2.63834 6位 |
| MagPhase | 3.1824 3位 | 2.96259 2位 |
A/BのどちらにXが近いかを測る誤り率。保存済みの層等重み集計で、単純な三つ組平均や話者等重みとは別です。同話者群は62録音の限定結果。別の集計法を独立した票として数えません。
| 方式 | 同話者ABX・層等重み（誤り率） ↓ 音素支持の限定群・8方式 62録音・26話者 / 186三つ組 | 異話者ABX・層等重み（誤り率） ↓ 音素支持の限定群・8方式 113録音・39話者 / 4774三つ組 |
|---|---|---|
| HNM v3（現ベース） | 0.353865 7位 | 0.472992 7位 |
| WORLD Harvest | 0.345411 6位 | 0.440982 5位 |
| FACodec v1 | 0.433575 8位 | 0.477773 8位 |
| HiFi-Glot | 0.179952 2位 | 0.344508 1位 |
| GOLF-ff | 0.200483 同率3位 | 0.368523 2位 |
| SiFi-GAN | 0.200483 同率3位 | 0.404522 3位 |
| LLSM2 Layer0 | 0.327295 5位 | 0.445902 6位 |
| MagPhase | 0.155797 1位 | 0.413848 4位 |
別のtrain120で固定した線形読み出しによる話者等重みMAE。対数F0の学習支持は119/120（推定なし1件）、評価は全120。RMSの目標値はdBFS、絶対誤差の単位はdBです。固定学習条件付きの結果であり、因果的制御性や復号音質とは別です。
| 方式 | 対数F0読み出し誤差（ln(Hz)） ↓ 主比較・8方式 120録音・40話者 | RMS読み出し誤差（dB） ↓ 主比較・8方式 120録音・40話者 | 傾斜読み出し誤差（dB/oct） ↓ 主比較・8方式 120録音・40話者 |
|---|---|---|---|
| HNM v3（現ベース） | 0.137136 3位 | 2.82784 6位 | 1.61036 7位 |
| WORLD Harvest | 0.208125 8位 | 3.82312 8位 | 1.86372 8位 |
| FACodec v1 | 0.160104 7位 | 1.26922 1位 | 1.3011 4位 |
| HiFi-Glot | 0.0844931 1位 | 1.87354 2位 | 1.269 3位 |
| GOLF-ff | 0.144769 5位 | 2.073 3位 | 1.53663 6位 |
| SiFi-GAN | 0.142239 4位 | 3.76916 7位 | 1.38881 5位 |
| LLSM2 Layer0 | 0.120069 2位 | 2.26278 4位 | 1.24793 2位 |
| MagPhase | 0.159854 6位 | 2.65387 5位 | 1.22413 1位 |
この4軸の全8共通主比較は0件です。終端状態から固定した成功方式の補助値を表示します。補間はMagPhaseが適用外。厳密同長ERBではMagPhaseが適用外で、float16はさらにHNM/WORLDが表現検証等で失敗。音質劣位として最下位にしません。元の数値型・摂動量は方式間で異なり、同じ強さの摂動への頑健性比較ではありません。3点補間は知覚的滑らかさを証明しません。
| 方式 | 補間中点の予測MOS落込み ↓ 条件付き補助・7方式 120録音・40話者 | 補間中点の話者類似度落込み ↓ 条件付き補助・7方式 120録音・40話者 | float16の厳密同長ERB誤差（dB） ↓ 条件付き補助・5方式 120録音・40話者 | float32の厳密同長ERB誤差（dB） ↓ 条件付き補助・7方式 120録音・40話者 |
|---|---|---|---|---|
| HNM v3（現ベース） | 3.0001e-07 2位 | 1.73847e-08 2位 | 比較対象外 | 0.000678402 7位 |
| WORLD Harvest | 1.90735e-07 1位 | 1.24176e-08 1位 | 比較対象外 | 1.3912e-05 6位 |
| FACodec v1 | 0.021453 6位 | 3.79557e-05 4位 | 0.0226607 1位 | 0 同率1位 |
| HiFi-Glot | 0.0205088 5位 | 0.002829 7位 | 0.362279 4位 | 0 同率1位 |
| GOLF-ff | 0.00785858 4位 | 0.00253407 6位 | 15.9544 5位 | 0 同率1位 |
| SiFi-GAN | 0.0225716 7位 | 0.000129845 5位 | 0.175144 3位 | 7.19294e-06 5位 |
| LLSM2 Layer0 | 0.000441684 3位 | 3.66817e-06 3位 | 0.0226851 2位 | 0 同率1位 |
| MagPhase | 比較対象外 | 比較対象外 | 比較対象外 | 比較対象外 |
実保存した表現容器の量。NPZ等の構造を含み、必要な共有モデル等の資産は別計上です。音質を揃えた総コーデック容量の順位ではありません。float16の全8主比較は0件、HNM/WORLD失敗を除く固定6方式の条件付き補助です。
| 方式 | 元表現の保存量（bit/s） ↓ 主比較・8方式 120録音・40話者 | float16表現の保存量（bit/s） ↓ 条件付き補助・6方式 120録音・40話者 |
|---|---|---|
| HNM v3（現ベース） | 1.10937e+07 8位 | 比較対象外 |
| WORLD Harvest | 1.03103e+07 7位 | 比較対象外 |
| FACodec v1 | 554195 3位 | 245692 3位 |
| HiFi-Glot | 19094.7 1位 | 11401.6 1位 |
| GOLF-ff | 811975 4位 | 392309 5位 |
| SiFi-GAN | 282790 2位 | 153833 2位 |
| LLSM2 Layer0 | 7.18285e+06 6位 | 5.96527e+06 6位 |
| MagPhase | 1.56212e+06 5位 | 374411 4位 |
解析RTFは解析秒数÷原入力秒、復号RTFは未編集復号秒数÷同じ原入力秒。別々に保存した値と順位を示し、合計は一覧に載せません。初期化・前処理・保存読込は別記、各ライブラリ2スレッド・合成処理1個の単回値です。全120は保存I/O条件が混在。固定70は保存処理分離方針下の後から追加した補助解析で、全120の代用や反復ベンチマークではありません。
| 方式 | 解析RTF ↓ 全120・参考・8方式 120録音・40話者 | 復号RTF（未編集） ↓ 全120・参考・8方式 120録音・40話者 | 解析RTF ↓ 固定70・補助・8方式 70録音・24話者 | 復号RTF（未編集） ↓ 固定70・補助・8方式 70録音・24話者 |
|---|---|---|---|---|
| HNM v3（現ベース） | 0.136422 4位 | 0.0656306 4位 | 0.138854 4位 | 0.0666724 4位 |
| WORLD Harvest | 0.204503 6位 | 0.0138376 3位 | 0.210173 6位 | 0.0136074 2位 |
| FACodec v1 | 0.172558 5位 | 0.785961 7位 | 0.17712 5位 | 0.822977 7位 |
| HiFi-Glot | 0.0171525 1位 | 1.38484 8位 | 0.0177182 1位 | 1.48615 8位 |
| GOLF-ff | 0.0633634 3位 | 0.0136587 2位 | 0.0638201 3位 | 0.0141104 3位 |
| SiFi-GAN | 0.313378 7位 | 0.717436 6位 | 0.319267 7位 | 0.75241 6位 |
| LLSM2 Layer0 | 0.0530716 2位 | 0.00663264 1位 | 0.0558066 2位 | 0.00658789 1位 |
| MagPhase | 0.544893 8位 | 0.141511 5位 | 0.544444 8位 | 0.14327 5位 |
取得可能な16録音4話者の事後限定群。全8共通は11録音、8秒条件では7録音です。正式126群は未完で、100録音未達・4話者の限定結果です。出力の再標本化は48kHz帯域の再現能力を保証しません。主120の値と合算しません。
| 方式 | ViSQOL（MOS-LQO） ↑ VCTK16・補助・8方式 11録音・4話者 | 8秒以上ViSQOL（MOS-LQO） ↑ VCTK16長時間層・補助・8方式 7録音・4話者 |
|---|---|---|
| HNM v3（現ベース） | 4.25389 3位 | 4.27165 3位 |
| WORLD Harvest | 4.37363 2位 | 4.37061 2位 |
| FACodec v1 | 1.73186 8位 | 1.71921 8位 |
| HiFi-Glot | 3.18703 4位 | 3.21774 4位 |
| GOLF-ff | 2.68161 7位 | 2.65994 7位 |
| SiFi-GAN | 2.72533 6位 | 2.71079 6位 |
| LLSM2 Layer0 | 2.78928 5位 | 2.77159 5位 |
| MagPhase | 4.38555 1位 | 4.37912 1位 |
取得可能な100録音の既存人間評定との対応。全8主群は共通0対、MagPhaseの入力範囲検査の失敗を除く固定7方式の条件付き補助です。Spearmanは対等重み、近傍一致は基準話者等重み。正式105群は未完で、新しいMOS評定ではありません。
| 方式 | 人間評定とのSpearman相関 ↑ 条件付き補助・7方式 100録音・27話者 / 80対 / 20基準録音 / 20基準話者 | 評定上の最近傍との一致率 ↑ 条件付き補助・7方式 100録音・27話者 / 80対 / 20基準録音 / 20基準話者 |
|---|---|---|
| HNM v3（現ベース） | 0.552103 2位 | 0.45 同率5位 |
| WORLD Harvest | 0.449475 4位 | 0.45 同率5位 |
| FACodec v1 | 0.686984 1位 | 0.5 同率2位 |
| HiFi-Glot | 0.29886 6位 | 0.5 同率2位 |
| GOLF-ff | 0.191082 7位 | 0.4 7位 |
| SiFi-GAN | 0.533377 3位 | 0.65 1位 |
| LLSM2 Layer0 | 0.391492 5位 | 0.5 同率2位 |
| MagPhase | 比較対象外 | 比較対象外 |
量子化の共通窓補助を見る（厳密同長の適用外を残した別解析）
HNM v3とWORLDを固定英語120録音40話者で追加評価。SCOREQを含む無編集品質240件、操作960出力と品質曲線480 job、実表現量を別軸で記録しました。ASRは全文55録音32話者の補助集合、過去8方式は歴史的参考として分離します。
固定120録音40話者の追加品質・制御測定。話者等重み。無編集MOSは同条件の歴史値、編集MOS・ECAPA・ERB等を追加実測。SCOREQ有効240/240件、ASRは55録音の補助集合。総合順位は作りません。
| 指標 | HNM v3（当時のベース） | WORLD（Harvest） |
|---|---|---|
| 予測MOS ↑ | 2.577（120/120） | 3.045（120/120） |
| ECAPA類似度 ↑ | 0.907（120/120） | 0.931（120/120） |
| ERB 20 ms誤差 dB ↓ | 2.103（120/120） | 2.173（120/120） |
| SCOREQ natural/ref距離 ↓ | 0.585（120/120） | 0.379（120/120） |
同じ区間の音声（2.0秒）
原音
HNM v3（現ベース）
WORLD（Harvest）
現HNMベースと既存方式の再合成比較。新方式の採用ではありません。8方式・120音声、合成・音響完了960/960件。予測MOS有効1080/1080件（原音込み）。方式・帯域・情報量の違いと、欠測を分けて記録します。
現ベースと既存方式の固定比較。MOSはネイティブ全長、他は方式ごとの16 kHz共通先頭区間。単一合成seed。当時のベースとの差・95%区間・有効件数・被覆率は詳細に表示します。
| 方式 | 予測MOS ↑ | 明瞭性 eSTOI ↑ | スペクトル誤差 dB ↓ | 帯域の音量誤差 dB ↓ | 音量変動の誤差 ↓ | 音量差 dB ↓ |
|---|---|---|---|---|---|---|
| HNM（現ベース: hnm-v3） | 2.577 | 0.867 | 5.649 | 0.230 | 0.086 | 0.111 |
| WORLD（Harvest） | 3.045 | 0.905 | 5.825 | 0.792 | 0.200 | 1.003 |
| FACodec | 3.986 | 0.890 | 6.603 | 0.746 | 0.127 | 0.593 |
| HiFi-Glot | 3.376 | 0.734 | 8.820 | 1.289 | 0.142 | 0.832 |
| GOLF-ff | 2.963 | 0.871 | 6.910 | 1.198 | 0.180 | 0.969 |
| SiFi-GAN | 3.153 | 0.879 | 6.652 | 0.611 | 0.171 | 0.308 |
| LLSM2 | 3.084 | 0.932 | 4.671 | 0.362 | 0.077 | 0.217 |
| MagPhase | 3.262 | 0.780 | 6.711 | 0.325 | 0.235 | 0.288 |
同じ区間の音声（2.0秒）
原音
HNM（現ベース: hnm-v3）
WORLD（Harvest）
FACodec
HiFi-Glot
GOLF-ff
SiFi-GAN
LLSM2
MagPhase
内容・制御・特徴表現の13入口を追加。方式比較ではなく、部分測定を含む人工診断。（調査中・比較結果なし）
WORLDを含む既存方式の再合成比較。7方式・2音声、再合成・評価完了14/14件。少数音声の動作確認であり、品質の採用判定ではありません。
2音声の実行確認・品質採否には使用不可
| 方式 | 標本化周波数 kHz | 完了/予定 | RTF中央値 ↓ | 予測MOS平均 ↑ | 共通区間eSTOI ↑ | 共通区間STFT dB ↓ | 生成長差 ms |
|---|---|---|---|---|---|---|---|
| WORLD（Harvest） | 16 | 2/2 | 0.259 (2/2) | 未測定 | 0.836 (2/2) | 12.424 (2/2) | 0.000 (2/2) |
| FACodec | 16 | 2/2 | 1.022 (2/2) | 未測定 | 0.645 (2/2) | 13.394 (2/2) | 0.000 (2/2) |
| HiFi-Glot | 44.1 | 2/2 | 3.134 (2/2) | 未測定 | 0.582 (2/2) | 8.410 (2/2) | 4.603 (2/2) |
| GOLF-ff | 24 | 2/2 | 0.116 (2/2) | 未測定 | 0.673 (2/2) | 8.750 (2/2) | -10.000 (2/2) |
| SiFi-GAN | 24 | 2/2 | 1.014 (2/2) | 未測定 | 0.748 (2/2) | 8.769 (2/2) | 5.000 (2/2) |
| LLSM2 | 24 | 2/2 | 0.064 (2/2) | 未測定 | 0.897 (2/2) | 7.559 (2/2) | 10.000 (2/2) |
| MagPhase | 48 | 2/2 | 0.972 (2/2) | 未測定 | 0.818 (2/2) | 5.801 (2/2) | -4.865 (2/2) |
同じ区間の音声（2.0秒）
原音
WORLD（Harvest）
FACodec
HiFi-Glot
GOLF-ff
SiFi-GAN
LLSM2
MagPhase
DをHNM v3へ採用。帯域誤差などの小幅改善を優先し、明瞭性・スペクトル誤差の小さな悪化を許容。
| 方式 | 予測MOS ↑ | 明瞭性 eSTOI ↑ | スペクトル誤差 dB ↓ | 帯域の音量誤差 dB ↓ | 音量変動の誤差 ↓ | 音量差 dB ↓ |
|---|---|---|---|---|---|---|
| 実験時のHNM v2 | 2.568 | 0.867 | 5.634 | 0.228 | 0.085 | 0.096 |
| HNM v3（D：FFT端点の重み） | 2.577 | 0.867 | 5.649 | 0.225 | 0.085 | 0.095 |
| WORLD（Harvest） | 3.045 | 0.905 | 5.825 | 0.792 | 0.200 | 1.003 |
同じ区間の音声（2.0秒）
原音
実験時のHNM v2
HNM v3（D：FFT端点の重み）
WORLD（Harvest）
日本語12録音では音量変化の誤差が3.7%減少。ささやきの明瞭さは微減。
| 方式 | 予測MOS ↑ | 明瞭性 eSTOI ↑ | スペクトル誤差 dB ↓ | 帯域の音量誤差 dB ↓ | 音量変動の誤差 ↓ | 音量差 dB ↓ |
|---|---|---|---|---|---|---|
| 自作HNM v1（当時のベース） | 2.110 | 0.771 | 5.604 | 0.609 | 0.093 | 0.085 |
| 雑音包絡を分離した候補 | 2.134 | 0.771 | 5.585 | 0.606 | 0.089 | 0.082 |
| WORLD（Harvest） | 2.158 | 0.787 | 5.599 | 1.659 | 0.232 | 1.235 |
英語の音声例（2.0秒）
雑音包絡を分離した候補
原音
自作HNM v1（当時のベース）
WORLD（Harvest）
包絡誤差は約7.2%改善。新規の振幅上限超過が2組あり、採用見送り。
| 方式 | 予測MOS ↑ | 明瞭性 eSTOI ↑ | スペクトル誤差 dB ↓ | 帯域の音量誤差 dB ↓ | 音量変動の誤差 ↓ | 音量差 dB ↓ |
|---|---|---|---|---|---|---|
| 自作HNM v1（当時のベース） | 2.565 | 0.866 | 5.635 | 0.230 | 0.092 | 0.093 |
| 雑音包絡を分離した候補 | 2.568 | 0.867 | 5.634 | 0.228 | 0.085 | 0.096 |
| WORLD（Harvest） | 3.045 | 0.905 | 5.825 | 0.792 | 0.200 | 1.003 |
同じ区間の音声（2.0秒）
雑音包絡を分離した候補
原音
自作HNM v1（当時のベース）
WORLD（Harvest）
WORLD（Harvest）と再合成・操作を比較。雑音推定を1巡改善。
自然音声の再合成。比較相手：自作HNM。対応差は詳細に保存しています。誤差は小さいほど原音に近く、知覚品質の順位ではありません。
| 方式 | 誤差中央値 dB | 有効／全件 | 比較可能／全件 | 失敗／全件 |
|---|---|---|---|---|
| 自作HNM | 5.638 | 2/2 | 2/2 | 0/2 |
| WORLD（Harvest） | 5.537 | 2/2 | 2/2 | 0/2 |
同じ区間の音声（2.0秒）
原音
自作HNM
WORLD（Harvest）
ユーザー指定の初代ベースに対し、WORLD DIOとLLSMを比較。原音と各方式の実音声を併記。
自然音声の比較。比較相手：WORLD Harvest。誤差は小さいほど原音に近く、知覚品質の順位ではありません。対応差は詳細に保存しています。
| 方式 | スペクトル誤差中央値 dB | 有効／全件 | 処理・測定失敗 |
|---|---|---|---|
| WORLD DIO | 5.517 | 2/2 | 0 |
| WORLD Harvest | 5.537 | 2/2 | 0 |
| LLSM（WORLD DIOの音高） | 4.536 | 2/2 | 0 |
短い音声例：自然音声の固定先頭区間（2.0秒）。同じ原音・区間を各方式で比較できます。
原音（再合成の正解参照）
WORLD DIO
WORLD Harvest
LLSM（WORLD DIOの音高）
WORLD・LLSMの再合成、WORLDの操作、測定器の校正と独立監査。正式ベース手法は未選定。
自然音声の比較。比較相手：WORLD DIO。誤差は小さいほど原音に近く、知覚品質の順位ではありません。対応差は詳細に保存しています。
| 方式 | スペクトル誤差中央値 dB | 有効／全件 | 処理・測定失敗 |
|---|---|---|---|
| WORLD DIO | 5.517 | 2/2 | 0 |
| WORLD Harvest | 5.537 | 2/2 | 0 |
| LLSM（WORLD DIOの音高） | 4.536 | 2/2 | 0 |
この過去の記録には音声例を保存していません。
過去のAI調査資料を含みます。記載された全資料を今回再確認したという意味ではありません。