Apronの4条件：UTMOSとECAPAの変化は同じ録音でどう重なるか

公開済みの品質個票を事後集計した。無編集のCP−PPでは、UTMOS上昇・ECAPA低下が45/120録音、21/40話者で起きた。同じ組でも両方上昇は38録音、10話者あった。平均の符号だけでは、この組合せは見えない。現ベースApron（PP）は維持する。

PPなどの2文字は、主調波と雑音包絡に用いる解析方法を順に示す。PはHMPP、CはHMCZTで、PPが現ベースApronに相当する。解析方法と4条件の元の結果は元レポートを参照。

下の9組は、PPに対するPC・CP・CCの差を、同じ0・−3・＋3半音の録音で数えたもの。行がUTMOS、列がECAPAで、＋は保存指標値の増加、−は減少を表す。0は厳密な同値だけ。数値の符号は有意差や人が聞き分ける境界を示さない。

元レポートの無編集平均はCP−PPでUTMOS +0.094422428、ECAPA −0.001102296、CC−PPで順に+0.088186008、−0.001171238。ここでは平均を新しい判定へ置き換えず、録音内で正負が重なる内訳を記した。

同じ入力の短い音声は元レポートを参照

以下は元の4条件レポートにある、固定録音0008のPP・PC・CP・CC、0半音の既公開4例を直接参照する。今回の符号分布から録音を選んでいない。今回、音声の生成・コピーや試聴評価は行っていない。−3・＋3半音と録音0003、出典・変換内容は元レポートを参照。

同じ録音と話者を固定して数えた

対象はLibriSpeechの40話者・120録音。PC、CP、CCそれぞれからPPを引き、同じ音高のUTMOSv2全長とECAPA全長を組にした。UTMOSは native_full_length、ECAPAの0半音は unedited_full_length、±3半音は edited_full_length。ECAPAの先頭固定区間、SCOREQ、eSTOIは今回の二軸に含めない。

公開JSONの保存数値を60桁精度のDecimalとして読み、各差の表示丸め前の符号を数えた。話者は保存metadataを使い、各話者の3録音すべてが揃ったときだけ平均差を主表へ入れた。今回は4320個票を確認し、対象キー・録音・話者の欠測は0件。9区分の合計は各組で録音120、話者40と一致した。

元のUTMOS・ECAPAの24平均は、元レポートの28桁精度で再計算すると24件すべて数値一致した。60桁で比較した残差は19件が非ゼロで、最大絶対値は3.3333333333333333333333333333333×10⁻²⁸。元値の丸めによる差を隠さず、各値は集計JSONに残した。

この件数から採用や知覚品質は決めない

これは二つの予測指標が同じ録音でどう変わったかの記述であり、真の音質・話者同一性や人の評定の勝敗ではない。平均、録音件数、話者件数は異なる要約で、重みを替えた採用判断には使わない。主調波の切替は残差や雑音解析にも伝わるため、独立した物理要因の因果効果とも読めない。

元の結果を見た後に計画した補助集計で、新たな盲検・独立データ・再測定・48 kHz評価ではない。次の入力や試聴例へ「改善した録音」だけを持ち込まず、固定120録音を保つ。事前に固定した集計計画、来歴、録音・話者ごとの数値と元keyを公開する。