実験一覧

声道振幅の変化を調波振幅とRdに分ける

声源形状のパラメーターRdを固定しても、入力変化による声道振幅の変化は残りました。主帯域では、調波振幅だけを変えた差の95%点の話者平均は、Rdだけを変えた差より大きくなりました。Rdの選び方だけを直せば影響がなくなる、とは言えません。Apronを維持します。

比較するのは、Apronが使う主調波解析HMPPと比較経路HMCZTです。両方へ同じ固定F0を渡した部品診断であり、通常のApron全体やLLSM2 Layer0の音質比較ではありません。復号は0回なので、新しい試聴音声はありません。

Rdを固定した場合にも、調波振幅の変化が残る

表は100〜8000 Hzでの声道振幅の変化を示します。各録音・正負の入力変化で求めた絶対値の95%点を、話者内6対、40話者の順に平均しました。単位はdBです。「1位」はこの変動量が小さい方を示し、音質の順位ではありません。

入力変化0.1%では、Rd固定の差がHMPP 1.950 dB・HMCZT 2.376 dB、Rdだけを変えた差が0.5101 dB・0.5187 dBでした。交互作用は0.00285 dB・0.00368 dBです。これらはそれぞれの差の95%点で、足して全体の95%点にはできません。

Rd固定の95%点は、帯域によって方式の大小が逆になる

DCとNyquistを含む全1025点では、Rd固定の95%点の話者平均はHMCZTの方が小さくなりました。入力変化0.1%でHMPP 34.680 dB、HMCZT 28.242 dBです。主帯域の1.950 dB・2.376 dBとは順番が逆であり、帯域を混ぜた総合順位は作りません。

主帯域の符号付き平均では、調波振幅側の差は正、Rd側の差は負となる傾向がありました。入力変化0.1%のHMPPでは、Rd固定の平均が+0.1463 dB、調波振幅変更後のRd差が−0.07949 dBです。保存表現では一部を打ち消す向きに働いていますが、声道の真値へ近づいたという意味ではありません。

4つの組合せで、どこを固定したかを分けた

観測した調波振幅をH、補間・平滑化後の声源形状パラメーターをRdとします。基準入力を0、微小変更した入力を1とし、声道振幅Eを4通り作りました。E10とE01は研究用の混合状態で、通常のエンコーダーが出力した状態ではありません。

• Rd固定の調波振幅差：E10 − E00
• 調波振幅固定のRd差：E01 − E00
• 調波振幅変更後のRd差：E11 − E10
• Rd変更後の調波振幅差：E11 − E01
• 交互作用：E11 − E10 − E01 + E00

Rdを固定しても、観測調波の基音の大きさや包絡化の影響は残ります。基音gainの再調整はしていません。費用の小さいRdを選ぶ処理はありますが、その費用を校正された確率とは扱いません。

入力変化が小さくなるほど、Rdの候補番号が変わる割合も下がった

有声フレームにおける最小費用候補の番号の変化率を、同じ6対・40話者の順に平均しました。候補番号が変わらなくても、放物補間や時間方向の補間・平滑化後のRdは変わり得ます。

集計の厳密一致条件を修正し、元の差は消さずに残した

最初の集計では1440比較中1286比較が無効になりました。原因を調べたところ、補間前後のRdへ厳密な数値一致を要求していました。しかし固定sourceは既知の位置でも補間演算を行うため、同じ数値になるとは限りません。sourceが異なる2段階を単純コピーとみなした判定を修正しました。

修正版では許容差を広げて合格にしたのではなく、差の個数と大きさを別の観測項目として記録します。元の配列・測定・旧集計は変更していません。ファイルと配列のhash、形状、固定F0、候補grid、5差分の演算、共通有限フレーム、完全話者の条件は維持しています。

基準解析の重複を除いた1680解析では、1035818の有効な「解析×フレーム」対のうち26064対で補間前後のRdが厳密には異なりました。最大絶対差は6.4373×10⁻⁵です。先に調べた少数例の約1.5×10⁻⁸〜6.0×10⁻⁸だけで全件を説明せず、差の原因は未確定として残します。この実験のRは補間・平滑化後の実保存値であり、その処理も含めて比較しています。

固定120録音で、同じフレームと周波数点を比較した

英語40話者・各3録音、計120録音を使いました。固定した16 kHzの区間を24 kHzへ変換し、HMPPの参照解析で得たF0を全条件へ共通に渡します。その後の再解析ではF0再推定を止めました。録音ごとに同じ平均0・RMS 1の乱数列を用い、原音RMSの1%・0.1%・0.01%を正負に加えています。正負やフレームを独立した録音数には数えません。

参照120解析と固定F0の1680解析、計1800解析は全3担当から完了報告がありました。修正版の1440比較と720方式対は全件集計可能です。方式内の差は4セルが有限な同じフレーム、方式差は両方式8セルが有限な同じフレームを使います。主帯域は100〜8000 Hzの674点、補助帯域は全1025点です。

各話者に3録音×正負の6対が揃う場合だけ話者平均へ入れました。全120集計区分で40話者・240対が揃っています。信頼区間、有意差、品質の採用閾値、MOSはこの診断では求めていません。source-lockの「未ビルド・未実行」は計測前に固定したsource作成時点のラベルで、現在の完了報告とは分けています。

全統計と、次に分けて調べる対象

以下も各録音・符号で求めた統計量の話者平均です。中央値や95%点を全フレームからまとめ直した値ではありません。HMCZT−HMPPは統計量同士の差であり、フレームごとの方式差の95%点ではありません。

次は、調波振幅の推定と声道包絡化の寄与をさらに分けます。Rd推定は既知の声道フィルタを持つ人工信号でも検討します。今回の値だけで生理的な声源・声道が正しく分離できたとは言えず、通常の音声品質や編集品質を評価するまではApronを変更しません。

保存指標と出典

• 全120区分と40話者の集計
• Rdの段階別記録と最大差の例
• 1440比較・720方式対の分割索引
• 版・入力・保存JSONのhashと検証範囲
• キーと算術の照合記録
• 再集計方法と限界

実装の根拠：固定LLSM2のLayer1解析、調波解析・Rd推定。入力はLibriSpeech test-cleanの固定選択です。