全長原音120発話：認識誤りと予測MOSの抽出範囲

現在のベースはApron24です。今回、新しい全長入力でApron24やWORLDを合成・比較していません。方式の品質差と順位は未評価です。以下は無加工原音だけの測定器の記録で、人の評定による校正でもありません。

40話者・各3発話、計120発話の全長入力を使いました。5個の原結果ZIPをすべて取得し、UTMOSの値120件と抽出区間120件を照合しました。話者等重みの予測MOS平均は3.86683です。旧6秒版の結果は混ぜていません。

ASRは初期化検査を限定修正し、元の失敗も残す

最初の版は全5担当でモデル初期化中に停止し、120発話の認識処理は未開始でした。この版のWERはありません。推論では使わない学習用パラメータの欠落まで拒否した検査が原因です。公式実装で使用条件を確認し、未開始のASRだけを別版で実行しました。成功したUTMOSを再計測しません。

後継版ASRは120件すべての認識を完了し、正規化入力・logits・argmaxの計360配列と語編集操作を照合しました。micro-WERは4.1341%、話者等重みの発話WER平均は4.2898%です。正解語数2685、置換92・削除10・挿入9でした。配布全文に対する認識器の誤りであり、人の明瞭性ではありません。全個票・語編集操作・配列の識別情報。

全長を渡すことと、全区間を選ぶことは別

既存の抽出処理を変えず、SSLの3秒区間1回と、スペクトルの1.4秒区間10回（主2回・混合8回）を観測しました。短い入力は既存の処理で繰り返されます。選ばれた元音声位置の和集合の割合は、最小44.8244%、中央値89.1558%、最大100%でした。全位置を含んだのは10/120件です。

これは入力位置の幾何学的な範囲です。モデルのattention、混合時の寄与や、知覚的に聞いた範囲を測ったものではありません。過去の予測値の無効性や、ボコーダーの優劣も結論しません。

事前指定した5発話の原音

各担当の辞書順最初の発話を、先頭2秒だけ掲載します。元PCM16をそのまま切り出し、音量調整・再標本化・再合成はしていません。良い結果だけを選んだ例ではなく、新しい合成音声でもありません。

librispeech_1089-134686-0008

librispeech_2094-142345-0032

librispeech_3729-6852-0000

librispeech_5639-40744-0013

librispeech_7176-88083-0002

出典: LibriSpeech test-clean、Vassil Panayotovら。利用条件: CC BY 4.0。原朗読者・作品の個別同定はしていません。入力と掲載コピーの識別情報。

照合できた範囲と限界

原ZIPのbytes・SHA、固定ソース、入力、環境、評価の予約・入口・終了記録を照合しました。抽出区間は保持した元PCMから再構成してsliceとhashを確認しました。モデルのforwardを親が再実行したわけではありません。生の乱数状態と呼出し後PCMは保持対象外で、過去の乱数列や入力の無変化を独立に証明したとは扱いません。

既存の約70〜72 MBの品質結果4束の保存問題は別の未解決です。今回の小さな結果ZIPの保存成功を、その障害の解決とは扱いません。

• 全個票と集計値
• 最初の版の固定計画 / 固定ソースの台帳
• 同じ120発話の全長入力の準備
• 過去のApron24・WORLDを含む比較（今回の値には流用しません）

原ZIP・入力・ソース・環境の識別情報と監査要約 / 全120発話の抽出区間の原記録。監査要約は元監査の公開用派生物で、元ファイルそのものではありません。

ASR専用の後継版: 固定計画 / ソース台帳 / 固定時の識別情報。認識器やdecoderは変更せず、特定の欠落パラメータの診断と推論モードを厳密に確認します。

後継版でも、使わない masked_spec_embed に関するモデル読込み警告は原ログに残っています。担当の「警告なし」という要約は採用せず、親が実ログを確認しました。準備時の引数誤記・出力先の事前作成による停止は、評価入口に入る前と区別して記録しています。修正と警告の記録。

次は時間長・音高・内容・音質を分けて比較する

無加工原音でも認識器は誤り、予測MOSへ渡した全時間が選ばれるとは限りません。今後の時間伸縮では、配布全文に対する認識誤りと原音からの変化を分け、出力長と音高追従も別に測ります。これらの記録だけで、原音の絶対的な良さや新しい方式の採用を判断しません。時間伸縮の出力長と合成窓を分ける設計メモ。