# 全長原音120発話で、認識誤りと自動MOSの抽出範囲を記録する

実行前に固定した計画。凍結時点では計測していない。現在のベースはApron24のまま。この研究は原音の評価条件を確認する準備であり、ボコーダーの品質比較、MOSの人間評定校正、未取得の連続利得結果の回復ではない。

## 対象と固定する問い

保持・独立照合済みの同じ120発話の全長PCM16を使う。40話者・各3発話、2.065〜28.09秒。6秒抜粋の入力へ全文を対応させない。各話者を辞書順に8名ずつ、5担当へ固定する。各担当は24発話についてASR1回とUTMOS1回、計48評価呼出しを行う。全体では240呼出し。合成、F0推定、時間伸縮、学習、校正パラメータの当てはめはしない。

問うのは、固定した認識器が無加工の全文をどれだけ誤るか、そして既存UTMOSの予測時にどの原音区間が抽出されたかである。ASR誤りが0に近いことやMOSが高いことを、実行成功や採用の条件にしない。

## ASR

facebook/wav2vec2-base-960hの固定safetensors、transformers 4.51.3、Torch 2.8.0+cpuを使い、既存の品質環境lockを変えない。全長16kHz float32を単独で入力し、padding=False、truncation=False、attention maskなし、eager CPU float32 evalとする。公式の全入力正規化を使い、chunkや30秒制限への自動切替はしない。モデル初期化や入力ごとの例外は記録し、失敗を0誤りとして扱わない。

最大logitのCTC列を公式tokenizerで復号する。隣接同一tokenをまとめてblankを除く順序を保つ。生の予測文字列を保存し、集計用には大文字化と空白の整理だけを行う。apostropheは保持し、未知語・特殊tokenを黙って消さない。正解テキストは配布全文で、人による追加校正はしていない。

単語編集距離はM（同一）・S（置換）・D（削除）・I（挿入）の操作列を保存する。最小コストが同じ場合は先頭からM、S、D、Iの順を選ぶ。WERは(S+D+I)/正解語数で、100%を超えても切り詰めない。空の予測は全削除として有効な結果にする。

## UTMOSと観測

固定のUtmosLocalを変更せず使う。fold0、bvcc、seed20261012を毎回reset、1反復、無音除去なし、内部の短入力tileも従来どおりとする。データセットが使うcrop関数の2個の別名だけを一時的に観測し、元関数を1回呼んだ同じ戻り値を返す。隔離したNumPy乱数状態で選択位置を再現し、元の乱数状態を変更しない。元関数の例外は伝播し、通常の観測失敗はスコアの失敗と分けて記録する。

期待する抽出はSSL 3秒×1と、スペクトル1.4秒の主2回＋混合8回。元PCMとtile後の配列の一致、開始位置、返却sliceのhash、乱数の事後状態を記録する。抽出区間の和集合は、選ばれた入力位置の範囲である。モデルのattentionや混合重みの重要性、知覚的に見た範囲を測るものではない。

## 5役の第1巡

1. 内容評価担当: 全文と全長の対応が確認できたので、無加工原音の認識誤りを先に残せる。これはASR自体の誤りを、将来の音声加工による変化から区別する材料になる。
2. 自動MOS担当: 全長投入という名前から全時間を見たと推測せず、元の抽出動作を変えない観測で実際の区間を残す。
3. 統計担当: 旧6秒版や欠けた品質値を混ぜず、新しい全長入力の固定集合として扱う。話者・発話・単語の重みを区別する。
4. 再現性担当: 入力ZIP、全9資産、環境、ソースを全て照合してから評価枠を予約する。ASRとMOSは別プロセスで各1回モデルを読み込み、各24件を順番に処理する。
5. 批評家: 原音だけでは新しいボコーダーの優位性は分からない。測定器の校正済み精度にもならない。旧結果を回復するための別名の再計測にはしない。

## 第2巡で確定する制約

1. 内容評価担当: ASRの語彙・正規化・decoderを結果に合わせて調整しない。将来の加工出力も配布正解全文と比較し、原音ASRとの一致だけを正解WERへ読み替えない。
2. 自動MOS担当: 観測の不完了と予測MOSの成功を別の欄にする。観測を理由に追加のモデル呼出しをしない。全区間の抽出を強制した新しい測定器にも変更しない。
3. 統計担当: 全120件が揃ってからmicro-WER（誤り総数/正解語総数）、話者等重みの発話WER平均、MOSの話者等重み平均を示す。これは原音の記述値で、方式順位や採用判定ではない。cropは完全な観測だけの発話別和集合を示し、分母と不完了数を明記する。
4. 再現性担当: 全ASR正規化入力・logits・argmax列・操作列を保持し、親がgreedy列と語編集距離を独立に再計算する。UTMOS区間は元の保持PCMからsliceを再構成して照合する。モデル重みは公開hash固定であり、Library保持済みとは言わない。
5. 批評家: 通常成果物の未圧縮量を担当別に積算し、45MiB以下の原ZIPに収まる設計にする。全長原音ZIP・モデル重み・環境を結果へ重複して入れない。予期しない大きなログや保存障害は別の失敗として保持し、縮小・分割・別経路へ回さない。

## 受領条件と読み方

実データを読む親の監査器まで準備・レビューしてから正式計画を凍結する。各評価の予約・入口・終了・値の保存を区別する。入ったが返らなかった呼出しは不明として残し、同じ枠を再実行しない。収集失敗やモデル初期化失敗を、音声が悪い結果とみなさない。

部分的な成功だけで全120件の平均や優位性を結論しない。ASRは同一コーパスで広く使われたモデルであり、未知領域への一般化や人の明瞭性を証明しない。UTMOSの既存人間評定に対する独立校正も、この計画では行わない。