# 破裂の原時刻とtarget-Hzの周期時計を分ける非ML分析合成

2026-10-19。Hiroshiba/check-nonml-saikyo-vocoder の次候補を絞る限定文献調査。新規に本文を読んだ一次資料は6本。実装・音声生成・計測・Git変更・Cloud依頼は行っていない。進行中のRAW_FULL 120録音評価、source、閾値、基準PMLは変更しない。

## 結論

**次に検証する価値があるのは、全体のraw envelopeを一律に抑える処理ではなく、非反復イベントの時刻・位相基準と、編集可能な周期成分の時計を別々に持つ表現である。ただし、今回の6本のどれも、曖昧F0・雑音の周期AM・有声部に重なる破裂を同時に分離して絶対target-Hzへ安全編集する完成解ではない。**

今回の優先順位は、①複素信号を使う複数支持窓の観測、②過渡近傍の位相基準と成分帰属の診断、③別時計での編集可能性の検証。特定の新合成器を直ちに採用する提案ではない。一方、H1に限った既知波形の原因分析は、完成方式の証拠を待たず小さな測定研究として着手できる。実装開始と採用判断を同じゲートにしない。未実行の別添「H1最小実験票」をその入口とする。

既存メモ「source-F0同期の雑音AMを過渡包絡から分けられるか」が示した、A_raw/L_rawだけの分解の非一意性は残る。本稿の差分は、複素位相・群遅延・窓内位置を追加すると何が観測でき、なお何が決まらないかである。既出のPSHF、雑音AMの復調・再変調、PMHM-SC、cyclostationarityの説明は繰り返さない。

## 1. 六つの一次資料から得られること

以下の「今回への含意」は本調査の推論。論文の実験結果と区別する。

### S1. TMS：sinusoids + transients + noiseを別モデルにする

Verma・Levine・Meng (1997) は、正弦波を引いた残差へブロックDCTを施し、そのDCT領域を正弦波モデル化して過渡を抽出する。過渡を再び引いてから雑音をモデル化する。時間位置がDCT領域の周波数へ対応し、約1秒のブロック例と時間量子化への注意を示す。元の区間をそのまま貼り戻すと、その区間の背景雑音まで一緒に戻る問題も指摘する。実例は木琴。§2–5。[原稿公開コピー](https://www.scribd.com/document/1067092577/Transient-Modeling-Synthesis-a-Flexible-Analysissynthesis-1)

今回への含意：過渡を雑音包絡の一部として潰さず、別の編集対象として表す先例になる。一方、これは一般のSTNであり、正弦波群を一つのF0に結び付けたHNTでも、物理的な発声源分解でもない。sinusoidal残差の誤差が後段へ流れるため、短い調波・声門閉鎖パルスまで過渡へ入る恐れがある。ブロック長は低遅延の実証ではなく、原音の/b/や日本語話声の品質証拠でもない。

### S2. Reassignment：過渡時刻の精密化とイベント単位の位相基準

Fitz・Haken (2002) は、位相微分由来の時間・周波数再割当を使い、帯域拡張したpartialを追跡する。窓端の不可靠な推定を除き、過渡をまたぐpartialを分割してイベント位置で位相を設定する。編集後に全時点の元位相を維持することは適切でないと明記。単一窓に複数イベントが入ると区別できず、低域衝撃音にも限界を報告する。§3–6、Appendix A.3/A.5。[著者研究グループPDF](https://www.cerlsoundgroup.org/Loris/papers/aes2001.pre.pdf)

今回への含意：早期成分が「未来の強い破裂を長窓で見たもの」か「実在する弱い先行成分」かを、振幅だけでなく窓内のエネルギー位置から調べる候補になる。ただし再割当は混合信号から失われた情報を生成しない。大きい時間補正を全部切ると、低SNRや窓端の本物の弱成分も失い得る。帯域幅／noisiness係数は表現上の量で、F0確信度や生理的乱流率ではない。

### S3. 過渡局所のphase reset：全帯域一括resetを避ける

Röbel (2003) は、スペクトルピークのエネルギー重心で過渡位置を推定し、窓中央に近づいたイベントの関連ピークを同期してphase resetする。雑音や密な部分音のAMが誤検出を起こすため、背景過渡の統計を使う。長窓は混合する定常部分音の分離に有利だが、複数の広帯域アタックを一窓で分離できない。評価は17音・305アタックの音楽データ。§2–4。[会議PDF](https://dafx.de/paper-archive/2003/pdfs/dafx32.pdf)

今回への含意：b様の短イベントに全帯域resetをかけるより、関連成分だけを同時に扱うほうが検証価値は高い。しかし「同じイベントに属するピーク」を誤ると、保持したかった周期成分の連続性を壊す。論文の検出成功と、F0を変えた話声の破裂保存は別の主張。論文の窓・振幅補償・閾値を、そのまま今回の推奨値にしない。

### S4. Adaptive window：観測の支持を分けるが成分を分けない

Liuni・Balazs・Röbel (2011) は、帯域ごとのRényi entropyにより有限の窓候補を選ぶ。窓選択だけを帯域別にし全係数を残す場合と、帯域外係数を捨てる場合を区別し、後者には境界付近の再構成誤差がある。低いentropy次数は弱成分と雑音に敏感、高い次数は弱い部分音を見落とし得る。編集後の位相・F0品質は実証していない。§2–5。[著者arXiv本文](https://arxiv.org/pdf/1109.6651)

今回への含意：低F0候補を観測する長窓と、破裂を観測する短窓を併置する根拠。ただし「低域＝周期、高域＝破裂」と分ける根拠にはならない。同じ帯域の強い調波と弱いburstは窓選択で競合する。窓選択自体が長い文脈を見るので、短窓を選べることと短遅延は同義ではない。完全な恒等再構成も、係数を移動した後の正しさを保証しない。

### S5. Phase coherence：ピーク内の固定と調波間の同期は別

Laroche・Dolson (1999a) は、時間方向の位相伝播と、同一ピーク周囲の周波数bin間の位相関係を区別する。identity/scaled phase lockingは後者を改善するが、同一F0の異なる調波ピーク同士の同期、すなわちshape invarianceは扱わない。STFT整合性指標と聴感順位が一致しない例も示す。§II-C、III-C–E。[原論文PDF](https://seniordesign.cs.tcu.edu/1516Ribbit/resources/ImprovedPhaseVocoder.pdf)

今回への含意：phase-lock追加で声門パルス形状や周期雑音AMまで守れる、と言わない。過渡のbin間位相、調波間の相対位相、帯域間雑音包絡の同期は、診断上も別の対象にする。低域風雑音感が位相不整合由来か、本当に追加された低域エネルギー由来かも、別途切り分ける必要がある。

### S6. 周波数領域で直接移動：時間伸縮なしのpitch操作

Laroche・Dolson (1999b) は、ピークとその周辺binの相対振幅・位相を保って周波数領域で直接移動する。整数bin移動より細かい周波数には補間が必要。線形補間はフレーム同期AMを生み、同論文のHanning・半bin条件では75% overlapが50%よりその誤差を抑える。§3。[会議原論文PDF](https://www.ee.columbia.edu/~dpwe/papers/LaroD99-pvoc.pdf)

今回への含意：原時刻を維持した周期ピーク移動の操作例になる。ただし任意ピーク移動が可能なことと、曖昧F0を持つ発話を指定の絶対Hzへ変えることは別。harmonic番号、source側の対応、声道スペクトル包絡、移動しない過渡の帰属を決めなければならない。整数binだけでは短窓・48 kHzで細かなtarget-Hzを担保できず、補間で生じたAMを元の生理的AMと誤認しない。

## 2. 適用条件・失敗条件の比較

|方法|今回の用途|条件／主要な失敗|費用・保存情報|
|---|---|---|---|
|STN/TMS|非反復イベントを雑音とは別に表す|前段正弦波残差の漏れ、周期パルスの誤帰属。HNTや乱流分離とは限らない|DCT領域の追跡と逆変換。イベントパラメータまたは複素成分が必要|
|再割当|原時刻・窓端由来のにじみを調べる|窓内複数イベント、低SNR、近接成分、低域の分解能不足|通常の解析に補助窓変換を追加。位相・複素係数を要する|
|局所phase reset|過渡ピークを同期して再生成|誤検出／イベントの誤結合で定常成分を破壊|背景履歴、ピーク対応、イベント単位の状態が必要|
|複数支持窓|長い周期観測と短い時刻観測を併置|同帯域内の競合、窓選択の雑音依存、帯域合成境界|候補窓数・帯域数分の解析。恒等再構成と編集再構成を別検証|
|ピーク周囲のphase locking|bin間位相不整合を減らす|調波間同期は別問題。混合ピークでは単一成分近似が崩れる|ピーク追跡・位相伝播。全体の生理時計を代替しない|
|直接ピーク移動|時間座標を変えず周波数を変える|source対応の誤り、補間AM、包絡／残差の移動ミス|細かな周波数には補間とoverlap。整数binの安さだけで選ばない|

費用欄は構造上の相対比較。現環境のRTF・メモリ・48 kHz品質は未測定。

## 3. 強い提案を限定する：二つの時計と未同定成分

以下は本稿独自の設計仮説で、完成アルゴリズムではない。

### 3.1 保存したいものを明示する

1. 実時間上のイベント：破裂の開始・重心・立上り・帯域間の遅れ。時間伸縮を要求していないので原時刻に置く。
2. 周期時計：指定されたf_target(t)の積分位相。周期キャリアと、同定できた周期雑音AMにだけ適用する。
3. 未同定成分：候補F0ごとの説明が合わず、周期／非周期を決められない部分。低いF0確信度を、そのままnoise量に変換しない。

この区別は発声生理を単純化して捏造しないためでもある。声門由来の反復イベント、局所的な開放・摩擦イベント、周期AMの存在は同時にあり得る。既存調査で確認済みの場所依存AM位相を、すべて同じ声門位相へ固定しない。今回の6本は、その生理的帰属を追加で立証していない。

### 3.2 「全イベントの元位相」と「任意target-Hz」は一般に同時には固定できない

一つの継続する第h調波を、t1とt2でどちらも元位相へ合わせるには、target位相増分 2πh∫[t1,t2] f_target(t)dt が元の位相差と2πの整数倍を除いて一致しなければならない。任意のtarget-Hzでは通常一致しない。

したがって、イベント時刻保存と元位相を全時点で保存することを混同しない。候補は、①位相基準を一つ選んで周期枝を連続させる、②本当に非反復なイベント枝を原時刻に独立配置する、③必要性が確認できた箇所だけpartialを分割する、の比較になる。③を声門周期ごとに適用するとsource周期を温存しかねない。

### 3.3 raw切り貼りを採用案としない

「burst付近の原波形を丸ごと保存」はイベント時刻に強いが、同時に存在するsource調波・source-AM・低域雑音も保存する。編集後のtarget時計と干渉しても、恒等条件では見えない。クロスフェードでも帰属問題は解消しない。短区間を残す場合は、未同定の保守策だと明記し、完全なF0編集の達成と数えない。

## 4. 次版で測れる仮説と否定条件

これは将来の別評価案であり、今回実行していない。測定前に実装・帯域・イベント窓・許容誤差を固定する。自然音声で真の成分分解は観測できないため、既知生成条件の検証と自然音声での品質検証を分ける。

### H1：振幅抑制より窓内位置が「にじみ」と「実在の先行成分」を区別する

- 条件：周期成分＋単発burstに、独立した弱い先行成分を加える／加えない。burstをフレーム中心から端まで連続的に移す。低域にも広がるburstを含める。
- 測定：既知開始時刻より前の余剰エネルギー、実在する先行成分の保持率、burst強部損失、開始／重心誤差。比較はraw包絡・固定窓・再割当診断。
- 否定：先行エネルギーを減らすほど本物の先行成分と強部を同程度に消す、またはフレーム位置で誤差が大きく反転するなら、単独の再割当/cropping採用を棄却する。

### H2：長窓＋短窓は、単一窓のPareto境界を改善する

- 条件：同一帯域で低F0調波と短burstを重ね、burst対周期成分比、SNR、burst間隔、F0揺らぎを変える。帯域で完全分離した簡単な条件だけを使わない。
- 測定：周期候補の誤差／被覆、イベント時刻・時間幅、帯域境界誤差、計算量。固定短窓と固定長窓の両方を対照にする。
- 否定：全指標を改善せず単に窓間で誤差を移す、強い調波の下の弱burstが悪化する、同予算では利得が消えるなら採用根拠を否定。完全再構成だけは合格理由にしない。

### H3：イベント枝を原時刻に置いても、source時計を持ち戻らない

- 条件：単発burstのみ、周期雑音AMのみ、両者の重なり、jitter/shimmerのみを分ける。絶対target-Hzにはsourceと非整数比になる値と連続変化を含める。恒等条件も別に残す。
- 測定：target-F0誤差、既知周期AMのtarget側への移動量とsource残留、burst開始・幅・強部エネルギー、不要な反復コピー数。周期AMは複数noise実現で二次統計を評価する。
- 否定：burst保持が良くてもsource調波／AMが増える、単発burstが周期的に複製される、または必要な周期AMを動かせないなら、「分離して編集できた」という主張を棄却する。

### H4：phase coherenceの改善を生理的周期保存と取り違えない

- 条件：近接ピーク、F0変化、同帯域の持続成分＋burst。ピーク周囲lockのみ、イベント局所reset、調波間相対位相の制御を分けて比較する。
- 測定：STFT再解析整合誤差、調波間相対位相、イベント時刻、click／余分な側帯域、低域の余剰エネルギー。F0／AM／イベント指標を独立に報告する。
- 否定：整合誤差のみ改善して声門周期形状やburst／低域指標が悪化するなら、整合性を品質代理にする案を否定。resetで守る過渡より、同居する持続成分の破壊が大きければ局所reset案を棄却する。

### H5：細かなtarget-Hzを入れる操作が新しいAMを作らない

- 条件：一定振幅の単一正弦波／既知調波群に、整数bin・半binを含むtarget周波数を与える。次に既知周期雑音AMを加える。
- 測定：指定Hz誤差、フレームレートとその倍音の側帯域、AM深度、overlap／補間方式別の計算量。noise由来の変動は複数seedで区別する。
- 否定：元信号にないフレーム同期AMが現れ、周期AM診断を汚すなら、その編集操作を分離仮説の検証に使わない。整数binへ丸めて誤差を隠すことも不可。

### 全体の評価上の注意

- 先行エネルギー低下だけでは成功としない。今回既知の「強部損失との交換」を、イベント内エネルギーと独立した先行成分保持で同時に測る。
- 低域の指標は全体音量合わせで損失を隠さず、原音基準・成分基準・帯域別の値を併記する。低域風雑音感がエネルギー指標だけで説明できるとは仮定しない。
- 自然音声では、b様の聴感ラベルと物理的な破裂成分を同一視しない。機構検証を通過して初めて、別版の固定100音声以上・最終48 kHz・自動MOSを含む既定の多指標評価へ進める。新規の人間聴取を採用ゲートにしない。
- F0候補は解析上保持してよいが、候補波形を単純加算したものを「不確実性保持」と呼ばない。候補統合・生成規則はなお未解決で、この調査から実装済みだとは扱わない。

## 5. 五視点・二ラウンドの検討

単一調査内での仮想的な役割検討。独立した5人の専門家の承認や実験結果ではない。

|視点|第1巡：提案と批判|第2巡：修正後の判定|
|---|---|---|
|音声・発声生理|破裂と声門周期を別時計にしたい。ただし声門閉鎖も短いイベントで、単に短いものを保護するとsource時計が残る|イベントの形だけで生理帰属しない。周期AMとの重なりと場所依存位相を別条件にする。二時計はモデル仮説としてのみ支持|
|推定・不確実性|複素位相と複数窓で観測は増える。しかしsoftな重みや低entropyは物理的な分解を保証しない|候補別の説明、支持不足、未同定を残す。H1/H2/H3で既知成分への誤帰属を測ることを前提に支持|
|合成・DSP|再割当＋局所phase基準は過渡保持に筋がある。全イベントで元位相を固定するとtarget周波数と衝突する|周期枝を連続させ、非反復枝だけを原時刻へ置く案を比較。無差別partial分割・全帯域resetは不採用|
|評価・実用|raw包絡より先行成分が減れば前進に見えるが、強部損失、補間AM、長窓遅延、MOSの不均一性を隠せる|恒等・編集を分離し、H1–H5と計算費用を報告。現120録音を変更せず、次版の仮説票に限定|
|批判役|TMS、Loris、adaptive windowを継ぎ足しただけではsource-AM分離は解けない。未同定原波形の保存は制御失敗の隠蔽になり得る|「完成方式」や「必ず改善」を撤回した範囲で支持。最大の否定条件はburst保持と引き換えのsource時計残留。完成合成器の採用根拠には不足するが、H1の限定した観測実装を止める理由にはしない|

**最終判断：H1の既知波形による小さな観測研究は進める価値がある。H1単独の実装開始に、H2–H5の成功や完成合成器の証明を要求しない。HNT／再割当／phase-lockの名称だけで新合成器を採用せず、その段階では“何を原時刻に残し、何をtarget時計へ移したか”を反証できる評価を要求する。**

## 一次資料と読取り範囲

1. **S1** Verma, T. S., Levine, S. N., Meng, T. H. Y. (1997). *Transient Modeling Synthesis: a flexible analysis/synthesis tool for transient signals*. ICMC, pp.164–167。§1–5の本文公開コピーを読解。Scribdの自動要約・関連記事は証拠に用いず、数式OCRの破損部分は引用しない。[本文コピー](https://www.scribd.com/document/1067092577/Transient-Modeling-Synthesis-a-Flexible-Analysissynthesis-1)、[著者のStanford公開書誌・会議論文90番](https://web.stanford.edu/~thm/publications.html)、[DBLP書誌](https://dblp.org/pid/11/4048.html)。追加確認ではStanford・著者書誌とICMC公的アーカイブを限定探索し、著者・年・会議・ページは著者書誌でも一致した。Stanford書誌に本文リンクは見つからず、MichiganのICMCアーカイブ／DBLP経由の公的本文は取得できなかった。したがって、本文の根拠はScribdコピーであり、公的原本との全文同一性までは検証していないという制限を維持する。2000年拡張論文の本文取得も安定せず、その内容を精読済みとは扱わない。
2. **S2** Fitz, K., Haken, L. (2002). *On the Use of Time-Frequency Reassignment in Additive Sound Modeling*. JAES 50(11), 879–893。著者公開preprintの§1–8、Appendix Aの関連例を確認。preprintのページ番号は出版版と異なる。[本文](https://www.cerlsoundgroup.org/Loris/papers/aes2001.pre.pdf)、[著者書誌](https://www.cerlsoundgroup.org/Kelly/publications.html)。
3. **S3** Röbel, A. (2003). *A New Approach to Transient Processing in the Phase Vocoder*. DAFx。§2–6を確認。[本文](https://dafx.de/paper-archive/2003/pdfs/dafx32.pdf)。
4. **S4** Liuni, M., Balazs, P., Röbel, A. (2011). *Sound Analysis and Synthesis Adaptive in Time and Two Frequency Bands*. DAFx。§2–5を確認。[本文](https://arxiv.org/pdf/1109.6651)。
5. **S5** Laroche, J., Dolson, M. (1999a). *Improved Phase Vocoder Time-Scale Modification of Audio*. IEEE TSAP 7(3), 323–332。§II-C、III-C–Eを重点確認。[本文コピー](https://seniordesign.cs.tcu.edu/1516Ribbit/resources/ImprovedPhaseVocoder.pdf)、[DOI](https://doi.org/10.1109/89.759041)。
6. **S6** Laroche, J., Dolson, M. (1999b). *New Phase-Vocoder Techniques for Pitch-Shifting, Harmonizing and Other Exotic Effects*. WASPAA, pp.91–94。§2–4を確認。2000年の長い同系統原稿とは区別。[本文](https://www.ee.columbia.edu/~dpwe/papers/LaroD99-pvoc.pdf)。

音楽向けの実例から日本語話声・PMLに対する品質優越は推定しない。本稿は適用条件と反証方法の整理であり、現120録音評価の採否や品質順位を変更する成果ではない。