入力音量を揃えると、小音量の調波振幅誤差は減るか

現ベースApronと同じHMPPを使い、入力振幅だけを調整してから推定値を元の尺度へ戻しました。人工信号の小音量で大きかった誤差は減りましたが、音高の変化や照会F0のずれによる誤差は残ります。調整前の方が誤差の小さい条件もあり、Apronの置換や自然音声の品質改善はまだ結論にしません。

Pは無変更HMPP、Nは入力を調整したHMPP、Cは既存HMCZTです。Nは1921標本全体の最大絶対値pから倍率λ=0.5/pを決め、float32へ変換したλxをHMPPに入力し、戻り振幅をfloat64でλで割ります。声道・雑音・F0推定を含む全Apronではなく、直接調波解析だけの比較です。

1億分の1の音量でも、調整後の誤差は約0.023 dB

定常信号の主帯域について、2つのF0・4位相に含まれる全456調波を等重みでまとめた平均絶対誤差です。録音や話者の平均ではありません。gは入力振幅の倍率で、真値もg倍しています。

尺度を揃えれば同じ入力になることは、この前処理の定義から予想できます。今回は、有限精度の実装でどれだけ誤差が出るかと、尺度を揃えても何が残るかを測りました。尺度不変性だけで品質を証明したとは扱いません。

小音量の改善は、すべての条件での改善ではない

音高が動く条件では、入力調整で振幅の床の影響が減っても、窓内の変化への誤差は残りました。窓長4周期、r=±0.1、g=10⁻⁴では、主帯域の全調波をまとめた平均絶対誤差がPで約1.233 dB、Nで約1.555 dBとなり、Nの方が大きい結果です。床による偏りと別の誤差が相殺される可能性がありますが、相殺の原因を分離して証明した実験ではありません。

照会F0のずれに対してはCにも大きな誤差があり、窓長の効果も定常・非定常で異なります。下の全条件表は、同じ条件の平均絶対誤差にだけ順位を付けています。音質の総合順位ではありません。

5実験は616条件・1848呼出しで、全件成功。110880調波行のうち主帯域は105336行、未定義dBは0件でした。同じ信号や制御条件を実験間で繰り返しているため、616個の独立音声とは数えません。研究2と3の24共通条件では、入力と全72経路出力がbit単位で一致しました。

試聴音声はありません。復号とMOSを測っていない部品診断です。音声を含む既存の自然音声比較、前段の音量・音高・窓長の比較も参照できます。

共通条件は24 kHz、中心40 ms、F0=100/200 Hz、位相4種類。主帯域は真の中心周波数について500～8000 Hzです。表のgは音量、rは4周期を基準にした音高変化率、aは同区間の振幅変化量、cは照会F0のずれ（cent）、Lは窓の周期数です。位相zeroは全0、quarterは全π/2、plus/minusは正負の二次位相です。詳細な式は方法に記載しています。

保存値の照合は完了、自然音声の品質は別に測る

入力式、float32変換、全区間peakとλ、逆変換、全原値、集計、対応差、gain差を保存ファイルから独立に照合しました。各研究の上流34 LLSM2ファイルと15 cigletファイルも既に確認した固定版と一致しました。保存されたバイナリがそのソースから作られたことや実際の呼出し履歴を、算術照合だけで独立証明したわけではありません。

研究1には測定前に修正したmakeの作業ディレクトリ誤りがあり、元stderrは保存されていません。研究3は参照リポジトリcommitの遠隔確認が503で完了しておらず、固定upstreamとの一致とは区別します。研究3と4のCloud側読み戻しは401でしたが、親がLibraryから取得した成果物は送信元のbytes・SHAと一致しました。

次の自然音声比較では、固定120録音で現Apron、入力調整Apron、既存LLSM2を同じ条件で測ります。通常音量の0・±3半音と、元の尺度へ戻した小音量の無編集診断を分け、UTMOS、ECAPA、無編集のSCOREQ・eSTOIを使います。自然音声比較は一部指標のみが得られ、UTMOS・ECAPAは環境の初期化で失敗しました。品質改善はまだ判断していません。入力を揃える前処理はF0・Rd・雑音推定にも影響し得るため、今回の部品結果から全エンコーダーの改善を推定しません。

全条件 / 全帯域の保存統計 / 冒頭表の集計 / 照合と制約