低域変更PMLと60係数包絡：HNMからのbase更新

測定保存：2026-10-16 02:15 UTC ／公開整理：2026-10-16。16 kHz・固定120録音。

最初に比較結果：変更前base・既存方式と何が変わるか

PML + 60 FWCEPを新しい自作baseとして採用する開発判断です。 変更前のHNM v3より予測MOSとERB誤差は改善しました。一方、STFT振幅誤差・YIN診断では劣る点があります。全指標での勝者や、人が聴いた品質の優越を意味しません。

主表は設定選択に使わなかった追加108録音・36話者。同じ話者内の録音平均→話者等重み平均。順位は保存済み7方式共通支持の順位です。一覧で3方式に絞っても順位は変更しません。上位3位を文字と枠で強調しています。角括弧は95%話者bootstrap区間です。

指標／支持録音・話者	PML + 60 FWCEP（新base）	PML：元の低域保護	PML：低域変更・密な包絡	HNM v3（変更前base）	旧候補 Harvest C0N1	旧候補 S1T1	WORLD Harvest（既存比較）
予測MOS ↑108録音 / 36話者	2位 3.2747 [3.2016, 3.3488]	3位 3.242 [3.1653, 3.3222]	1位 3.2807 [3.2093, 3.355]	7位 2.5664 [2.4665, 2.6671]	6位 2.6399 [2.5479, 2.7298]	5位 2.9418 [2.8505, 3.0332]	4位 2.9918 [2.889, 3.0937]
ERB32 平均絶対誤差 [dB] ↓108録音 / 36話者	1位 1.9899 [1.8924, 2.1022]	4位 2.0647 [1.9618, 2.1828]	2位 2.0132 [1.9169, 2.1267]	6位 2.2625 [2.1825, 2.3447]	5位 2.1273 [2.0556, 2.1995]	3位 2.0191 [1.9133, 2.122]	7位 2.3008 [2.1988, 2.4014]
STFT振幅相対L2 ↓108録音 / 36話者	4位 0.32457 [0.30446, 0.34531]	6位 0.32477 [0.30451, 0.34562]	5位 0.32471 [0.3048, 0.34534]	1位 0.28923 [0.26382, 0.31541]	2位 0.29978 [0.28326, 0.31802]	3位 0.30554 [0.28487, 0.32883]	7位 0.34005 [0.31762, 0.36446]
YIN有声/無声総不一致率 ↓108録音 / 36話者	3位 0.071665 [0.064056, 0.081178]	5位 0.073697 [0.066878, 0.080839]	4位 0.071848 [0.064339, 0.081362]	1位 0.056099 [0.048052, 0.065969]	2位 0.061693 [0.054728, 0.070545]	6位 0.10128 [0.090588, 0.11405]	7位 0.103 [0.092175, 0.11579]
全7方式共通有声の絶対cent差 ↓108録音 / 36話者	6位 36.726 [20.693, 55.187]	5位 36.436 [20.47, 55.032]	7位 36.881 [20.497, 56.368]	1位 6.6561 [3.6505, 10.655]	2位 12.525 [9.3363, 16.689]	3位 24.8 [15.541, 35.736]	4位 35.22 [19.757, 53.571]

旧候補は結果だけを残し、実装は保持しません。既存の比較対象はWORLDです。追加108録音は以前の候補では評価済みなので、完全未見データとは呼びません。

同じ5音声で比較

原音・変更前base・新baseを並べています。先頭最大6秒、16 kHz、表示用PCM16。個別の音量正規化なし。良好例を追加108から選び直していません。

例1：librispeech_1089-134686-0008

原音

変更前base：HNM v3

新base：PML + 60 FWCEP

例2：librispeech_1188-133604-0003

原音

変更前base：HNM v3

新base：PML + 60 FWCEP

例3：librispeech_121-121726-0012

原音

変更前base：HNM v3

新base：PML + 60 FWCEP

例4：librispeech_1221-135766-0005

原音

変更前base：HNM v3

新base：PML + 60 FWCEP

例5：librispeech_1089-134686-0032

原音

変更前base：HNM v3

新base：PML + 60 FWCEP

音声の出典・許諾・改変表示／中間特徴量の可視化と仕組みの説明

なぜこの表現を選ぶか

F0でパルス時刻を決め、包絡から最小位相を作り、雑音の複素スペクトルを周波数別マスクでべき乗して掛けます。周期波と雑音の単純な加算ではありません。元PMLの低域保護を変更し、包絡を60個のfloat32 FWCEP係数へ変換します。NMは2049ビット、F0はfloat64として別に保存します。

密な包絡版との予測MOS差は−0.005980、95%区間 [−0.027935,+0.019239]。近い点推定ですが、同等性・非劣性の証明ではありません。包絡が小さく、原音や密な特徴量なしで保存表現から復号できることを採用理由に含めました。

F0 → 包絡 → PDD/NM → 低域変更 → FWCEP → パルス合成を図で追う

全指標・母数・順位

有声/無声はYINによる診断で真の声帯振動ではありません。欠落率と追加率は分母が違うため足し合わせません。ERB40という保存フィールド名は実際には固定32帯域です。診断量や支持数には品質順位を付けません。録音ごとに異なる両有声支持と全7方式共通支持を区別してください。

主追加108録音・36話者：38指標

指標／支持録音・話者	PML + 60 FWCEP（新base）	PML：元の低域保護	PML：低域変更・密な包絡	HNM v3（変更前base）	旧候補 Harvest C0N1	旧候補 S1T1	WORLD Harvest（既存比較）
予測MOS ↑108録音 / 36話者	2位 3.2747 [3.2016, 3.3488]	3位 3.242 [3.1653, 3.3222]	1位 3.2807 [3.2093, 3.355]	7位 2.5664 [2.4665, 2.6671]	6位 2.6399 [2.5479, 2.7298]	5位 2.9418 [2.8505, 3.0332]	4位 2.9918 [2.889, 3.0937]
ERB32 平均絶対誤差 [dB] ↓108録音 / 36話者	1位 1.9899 [1.8924, 2.1022]	4位 2.0647 [1.9618, 2.1828]	2位 2.0132 [1.9169, 2.1267]	6位 2.2625 [2.1825, 2.3447]	5位 2.1273 [2.0556, 2.1995]	3位 2.0191 [1.9133, 2.122]	7位 2.3008 [2.1988, 2.4014]
STFT振幅相対L2 ↓108録音 / 36話者	4位 0.32457 [0.30446, 0.34531]	6位 0.32477 [0.30451, 0.34562]	5位 0.32471 [0.3048, 0.34534]	1位 0.28923 [0.26382, 0.31541]	2位 0.29978 [0.28326, 0.31802]	3位 0.30554 [0.28487, 0.32883]	7位 0.34005 [0.31762, 0.36446]
原音とのRMS比 [dB]（診断）108録音 / 36話者	0.81526 [0.67919, 0.94641]	0.87015 [0.7428, 0.99094]	0.86862 [0.74029, 0.99053]	-0.065013 [-0.079297, -0.05076]	-0.68706 [-0.7452, -0.63151]	0.56564 [0.4539, 0.67712]	0.99259 [0.86622, 1.116]
波形SNR [dB]（位相依存診断）108録音 / 36話者	-3.3906 [-3.54, -3.2433]	-3.4222 [-3.5691, -3.2767]	-3.4216 [-3.5687, -3.2743]	5.9221 [5.0306, 6.8274]	-2.5753 [-2.6964, -2.4455]	-3.1977 [-3.3413, -3.0459]	-3.5077 [-3.626, -3.3888]
YIN有声/無声総不一致率 ↓108録音 / 36話者	3位 0.071665 [0.064056, 0.081178]	5位 0.073697 [0.066878, 0.080839]	4位 0.071848 [0.064339, 0.081362]	1位 0.056099 [0.048052, 0.065969]	2位 0.061693 [0.054728, 0.070545]	6位 0.10128 [0.090588, 0.11405]	7位 0.103 [0.092175, 0.11579]
原音YIN有声からの欠落率 ↓108録音 / 36話者	3位 0.077664 [0.064116, 0.095798]	1位 0.067904 [0.05924, 0.077145]	2位 0.077244 [0.063665, 0.094787]	6位 0.11005 [0.081119, 0.14366]	7位 0.11218 [0.09021, 0.13983]	5位 0.10023 [0.075619, 0.12989]	4位 0.089044 [0.066326, 0.11745]
原音YIN無声への追加率 ↓108録音 / 36話者	3位 0.075457 [0.065422, 0.086002]	5位 0.083701 [0.071321, 0.097087]	4位 0.07589 [0.066017, 0.086335]	1位 0.033873 [0.027468, 0.041272]	2位 0.043241 [0.036864, 0.050579]	6位 0.11079 [0.096537, 0.12744]	7位 0.11981 [0.10571, 0.13696]
方式ごとの両有声・絶対cent差平均 ↓108録音 / 36話者	6位 39.679 [23.507, 58.515]	7位 46.485 [24.684, 74.086]	5位 39.589 [23.318, 58.495]	1位 6.3621 [4.1002, 9.1889]	2位 12.886 [10.262, 16.083]	3位 27.896 [17.782, 39.826]	4位 38.509 [22.283, 58.152]
方式ごとの両有声・絶対cent差中央値 ↓108録音 / 36話者	3位 4.486 [4.1877, 4.8127]	7位 15.157 [4.2029, 36.801]	2位 4.4745 [4.1654, 4.7995]	1位 1.6379 [1.5213, 1.7498]	6位 6.1772 [5.7746, 6.5915]	4位 5.8357 [5.4668, 6.2143]	5位 5.859 [5.4878, 6.2333]
方式ごとの両有声・200 cent超率 ↓108録音 / 36話者	6位 0.024345 [0.013201, 0.037179]	7位 0.031223 [0.013906, 0.054079]	5位 0.024229 [0.013061, 0.037002]	1位 0.002672 [0.001065, 0.0048141]	2位 0.0032924 [0.001522, 0.0056031]	3位 0.015229 [0.0080177, 0.023764]	4位 0.022733 [0.011382, 0.036609]
YIN診断の全フレーム数108録音 / 36話者	503.79 [477.54, 529.19]	503.79 [477.54, 529.19]	503.79 [477.54, 529.19]	503.79 [477.54, 529.19]	503.79 [477.54, 529.19]	503.79 [477.54, 529.19]	503.79 [477.54, 529.19]
方式ごとの両有声フレーム数108録音 / 36話者	160.47 [137.26, 185.91]	162.13 [139.4, 187.49]	160.49 [137.29, 185.94]	156.64 [133.25, 183.38]	156.25 [132.73, 182.36]	157.87 [134.4, 184.25]	159.65 [135.98, 186.25]
原音YIN有声フレーム数108録音 / 36話者	173.07 [149.05, 199.96]	173.07 [149.05, 199.96]	173.07 [149.05, 199.96]	173.07 [149.05, 199.96]	173.07 [149.05, 199.96]	173.07 [149.05, 199.96]	173.07 [149.05, 199.96]
出力YIN有声フレーム数108録音 / 36話者	183.76 [160.47, 209.98]	187.82 [164.35, 213.47]	183.91 [160.66, 210.33]	168 [144.34, 194.66]	170.47 [146.8, 197.77]	192.59 [168.08, 220.79]	197.04 [172.29, 225.35]
有声内部：STFT振幅相対L2 ↓108録音 / 36話者	5位 0.29953 [0.28346, 0.31681]	4位 0.2995 [0.28343, 0.3162]	6位 0.29988 [0.28395, 0.31659]	1位 0.26432 [0.2406, 0.28885]	2位 0.27353 [0.26033, 0.28813]	3位 0.28045 [0.262, 0.30224]	7位 0.31072 [0.29117, 0.33242]
有声内部：原音とのRMS比 [dB]（診断）108録音 / 36話者	0.90281 [0.7829, 1.0192]	0.9394 [0.82279, 1.0535]	0.93958 [0.82255, 1.0535]	-0.071481 [-0.081634, -0.060574]	-0.69386 [-0.7455, -0.64441]	0.59748 [0.4854, 0.70939]	1.0587 [0.94265, 1.1724]
有声内部：STFTフレーム数108録音 / 36話者	670.67 [620.49, 722.64]	670.67 [620.49, 722.64]	670.67 [620.49, 722.64]	670.67 [620.49, 722.64]	670.67 [620.49, 722.64]	670.67 [620.49, 722.64]	670.67 [620.49, 722.64]
有声内部：サンプル数108録音 / 36話者	53390 [49359, 57574]	53390 [49359, 57574]	53390 [49359, 57574]	53390 [49359, 57574]	53390 [49359, 57574]	53390 [49359, 57574]	53390 [49359, 57574]
有声内部：対象秒数108録音 / 36話者	3.3369 [3.0849, 3.5983]	3.3369 [3.0849, 3.5983]	3.3369 [3.0849, 3.5983]	3.3369 [3.0849, 3.5983]	3.3369 [3.0849, 3.5983]	3.3369 [3.0849, 3.5983]	3.3369 [3.0849, 3.5983]
遷移±40 ms：STFT振幅相対L2 ↓108録音 / 36話者	6位 0.48111 [0.45016, 0.51443]	4位 0.47827 [0.4479, 0.51141]	5位 0.47859 [0.44728, 0.51233]	1位 0.45083 [0.42408, 0.47764]	3位 0.47767 [0.45812, 0.49733]	2位 0.46364 [0.43868, 0.48843]	7位 0.50832 [0.47808, 0.53906]
遷移±40 ms：原音とのRMS比 [dB]（診断）108録音 / 36話者	-0.014932 [-0.34489, 0.23145]	0.10533 [-0.19163, 0.30867]	0.12094 [-0.20592, 0.3631]	-0.10888 [-0.16658, -0.054206]	-0.85407 [-0.96533, -0.75077]	-0.054264 [-0.15869, 0.039878]	0.35747 [0.019608, 0.59275]
遷移±40 ms：STFTフレーム数108録音 / 36話者	192.95 [174.63, 212.84]	192.95 [174.63, 212.84]	192.95 [174.63, 212.84]	192.95 [174.63, 212.84]	192.95 [174.63, 212.84]	192.95 [174.63, 212.84]	192.95 [174.63, 212.84]
遷移±40 ms：サンプル数108録音 / 36話者	16015 [14496, 17667]	16015 [14496, 17667]	16015 [14496, 17667]	16015 [14496, 17667]	16015 [14496, 17667]	16015 [14496, 17667]	16015 [14496, 17667]
遷移±40 ms：対象秒数108録音 / 36話者	1.001 [0.90599, 1.1042]	1.001 [0.90599, 1.1042]	1.001 [0.90599, 1.1042]	1.001 [0.90599, 1.1042]	1.001 [0.90599, 1.1042]	1.001 [0.90599, 1.1042]	1.001 [0.90599, 1.1042]
無声内部：STFT振幅相対L2 ↓107録音 / 36話者	6位 0.69011 [0.66638, 0.71752]	5位 0.68981 [0.66359, 0.71897]	4位 0.68186 [0.65727, 0.71015]	1位 0.63485 [0.61912, 0.65142]	2位 0.64758 [0.63497, 0.66123]	3位 0.64837 [0.63575, 0.66202]	7位 0.78996 [0.76985, 0.81085]
無声内部：原音とのRMS比 [dB]（診断）107録音 / 36話者	-0.95393 [-1.5499, -0.43614]	-0.6237 [-1.255, -0.072037]	-0.60568 [-1.2151, -0.067638]	0.10969 [0.027509, 0.19638]	0.04861 [-0.070949, 0.17294]	0.051453 [-0.066506, 0.17812]	-0.86141 [-1.5709, -0.25551]
無声内部：STFTフレーム数108録音 / 36話者	151.18 [132.31, 169.54]	151.18 [132.31, 169.54]	151.18 [132.31, 169.54]	151.18 [132.31, 169.54]	151.18 [132.31, 169.54]	151.18 [132.31, 169.54]	151.18 [132.31, 169.54]
無声内部：サンプル数108録音 / 36話者	12339 [10863, 13804]	12339 [10863, 13804]	12339 [10863, 13804]	12339 [10863, 13804]	12339 [10863, 13804]	12339 [10863, 13804]	12339 [10863, 13804]
無声内部：対象秒数108録音 / 36話者	0.77117 [0.67892, 0.86278]	0.77117 [0.67892, 0.86278]	0.77117 [0.67892, 0.86278]	0.77117 [0.67892, 0.86278]	0.77117 [0.67892, 0.86278]	0.77117 [0.67892, 0.86278]	0.77117 [0.67892, 0.86278]
波形の最大絶対振幅（診断）108録音 / 36話者	0.59339 [0.54723, 0.64151]	0.59685 [0.5511, 0.64461]	0.59699 [0.55131, 0.64471]	0.52692 [0.48579, 0.57044]	0.58601 [0.53342, 0.64228]	0.63468 [0.57911, 0.695]	0.64112 [0.58799, 0.6968]
波形RMS振幅（診断）108録音 / 36話者	0.066397 [0.061129, 0.07184]	0.06675 [0.061516, 0.072184]	0.066736 [0.061514, 0.072147]	0.059953 [0.055091, 0.065038]	0.055872 [0.051256, 0.060836]	0.064559 [0.059311, 0.069972]	0.06779 [0.062441, 0.073434]
絶対振幅1超のサンプル数（診断）108録音 / 36話者	0.53704 [0.0092593, 1.5648]	0.5463 [0.0092593, 1.5926]	0.5463 [0.0092593, 1.5926]	0.32407 [0, 0.97222]	0.74074 [0.15741, 1.5926]	1.2222 [0.30556, 2.3521]	1.1852 [0.13889, 2.6486]
全7方式共通有声の絶対cent差 ↓108録音 / 36話者	6位 36.726 [20.693, 55.187]	5位 36.436 [20.47, 55.032]	7位 36.881 [20.497, 56.368]	1位 6.6561 [3.6505, 10.655]	2位 12.525 [9.3363, 16.689]	3位 24.8 [15.541, 35.736]	4位 35.22 [19.757, 53.571]
全7方式共通有声・絶対cent差中央値 ↓108録音 / 36話者	4位 4.1602 [3.8927, 4.443]	3位 4.1394 [3.8669, 4.4166]	2位 4.1386 [3.8672, 4.4205]	1位 1.5492 [1.4373, 1.6583]	7位 5.9774 [5.5741, 6.3894]	6位 5.6202 [5.2263, 6.0332]	5位 5.5511 [5.1999, 5.9424]
全7方式共通有声・200 cent超率 ↓108録音 / 36話者	6位 0.02334 [0.011666, 0.036707]	5位 0.023027 [0.011468, 0.036416]	7位 0.023397 [0.011507, 0.037201]	1位 0.0030165 [0.00086055, 0.0060718]	2位 0.0033079 [0.0010202, 0.0065462]	3位 0.013403 [0.0063661, 0.021589]	4位 0.020935 [0.009797, 0.033823]
全7方式共通有声フレーム数108録音 / 36話者	136.52 [114.67, 160.91]	136.52 [114.67, 160.91]	136.52 [114.67, 160.91]	136.52 [114.67, 160.91]	136.52 [114.67, 160.91]	136.52 [114.67, 160.91]	136.52 [114.67, 160.91]
原音有声フレーム数（共通支持診断）108録音 / 36話者	173.07 [149.05, 199.96]	173.07 [149.05, 199.96]	173.07 [149.05, 199.96]	173.07 [149.05, 199.96]	173.07 [149.05, 199.96]	173.07 [149.05, 199.96]	173.07 [149.05, 199.96]

全120録音・40話者：使用済みを含む記述表：38指標

指標／支持録音・話者	PML + 60 FWCEP（新base）	PML：元の低域保護	PML：低域変更・密な包絡	HNM v3（変更前base）	旧候補 Harvest C0N1	旧候補 S1T1	WORLD Harvest（既存比較）
予測MOS ↑120録音 / 40話者	2位 3.2801 [3.211, 3.35]	3位 3.2378 [3.167, 3.3127]	1位 3.2844 [3.218, 3.355]	7位 2.5603 [2.4654, 2.6553]	6位 2.6343 [2.5558, 2.7177]	5位 2.9341 [2.8537, 3.0196]	4位 2.988 [2.8949, 3.0809]
ERB32 平均絶対誤差 [dB] ↓120録音 / 40話者	1位 1.9973 [1.8845, 2.1155]	4位 2.0753 [1.9554, 2.2036]	3位 2.021 [1.9078, 2.1382]	6位 2.2483 [2.165, 2.3275]	5位 2.1185 [2.046, 2.1899]	2位 2.0172 [1.9152, 2.123]	7位 2.3093 [2.2108, 2.4115]
STFT振幅相対L2 ↓120録音 / 40話者	4位 0.32157 [0.30269, 0.34199]	6位 0.322 [0.30299, 0.34258]	5位 0.32194 [0.30322, 0.34234]	1位 0.29012 [0.26634, 0.31515]	2位 0.29948 [0.28389, 0.31692]	3位 0.30337 [0.28224, 0.32556]	7位 0.33707 [0.31461, 0.36054]
原音とのRMS比 [dB]（診断）120録音 / 40話者	0.79152 [0.66533, 0.91767]	0.84949 [0.73196, 0.96414]	0.84812 [0.72978, 0.96434]	-0.065914 [-0.078629, -0.051124]	-0.67922 [-0.73154, -0.63161]	0.53744 [0.43446, 0.6443]	0.96771 [0.84834, 1.0863]
波形SNR [dB]（位相依存診断）120録音 / 40話者	-3.3734 [-3.5092, -3.2393]	-3.406 [-3.5393, -3.2765]	-3.4056 [-3.5386, -3.2751]	5.8384 [4.9945, 6.6975]	-2.6051 [-2.7218, -2.4816]	-3.2075 [-3.3428, -3.0609]	-3.5161 [-3.6296, -3.4072]
YIN有声/無声総不一致率 ↓120録音 / 40話者	3位 0.070362 [0.063511, 0.079637]	5位 0.073029 [0.066895, 0.079556]	4位 0.070506 [0.063713, 0.079637]	1位 0.054607 [0.047246, 0.063925]	2位 0.060022 [0.053706, 0.068342]	6位 0.099143 [0.088932, 0.11108]	7位 0.10098 [0.090778, 0.1134]
原音YIN有声からの欠落率 ↓120録音 / 40話者	3位 0.076526 [0.064024, 0.092579]	1位 0.067517 [0.059641, 0.075975]	2位 0.076023 [0.063699, 0.09197]	6位 0.10682 [0.079485, 0.14144]	7位 0.10925 [0.088655, 0.13482]	5位 0.099626 [0.076212, 0.1288]	4位 0.088428 [0.067465, 0.1158]
原音YIN無声への追加率 ↓120録音 / 40話者	3位 0.073978 [0.064692, 0.083765]	5位 0.082565 [0.071108, 0.095111]	4位 0.074369 [0.065265, 0.084161]	1位 0.033205 [0.027082, 0.039736]	2位 0.041768 [0.035808, 0.04839]	6位 0.10778 [0.093796, 0.12275]	7位 0.11674 [0.10332, 0.13229]
方式ごとの両有声・絶対cent差平均 ↓120録音 / 40話者	6位 37.957 [23.6, 55.1]	7位 44.081 [24.739, 68.877]	5位 37.866 [23.403, 55.291]	1位 6.1136 [4.0826, 8.9725]	2位 12.448 [10.019, 15.588]	3位 27.385 [17.939, 39.058]	4位 37.316 [22.826, 54.921]
方式ごとの両有声・絶対cent差中央値 ↓120録音 / 40話者	3位 4.4185 [4.1202, 4.7296]	7位 14.015 [4.1292, 33.484]	2位 4.3999 [4.0961, 4.7197]	1位 1.6346 [1.533, 1.7413]	6位 6.1117 [5.7053, 6.5446]	4位 5.7575 [5.3818, 6.1397]	5位 5.7822 [5.4216, 6.1711]
方式ごとの両有声・200 cent超率 ↓120録音 / 40話者	6位 0.023357 [0.01305, 0.035156]	7位 0.029547 [0.014286, 0.050933]	5位 0.023253 [0.012979, 0.035069]	1位 0.0025236 [0.001094, 0.0046327]	2位 0.0030816 [0.0014099, 0.0053683]	3位 0.015078 [0.007972, 0.023758]	4位 0.02216 [0.01194, 0.03459]
YIN診断の全フレーム数120録音 / 40話者	506.18 [482.02, 527.97]	506.18 [482.02, 527.97]	506.18 [482.02, 527.97]	506.18 [482.02, 527.97]	506.18 [482.02, 527.97]	506.18 [482.02, 527.97]	506.18 [482.02, 527.97]
方式ごとの両有声フレーム数120録音 / 40話者	159.66 [137.22, 183.06]	161.18 [139.15, 184.31]	159.69 [137.19, 183.07]	156.06 [132.53, 180.16]	155.49 [132.24, 179.38]	157 [133.63, 180.68]	158.78 [135.17, 182.7]
原音YIN有声フレーム数120録音 / 40話者	172 [148.76, 196.48]	172 [148.76, 196.48]	172 [148.76, 196.48]	172 [148.76, 196.48]	172 [148.76, 196.48]	172 [148.76, 196.48]	172 [148.76, 196.48]
出力YIN有声フレーム数120録音 / 40話者	182.72 [160.11, 206.45]	186.85 [164.97, 210.27]	182.88 [160.27, 206.63]	167.34 [143.69, 191.98]	169.35 [145.41, 193.41]	191.15 [166.23, 216.38]	195.64 [170.7, 220.91]
有声内部：STFT振幅相対L2 ↓120録音 / 40話者	4位 0.29551 [0.28027, 0.31263]	5位 0.29583 [0.28079, 0.31227]	6位 0.29618 [0.28132, 0.31258]	1位 0.26459 [0.24301, 0.28861]	2位 0.27262 [0.26033, 0.28573]	3位 0.27753 [0.25939, 0.29798]	7位 0.30705 [0.28866, 0.32703]
有声内部：原音とのRMS比 [dB]（診断）120録音 / 40話者	0.87523 [0.76714, 0.98746]	0.91534 [0.81181, 1.0224]	0.91559 [0.81187, 1.0224]	-0.072059 [-0.081305, -0.061996]	-0.68578 [-0.73345, -0.64417]	0.57109 [0.46417, 0.67788]	1.0314 [0.92883, 1.1412]
有声内部：STFTフレーム数120録音 / 40話者	662.48 [616.58, 709.67]	662.48 [616.58, 709.67]	662.48 [616.58, 709.67]	662.48 [616.58, 709.67]	662.48 [616.58, 709.67]	662.48 [616.58, 709.67]	662.48 [616.58, 709.67]
有声内部：サンプル数120録音 / 40話者	52723 [49018, 56504]	52723 [49018, 56504]	52723 [49018, 56504]	52723 [49018, 56504]	52723 [49018, 56504]	52723 [49018, 56504]	52723 [49018, 56504]
有声内部：対象秒数120録音 / 40話者	3.2952 [3.0636, 3.5315]	3.2952 [3.0636, 3.5315]	3.2952 [3.0636, 3.5315]	3.2952 [3.0636, 3.5315]	3.2952 [3.0636, 3.5315]	3.2952 [3.0636, 3.5315]	3.2952 [3.0636, 3.5315]
遷移±40 ms：STFT振幅相対L2 ↓120録音 / 40話者	6位 0.48418 [0.45541, 0.51606]	4位 0.48127 [0.45213, 0.51347]	5位 0.48151 [0.45214, 0.51409]	1位 0.45532 [0.4302, 0.482]	3位 0.48024 [0.46203, 0.49993]	2位 0.466 [0.44249, 0.49096]	7位 0.51055 [0.48277, 0.54075]
遷移±40 ms：原音とのRMS比 [dB]（診断）120録音 / 40話者	0.00030366 [-0.29339, 0.22564]	0.12296 [-0.13441, 0.31827]	0.13698 [-0.14478, 0.36007]	-0.10157 [-0.15407, -0.051292]	-0.84374 [-0.93864, -0.73788]	-0.073302 [-0.17065, 0.014271]	0.36285 [0.067283, 0.5701]
遷移±40 ms：STFTフレーム数120録音 / 40話者	197.06 [181.12, 214.62]	197.06 [181.12, 214.62]	197.06 [181.12, 214.62]	197.06 [181.12, 214.62]	197.06 [181.12, 214.62]	197.06 [181.12, 214.62]	197.06 [181.12, 214.62]
遷移±40 ms：サンプル数120録音 / 40話者	16363 [15030, 17835]	16363 [15030, 17835]	16363 [15030, 17835]	16363 [15030, 17835]	16363 [15030, 17835]	16363 [15030, 17835]	16363 [15030, 17835]
遷移±40 ms：対象秒数120録音 / 40話者	1.0227 [0.93936, 1.1147]	1.0227 [0.93936, 1.1147]	1.0227 [0.93936, 1.1147]	1.0227 [0.93936, 1.1147]	1.0227 [0.93936, 1.1147]	1.0227 [0.93936, 1.1147]	1.0227 [0.93936, 1.1147]
無声内部：STFT振幅相対L2 ↓119録音 / 40話者	6位 0.69252 [0.6703, 0.71603]	5位 0.69234 [0.66785, 0.71787]	4位 0.6844 [0.66136, 0.70868]	1位 0.63467 [0.62006, 0.64917]	2位 0.64805 [0.63642, 0.66031]	3位 0.64878 [0.63693, 0.66142]	7位 0.79032 [0.77131, 0.81129]
無声内部：原音とのRMS比 [dB]（診断）119録音 / 40話者	-0.93938 [-1.4804, -0.49399]	-0.58236 [-1.1539, -0.1168]	-0.57597 [-1.1217, -0.11988]	0.11264 [0.035367, 0.19234]	0.079481 [-0.040157, 0.21052]	0.080978 [-0.037007, 0.21145]	-0.86241 [-1.4877, -0.29826]
無声内部：STFTフレーム数120録音 / 40話者	160.03 [140.92, 181.08]	160.03 [140.92, 181.08]	160.03 [140.92, 181.08]	160.03 [140.92, 181.08]	160.03 [140.92, 181.08]	160.03 [140.92, 181.08]	160.03 [140.92, 181.08]
無声内部：サンプル数120録音 / 40話者	13039 [11519, 14722]	13039 [11519, 14722]	13039 [11519, 14722]	13039 [11519, 14722]	13039 [11519, 14722]	13039 [11519, 14722]	13039 [11519, 14722]
無声内部：対象秒数120録音 / 40話者	0.81491 [0.71994, 0.92015]	0.81491 [0.71994, 0.92015]	0.81491 [0.71994, 0.92015]	0.81491 [0.71994, 0.92015]	0.81491 [0.71994, 0.92015]	0.81491 [0.71994, 0.92015]	0.81491 [0.71994, 0.92015]
波形の最大絶対振幅（診断）120録音 / 40話者	0.58013 [0.53661, 0.62691]	0.58361 [0.54065, 0.62951]	0.58374 [0.54082, 0.62965]	0.5141 [0.47371, 0.55477]	0.57761 [0.52762, 0.629]	0.6252 [0.57324, 0.68022]	0.63201 [0.58106, 0.68371]
波形RMS振幅（診断）120録音 / 40話者	0.064551 [0.0591, 0.06989]	0.064914 [0.059518, 0.070175]	0.064902 [0.059505, 0.070159]	0.0584 [0.053655, 0.063295]	0.05446 [0.04994, 0.059071]	0.062733 [0.057394, 0.068115]	0.065895 [0.060325, 0.071368]
絶対振幅1超のサンプル数（診断）120録音 / 40話者	0.48333 [0.0083333, 1.4167]	0.49167 [0.0083333, 1.4417]	0.49167 [0.0083333, 1.4417]	0.29167 [0, 0.875]	0.66667 [0.13333, 1.3835]	1.1 [0.275, 2.0923]	1.0667 [0.13333, 2.3504]
全7方式共通有声の絶対cent差 ↓120録音 / 40話者	6位 36.4 [21.844, 53.061]	5位 36.138 [21.673, 52.766]	7位 36.534 [21.793, 53.883]	1位 6.378 [3.749, 10.346]	2位 12.058 [9.2095, 16.216]	3位 25.374 [16.112, 36.254]	4位 35.17 [20.969, 52.236]
全7方式共通有声・絶対cent差中央値 ↓120録音 / 40話者	4位 4.1018 [3.8418, 4.3775]	3位 4.0748 [3.8149, 4.3483]	2位 4.074 [3.8136, 4.3489]	1位 1.5413 [1.4428, 1.6446]	7位 5.9359 [5.531, 6.3509]	6位 5.5449 [5.1566, 5.9485]	5位 5.4899 [5.1329, 5.8752]
全7方式共通有声・200 cent超率 ↓120録音 / 40話者	6位 0.023437 [0.012613, 0.036001]	5位 0.023155 [0.012421, 0.035818]	7位 0.023488 [0.0125, 0.036529]	1位 0.0028492 [0.00093454, 0.0059101]	2位 0.0030493 [0.0010158, 0.0062554]	3位 0.014146 [0.0069583, 0.022816]	4位 0.021272 [0.010687, 0.033575]
全7方式共通有声フレーム数120録音 / 40話者	136.13 [114.22, 158.18]	136.13 [114.22, 158.18]	136.13 [114.22, 158.18]	136.13 [114.22, 158.18]	136.13 [114.22, 158.18]	136.13 [114.22, 158.18]	136.13 [114.22, 158.18]
原音有声フレーム数（共通支持診断）120録音 / 40話者	172 [148.76, 196.48]	172 [148.76, 196.48]	172 [148.76, 196.48]	172 [148.76, 196.48]	172 [148.76, 196.48]	172 [148.76, 196.48]	172 [148.76, 196.48]

選択に使用した10録音・4話者：38指標

指標／支持録音・話者	PML + 60 FWCEP（新base）	PML：元の低域保護	PML：低域変更・密な包絡	HNM v3（変更前base）	旧候補 Harvest C0N1	旧候補 S1T1	WORLD Harvest（既存比較）
予測MOS ↑10録音 / 4話者	1位 3.3666 [3.2748, 3.4954]	3位 3.2684 [3.1635, 3.3733]	2位 3.3553 [3.2809, 3.4671]	6位 2.6221 [2.516, 2.7282]	7位 2.6113 [2.4826, 2.7401]	4位 3.0192 [2.8198, 3.1891]	5位 2.9899 [2.7693, 3.2137]
ERB32 平均絶対誤差 [dB] ↓10録音 / 4話者	2位 1.9815 [1.6366, 2.5811]	6位 2.0884 [1.708, 2.7431]	4位 2.0098 [1.6621, 2.6077]	5位 2.0372 [1.7479, 2.3428]	3位 2.003 [1.6986, 2.2967]	1位 1.9554 [1.5999, 2.311]	7位 2.3224 [1.9547, 2.6491]
STFT振幅相対L2 ↓10録音 / 4話者	3位 0.28069 [0.24105, 0.31825]	5位 0.28319 [0.24698, 0.31734]	4位 0.28312 [0.24694, 0.3174]	2位 0.27175 [0.23883, 0.29523]	6位 0.28555 [0.26474, 0.30422]	1位 0.26449 [0.21577, 0.31322]	7位 0.29324 [0.25185, 0.33406]
原音とのRMS比 [dB]（診断）10録音 / 4話者	0.50668 [0.44482, 0.56356]	0.59271 [0.5359, 0.64952]	0.59276 [0.53534, 0.65018]	-0.077378 [-0.10504, -0.052045]	-0.59191 [-0.67649, -0.52095]	0.24384 [0.073432, 0.41426]	0.69634 [0.6333, 0.74189]
波形SNR [dB]（位相依存診断）10録音 / 4話者	-3.1053 [-3.3416, -2.8814]	-3.1455 [-3.3842, -2.9181]	-3.1467 [-3.3855, -2.9181]	5.7491 [4.7781, 7.388]	-2.9438 [-3.3028, -2.5847]	-3.3408 [-3.7781, -2.9034]	-3.5906 [-3.9293, -3.3311]
YIN有声/無声総不一致率 ↓10録音 / 4話者	4位 0.059675 [0.051381, 0.071091]	5位 0.067327 [0.057229, 0.078196]	3位 0.059468 [0.050886, 0.069906]	1位 0.041291 [0.030819, 0.05182]	2位 0.048052 [0.041114, 0.059712]	6位 0.084376 [0.07355, 0.098482]	7位 0.085463 [0.080891, 0.08953]
原音YIN有声からの欠落率 ↓10録音 / 4話者	4位 0.06182 [0.035015, 0.088626]	2位 0.058993 [0.031369, 0.086618]	3位 0.059997 [0.031369, 0.088626]	1位 0.053793 [0.021227, 0.080152]	7位 0.081078 [0.063658, 0.092494]	6位 0.077213 [0.041778, 0.10697]	5位 0.068732 [0.038621, 0.098843]
原音YIN無声への追加率 ↓10録音 / 4話者	3位 0.066162 [0.038566, 0.11053]	5位 0.07731 [0.044745, 0.112]	4位 0.066719 [0.037958, 0.11092]	2位 0.032136 [0.023733, 0.039215]	1位 0.030807 [0.021429, 0.040541]	6位 0.092463 [0.070257, 0.12879]	7位 0.099328 [0.074906, 0.13004]
方式ごとの両有声・絶対cent差平均 ↓10録音 / 4話者	4位 6.3591 [5.0647, 7.6536]	3位 6.348 [4.9396, 7.7564]	2位 6.2572 [4.9365, 7.578]	1位 2.7968 [1.9526, 4.0111]	6位 7.4615 [5.5055, 9.1145]	5位 6.6445 [4.6819, 8.2295]	7位 7.5792 [6.9247, 8.3656]
方式ごとの両有声・絶対cent差中央値 ↓10録音 / 4話者	4位 3.2627 [2.959, 3.602]	3位 3.1942 [2.9763, 3.4793]	2位 3.1835 [2.9548, 3.4793]	1位 1.4326 [1.2962, 1.6175]	7位 5.1612 [4.1346, 6.0038]	5位 4.3839 [3.3955, 5.3457]	6位 4.6144 [3.8391, 5.5836]
方式ごとの両有声・200 cent超率 ↓10録音 / 4話者	6位 0.0011357 [0, 0.0022714]	5位 0.0011287 [0, 0.0022573]	6位 0.0011357 [0, 0.0022714]	1位 0.00052743 [0, 0.0015823]	2位 0.00054113 [0, 0.0016234]	3位 0.00056306 [0, 0.0016892]	4位 0.0011239 [0, 0.0022478]
YIN診断の全フレーム数10録音 / 4話者	546.17 [528.5, 577.08]	546.17 [528.5, 577.08]	546.17 [528.5, 577.08]	546.17 [528.5, 577.08]	546.17 [528.5, 577.08]	546.17 [528.5, 577.08]	546.17 [528.5, 577.08]
方式ごとの両有声フレーム数10録音 / 4話者	172.42 [124.83, 245.92]	172.92 [125, 246.67]	172.75 [125, 246.67]	171.33 [126.25, 236.75]	166.83 [124.67, 230.25]	168.42 [124.33, 237]	170.92 [123.83, 243.08]
原音YIN有声フレーム数10録音 / 4話者	182.25 [133.58, 253.83]	182.25 [133.58, 253.83]	182.25 [133.58, 253.83]	182.25 [133.58, 253.83]	182.25 [133.58, 253.83]	182.25 [133.58, 253.83]	182.25 [133.58, 253.83]
出力YIN有声フレーム数10録音 / 4話者	195.08 [141.67, 279.25]	199.75 [148.92, 280.42]	195.67 [142, 279.83]	183.42 [141.08, 248.17]	178.08 [137.17, 241.25]	200.92 [154.33, 277.42]	206 [158.17, 283.75]
有声内部：STFT振幅相対L2 ↓10録音 / 4話者	3位 0.25263 [0.21888, 0.28405]	4位 0.25623 [0.22622, 0.28427]	5位 0.25636 [0.22631, 0.28445]	2位 0.24374 [0.20915, 0.27553]	6位 0.26036 [0.24428, 0.27347]	1位 0.23631 [0.19255, 0.28007]	7位 0.26232 [0.22575, 0.29795]
有声内部：原音とのRMS比 [dB]（診断）10録音 / 4話者	0.54869 [0.48605, 0.59701]	0.627 [0.57658, 0.6714]	0.62779 [0.57773, 0.67142]	-0.076582 [-0.10455, -0.05027]	-0.5791 [-0.67127, -0.50482]	0.2817 [0.11165, 0.45175]	0.72285 [0.66421, 0.76351]
有声内部：STFTフレーム数10録音 / 4話者	631 [543, 744.58]	631 [543, 744.58]	631 [543, 744.58]	631 [543, 744.58]	631 [543, 744.58]	631 [543, 744.58]	631 [543, 744.58]
有声内部：サンプル数10録音 / 4話者	50046 [43098, 58968]	50046 [43098, 58968]	50046 [43098, 58968]	50046 [43098, 58968]	50046 [43098, 58968]	50046 [43098, 58968]	50046 [43098, 58968]
有声内部：対象秒数10録音 / 4話者	3.1279 [2.6936, 3.6855]	3.1279 [2.6936, 3.6855]	3.1279 [2.6936, 3.6855]	3.1279 [2.6936, 3.6855]	3.1279 [2.6936, 3.6855]	3.1279 [2.6936, 3.6855]	3.1279 [2.6936, 3.6855]
遷移±40 ms：STFT振幅相対L2 ↓10録音 / 4話者	6位 0.49221 [0.41701, 0.57983]	5位 0.48831 [0.4146, 0.58159]	4位 0.48772 [0.41407, 0.5812]	2位 0.47661 [0.40212, 0.54996]	3位 0.48491 [0.44059, 0.54825]	1位 0.47313 [0.39262, 0.54835]	7位 0.51274 [0.43646, 0.60687]
遷移±40 ms：原音とのRMS比 [dB]（診断）10録音 / 4話者	0.021188 [-0.25976, 0.34851]	0.17214 [-0.14635, 0.5612]	0.17182 [-0.14685, 0.56232]	-0.081621 [-0.2005, 0.050931]	-0.83773 [-0.91786, -0.73953]	-0.24653 [-0.52533, 0.0050201]	0.40197 [0.32118, 0.5034]
遷移±40 ms：STFTフレーム数10録音 / 4話者	241.67 [223.58, 263.25]	241.67 [223.58, 263.25]	241.67 [223.58, 263.25]	241.67 [223.58, 263.25]	241.67 [223.58, 263.25]	241.67 [223.58, 263.25]	241.67 [223.58, 263.25]
遷移±40 ms：サンプル数10録音 / 4話者	20157 [18592, 22056]	20157 [18592, 22056]	20157 [18592, 22056]	20157 [18592, 22056]	20157 [18592, 22056]	20157 [18592, 22056]	20157 [18592, 22056]
遷移±40 ms：対象秒数10録音 / 4話者	1.2598 [1.162, 1.3785]	1.2598 [1.162, 1.3785]	1.2598 [1.162, 1.3785]	1.2598 [1.162, 1.3785]	1.2598 [1.162, 1.3785]	1.2598 [1.162, 1.3785]	1.2598 [1.162, 1.3785]
無声内部：STFT振幅相対L2 ↓10録音 / 4話者	6位 0.70636 [0.68027, 0.73245]	5位 0.69629 [0.65147, 0.74111]	4位 0.68877 [0.65111, 0.72774]	1位 0.62418 [0.59597, 0.65861]	2位 0.64286 [0.61012, 0.67544]	3位 0.64312 [0.61061, 0.67454]	7位 0.80308 [0.74834, 0.85782]
無声内部：原音とのRMS比 [dB]（診断）10録音 / 4話者	-0.70738 [-1.6721, -0.034631]	-0.27898 [-0.88795, 0.14557]	-0.37848 [-1.1056, 0.11154]	0.13959 [-0.09533, 0.49037]	0.31983 [-0.20459, 0.9504]	0.31059 [-0.20216, 0.93097]	-0.55353 [-1.8066, 0.61057]
無声内部：STFTフレーム数10録音 / 4話者	226.75 [150.67, 302.83]	226.75 [150.67, 302.83]	226.75 [150.67, 302.83]	226.75 [150.67, 302.83]	226.75 [150.67, 302.83]	226.75 [150.67, 302.83]	226.75 [150.67, 302.83]
無声内部：サンプル数10録音 / 4話者	18310 [12190, 24430]	18310 [12190, 24430]	18310 [12190, 24430]	18310 [12190, 24430]	18310 [12190, 24430]	18310 [12190, 24430]	18310 [12190, 24430]
無声内部：対象秒数10録音 / 4話者	1.1444 [0.76184, 1.5269]	1.1444 [0.76184, 1.5269]	1.1444 [0.76184, 1.5269]	1.1444 [0.76184, 1.5269]	1.1444 [0.76184, 1.5269]	1.1444 [0.76184, 1.5269]	1.1444 [0.76184, 1.5269]
波形の最大絶対振幅（診断）10録音 / 4話者	0.4549 [0.39023, 0.51917]	0.45878 [0.39299, 0.52484]	0.4588 [0.39299, 0.52492]	0.40363 [0.34469, 0.46257]	0.50886 [0.43439, 0.5878]	0.54608 [0.46242, 0.66361]	0.55033 [0.47245, 0.65866]
波形RMS振幅（診断）10録音 / 4話者	0.046531 [0.041304, 0.051363]	0.04699 [0.041672, 0.051871]	0.04699 [0.041672, 0.051875]	0.043484 [0.038585, 0.047776]	0.040962 [0.036487, 0.044895]	0.045078 [0.040437, 0.049655]	0.047529 [0.04225, 0.052291]
絶対振幅1超のサンプル数（診断）10録音 / 4話者	0 [0, 0]	0 [0, 0]	0 [0, 0]	0 [0, 0]	0 [0, 0]	0 [0, 0]	0 [0, 0]
全7方式共通有声の絶対cent差 ↓10録音 / 4話者	4位 4.5847 [4.3057, 4.9324]	3位 4.5635 [4.3431, 4.8578]	2位 4.522 [4.2602, 4.8576]	1位 2.7849 [1.9319, 4.1045]	7位 6.6057 [5.4132, 7.3604]	5位 5.6415 [4.602, 6.5501]	6位 5.8984 [4.9412, 6.6944]
全7方式共通有声・絶対cent差中央値 ↓10録音 / 4話者	4位 3.1844 [2.8195, 3.5492]	3位 3.1297 [2.8694, 3.4411]	2位 3.1279 [2.8658, 3.4411]	1位 1.3534 [1.1478, 1.5386]	7位 5.1124 [4.1459, 5.9345]	5位 4.265 [3.3821, 5.1502]	6位 4.5012 [3.8402, 5.4226]
全7方式共通有声・200 cent超率 ↓10録音 / 4話者	1位 0 [0, 0]	1位 0 [0, 0]	1位 0 [0, 0]	7位 0.00062189 [0, 0.0018657]	1位 0 [0, 0]	1位 0 [0, 0]	1位 0 [0, 0]
全7方式共通有声フレーム数10録音 / 4話者	153.58 [112.17, 220.25]	153.58 [112.17, 220.25]	153.58 [112.17, 220.25]	153.58 [112.17, 220.25]	153.58 [112.17, 220.25]	153.58 [112.17, 220.25]	153.58 [112.17, 220.25]
原音有声フレーム数（共通支持診断）10録音 / 4話者	182.25 [133.58, 253.83]	182.25 [133.58, 253.83]	182.25 [133.58, 253.83]	182.25 [133.58, 253.83]	182.25 [133.58, 253.83]	182.25 [133.58, 253.83]	182.25 [133.58, 253.83]

使用済み話者の追加2録音：38指標

指標／支持録音・話者	PML + 60 FWCEP（新base）	PML：元の低域保護	PML：低域変更・密な包絡	HNM v3（変更前base）	旧候補 Harvest C0N1	旧候補 S1T1	WORLD Harvest（既存比較）
予測MOS ↑2録音 / 1話者	1位 3.0988	3位 2.9833	2位 3.0945	7位 2.0363	6位 2.2816	5位 2.3212	4位 2.4741
ERB32 平均絶対誤差 [dB] ↓2録音 / 1話者	5位 3.3685	7位 3.5485	6位 3.383	2位 2.4539	1位 2.208	3位 2.7287	4位 3.172
STFT振幅相対L2 ↓2録音 / 1話者	4位 0.39502	3位 0.39387	2位 0.39387	7位 0.43389	1位 0.3622	6位 0.4295	5位 0.42803
原音とのRMS比 [dB]（診断）2録音 / 1話者	0.91928	0.99218	0.99275	-0.049406	-0.59528	0.68709	1.0063
波形SNR [dB]（位相依存診断）2録音 / 1話者	-3.5111	-3.5588	-3.5592	1.011	-3.0804	-3.6951	-3.5642
YIN有声/無声総不一致率 ↓2録音 / 1話者	4位 0.07131	5位 0.074006	3位 0.069624	2位 0.054952	1位 0.04737	7位 0.077531	6位 0.07534
原音YIN有声からの欠落率 ↓2録音 / 1話者	1位 0.047533	1位 0.047533	1位 0.047533	7位 0.21982	4位 0.10381	6位 0.16074	5位 0.11601
原音YIN無声への追加率 ↓2録音 / 1話者	6位 0.098616	7位 0.10176	5位 0.095359	1位 0.0065147	2位 0.025721	3位 0.077331	4位 0.086934
方式ごとの両有声・絶対cent差平均 ↓2録音 / 1話者	3位 101.13	4位 101.14	5位 101.16	1位 8.3896	2位 13.632	6位 102.81	7位 120.71
方式ごとの両有声・絶対cent差中央値 ↓2録音 / 1話者	4位 6.2633	2位 6.2305	3位 6.248	1位 2.3854	6位 8.3297	7位 8.4659	5位 7.5627
方式ごとの両有声・200 cent超率 ↓2録音 / 1話者	4位 0.08	4位 0.08	4位 0.08	2位 0.0039683	1位 0.003861	3位 0.078947	7位 0.095238
YIN診断の全フレーム数2録音 / 1話者	482	482	482	482	482	482	482
方式ごとの両有声フレーム数2録音 / 1話者	162.5	162.5	162.5	144	153	156.5	160.5
原音YIN有声フレーム数2録音 / 1話者	169.5	169.5	169.5	169.5	169.5	169.5	169.5
出力YIN有声フレーム数2録音 / 1話者	193	194	192	146	161	180.5	187.5
有声内部：STFT振幅相対L2 ↓2録音 / 1話者	3位 0.32941	2位 0.32936	4位 0.32941	7位 0.3873	1位 0.29743	6位 0.37967	5位 0.37257
有声内部：原音とのRMS比 [dB]（診断）2録音 / 1話者	1.0252	1.054	1.0542	-0.058535	-0.68418	0.7927	1.1239
有声内部：STFTフレーム数2録音 / 1話者	557.5	557.5	557.5	557.5	557.5	557.5	557.5
有声内部：サンプル数2録音 / 1話者	44246	44246	44246	44246	44246	44246	44246
有声内部：対象秒数2録音 / 1話者	2.7654	2.7654	2.7654	2.7654	2.7654	2.7654	2.7654
遷移±40 ms：STFT振幅相対L2 ↓2録音 / 1話者	6位 0.6105	4位 0.59742	3位 0.59736	5位 0.60386	1位 0.58487	2位 0.59198	7位 0.61517
遷移±40 ms：原音とのRMS比 [dB]（診断）2録音 / 1話者	0.37691	0.52535	0.52754	0.026376	-0.16699	0.088151	0.45792
遷移±40 ms：STFTフレーム数2録音 / 1話者	228	228	228	228	228	228	228
遷移±40 ms：サンプル数2録音 / 1話者	19030	19030	19030	19030	19030	19030	19030
遷移±40 ms：対象秒数2録音 / 1話者	1.1894	1.1894	1.1894	1.1894	1.1894	1.1894	1.1894
無声内部：STFT振幅相対L2 ↓2録音 / 1話者	5位 0.7419	7位 0.77842	6位 0.77668	1位 0.64071	3位 0.65099	2位 0.65009	4位 0.71916
無声内部：原音とのRMS比 [dB]（診断）2録音 / 1話者	-0.38772	0.64972	0.67313	-0.14179	0.050896	0.056887	-0.67598
無声内部：STFTフレーム数2録音 / 1話者	185.5	185.5	185.5	185.5	185.5	185.5	185.5
無声内部：サンプル数2録音 / 1話者	14964	14964	14964	14964	14964	14964	14964
無声内部：対象秒数2録音 / 1話者	0.93525	0.93525	0.93525	0.93525	0.93525	0.93525	0.93525
波形の最大絶対振幅（診断）2録音 / 1話者	0.39556	0.39714	0.39714	0.34328	0.36651	0.40821	0.45425
波形RMS振幅（診断）2録音 / 1話者	0.046863	0.047218	0.047221	0.041689	0.039106	0.045598	0.047335
絶対振幅1超のサンプル数（診断）2録音 / 1話者	0	0	0	0	0	0	0
全7方式共通有声の絶対cent差 ↓2録音 / 1話者	4位 177.56	5位 177.57	6位 177.58	1位 8.4548	2位 14.711	3位 155.19	7位 179.23
全7方式共通有声・絶対cent差中央値 ↓2録音 / 1話者	4位 5.1688	2位 5.0981	2位 5.0981	1位 2.0581	7位 8.8505	6位 7.7557	5位 7.0376
全7方式共通有声・200 cent超率 ↓2録音 / 1話者	4位 0.14583	4位 0.14583	4位 0.14583	1位 0.004329	1位 0.004329	3位 0.125	4位 0.14583
全7方式共通有声フレーム数2録音 / 1話者	127.5	127.5	127.5	127.5	127.5	127.5	127.5
原音有声フレーム数（共通支持診断）2録音 / 1話者	169.5	169.5	169.5	169.5	169.5	169.5	169.5

保存値・全比較差・95%区間・失敗母数・容量・時間のJSON（gzip）。この公開整理では統計を再計算していません。全120×7方式の合成・指標は840条件成功。原音を含む960件の予測MOSを保存しました。

速度と容量

保存形式について：ここに示す容量805.430 kbit/sと復号測定は研究時のPMLFWC28容器による実測です。今回のパッケージAPIはPMLFWC01でヘッダーが異なり、新容器の実容量・一連のAPI速度はまだ測定していません。研究結果を新APIの再測定結果として扱わないでください。

元特徴の解析は、以前の110録音・37話者の計時で解析RTF 0.599807（REAPERを含む、録音→話者等重み）。密な包絡版の復号RTFは0.090761でした。その時点の解析・復号別の保存値と区間。下記の圧縮版計時とは実行時点・集計重みが違うため直接の速度優劣や合計を作りません。

新110録音では元解析を再実行せず、保存特徴から変換・復号しました。解析時間をゼロとみなすことはできません。包絡圧縮RTF 0.011946、保存表現読込・逆変換 0.011618、合成器 0.092344。元解析・プロセス起動・出力書込みは含まず、元解析の履歴条件とは同一計時ではありません。RTFは処理秒数÷音声秒数です。

全120録音615.935秒の実保存表現は62,011,536 bytes、平均805.430 kbit/s。16 kHz・16 bit PCMの256 kbit/sより大きく、低ビットレート圧縮器ではありません。NMが約半分を占めます。密なfloat64包絡との約33倍の差は、実保存10例と残る110例のレイアウト推計による比較です。全120の密な容器を実保存して測った比ではありません。また係数数とdtypeの両変更が含まれます。

限界と次の課題

今回の追加評価は16 kHz・英語朗読中心。48 kHzを検証済みとはしていません。
音程編集は±3半音の操作ができても、無声化診断や帯域構造に課題が残ります。時間伸縮は未検証です。
予測MOSは固定UTMOSv2の一度の評価。人の評点・自然さ・発話内容の正確さを保証しません。
合成seedは固定。区間は話者変動を表し、探索選択・評価器・乱数の不確実性や多重比較補正を含みません。
全120出力で4件・58サンプルが絶対値1超、最大1.447617。評価FLOAT波形をクリップ・音量補正していません。掲載5例は範囲内を確認してPCM16化しました。

調査・反論・失敗から残した知見

位相を4係数へ押し込む案は局所的な再現改善があっても自然音声への転送や周波数制限で悪化しました。雑音比を一律に足す案は追加有声を減らす代わりに有声欠落を増やし、採用しませんでした。単純な音量補正も帯域誤差を悪化させました。

PMLの公開実装に戻り、既知信号で振幅・パワー規約を確かめてから自然音声へ進みました。低域保護への単一介入で細い低域線が弱まりましたが、真の雑音量を推定できたわけではありません。最後に設定を固定し追加108録音で評価しました。

調査・5者議論と反論・採否の記録。旧候補の実装は公開しません。今回PRのパッケージ整理は新しい性能測定ではなく、凍結した研究結果を根拠とします。