非MLボコーダ研究：議論・採否・公開根拠

5者議論とその後の反論

2026-10-15の調査開始時に、全体方針・実装・独立批評・F0/無判定方式調査・励振/残差整合調査の5役で議論しました。以下は保存された議論・計画・独立レビューの公開用要約です。新しい実験を行ったという記録ではありません。

その後の反復では、既知信号→自然音声→追加話者という順で凍結条件を確認し、独立批評を繰り返しました。

「無声区間にも細い低域線が出る」観察に対し、単純に有声判定の閾値を調整するのでなく、原論文・公開実装の低域保護と連続F0時計を確認しました。原論文は第2倍音以下の位相不確実性を避け、摩擦音や無音の第1倍音が弱いと仮定しています。この仮定の感度を調べました。

反論：低域マスクを変えるとパワーも位相も変わるため、線が薄くなるだけでは品質改善とは言えません。対応：同じ包絡・時計・seedで単一の低域規則だけ変更し、全帯域誤差、低域パワー、有声欠落と追加を一緒に記録しました。周波数平滑化で境界より上も少し変わる点も残しました。

結果：開発10例のERB誤差は全例改善、予測MOSは8例改善・2例悪化。追加108でも予測MOS差の点推定は改善しました。これは借用したマスクが物理的な雑音量の真値である証明ではありません。

反論：FWCEPという名前だけで別のMCEPや普通のケプストラムへ置き換えてはいけません。対応：sigprocの固定commitの順変換・逆変換・整数周波数座標・端点・補間方向・係数2倍規約を確認し、60係数を固定しました。全次数の往復も補間のため完全一致ではありません。

反論：float32化と係数削減の効果が混ざる、圧縮は最小位相も変える、保存容量だけ小さくして裏で原音を読んでいないか。対応：配列診断で丸めを分離し、独立復号器へ保存表現だけを渡しました。NM/F0/時刻を保ち、密な包絡の再現条件も確認しました。係数の次数探索は行いませんでした。

結果：主追加108で密な包絡版と近い予測MOS、ERB誤差は106/108改善。ただし事前の非劣性幅を定めていないため、同等性の証明とは呼びません。保存容量はPCMより大きいままです。

これらの失敗知見だけを残し、不採用の実装はGit管理しません。PMLの採用も全指標の最適性ではなく、制御可能な非ML表現を今後改善する開発上の判断です。

Degottex, Lanchantin, Gales: A Log Domain Pulse Model for Parametric Speech Synthesis。低域保護・連続F0・対数域パルスモデル。
pulsemodel commit f1d0fbb397368e019efa4dfc96bde09482cd734b。
sigproc commit 289d9dffe1f6ba84fa1fe962d6fb6e1062ec1cf6。PDDとFWCEPの公開処理。
REAPER、WORLD。F0と包絡解析。今回の合成器はWORLD合成ではありません。
UTMOSv2。評価器にだけ使用。合成経路は非ML。

STRAIGHTを使用した原論文そのものの完全再現ではありません。今回の包絡はCheapTrickのパワーから平方根で振幅規約へ合わせ、PML側の周期長エネルギー補正を有効にしています。

固定120録音の保存結果を再利用し、公開のための再測定はしていません。主追加108、選択済10、同話者追加2を分けています。指標名・数値・順位・95%区間は保存済みの集計から引用しました。

saved-results.json.gzは集計表示用の保存フィールドを保持し、公開に不要な実行環境の絶対パスを相対的な出典名へ置換しました。元表示集計のSHA256を記録しています。全録音の波形・モデル・巨大な中間特徴量は配布しません。

既存の全8方式レポートと本レポートは比較群が異なります。全8方式の主120と本主108を横につなげて新たな総合順位を作らないでください。