# 音素の補助評価：調査と未実行範囲

2026-10-19 JST。以下は評価器の準備・調査であり、音素指標の実測結果ではない。

## 今回の目的との関係

音素事後確率（PPG）や音素アライメントは、音素の取り違えや長さの変化を調べる補助候補になる。ただし、出力の時間刻みは境界の正確さを保証しない。非因果モデルは未来の音も参照するため、数msの先行雑音をモデルの出力時刻だけで同定しない。現在の短窓帯域パワー観測は継続する。

検討した[公式ppgs実装](https://github.com/interactiveaudiolab/ppgs/tree/f61e331543fabd6bfbd249441ec75adb54a0bfe2)は40クラスの密な推定を出すが、64msのmel解析窓と非因果の文脈を使う。今回の短い先行区間では、解析窓が後の強い音を含み得る。silenceクラスも物理的な無音の正解とは扱わない。

## 準備で止めた場所

既存のPython 3.12・torch 2.8・NumPy 2.3.5環境を変更せず、ppgs 0.0.9とespnet 202509の依存関係を調べた。

- fast-bss-eval 0.1.3の公式配布を確認し、この1件だけをwheel化した。
- 続く依存解決では、pyworldの対象Python用wheelがないため停止した。
- 別のソースビルドが連鎖したら範囲を広げない、という事前の上限を適用した。全依存の固定、評価環境への導入、モデル取得、音声推論には到達していない。

これはPPGが原理的に利用不可能という結論ではない。今回の原因診断への有効性がまだ分からない段階で、環境構築へ費用を積み増さないという優先順位の判断である。欠測を0や合格として既存の順位へ加算しない。

## 代替をそのまま置き換えない理由

[Facebookの音素CTCモデル](https://huggingface.co/facebook/wav2vec2-lv-60-espeak-cv-ft)は標準Transformersで扱える候補だが、約1.26GBの重み、392クラス、20ms刻みで、40クラスの密なPPGとは別の観測になる。CTCのblankを無音、非blankピークの長さを子音長へ読み替えない。モデルは未取得・未推論。

[Charsiuの英語フレーム分類モデル](https://huggingface.co/charsiu/en_w2v2_fc_10ms)は技術的には密な音素推定に近いが、[作者による配布重みの利用条件に関する説明](https://github.com/lingjzhu/charsiu/issues/44#issuecomment-5174981149)がある。コードのライセンスを重みへ自動適用せず、利用条件と互換性を未確定として保留する。

既存の文字ASRによるCER/WER、音素CTC、密なPPG、短窓音響観測は、それぞれ別の情報である。今回の資料では既存の測定値を維持し、新しい音素評価の値や順位は掲載していない。