機構を識別するための限定試行 · 2026年10月19日資料

全M1限定の後掛け包絡
PMLとの30条件比較

現在のベースはPML。今回試行 RAW_POSTCOLOR_M1 は未採用です。

生成30/30完了 保存音響観測・独立確認済み 品質:30条件完了・適用外/欠測あり

現在のPML・既存対照との比較を先に

予測MOS:PML比の固定低下が10/30条件に残る

平均差は−0.0148ですが、15/30条件が上昇、15/30条件が低下し、0.15超の固定低下は10/30条件・3録音で発火しました。録音4(1221-135766-0005)は全6条件で固定低下です。一方、録音2(1188-133604-0003)は全6条件で上昇しました。単一の平均だけで局所の悪化や有益な差を消しません。

単指標の記述順位方式予測MOS ↑共通の範囲
1位RAW_FULL(既存比較)3.43265録音・30条件
2位RAW_SHAPE(既存比較)3.39795録音・30条件
3位PML(現在のベース)3.33325録音・30条件
4位RAW_POSTCOLOR_M1(今回試行・未採用)3.31845録音・30条件

各録音の3音高×2seedを平均し、5録音を等重み平均。全30条件が揃うため単純平均とも一致します。UTMOSv2の予測値だけの記述順位であり、採用順位・総合順位・統計的な有意差ではありません。1〜3位を強調していますが、現在のベースはPMLのままです。

F0・有声欠落率の限界と、同じ12条件のASR値

F0と有声欠落率は方式ごとのnative出力に由来する支持・分母が異なります。原音の絶対F0真値への誤差ではなく、各方式の±300 cent編集追従です。PML比では有声分母が16/20条件で異なり、native10条件は適用外です。このため方式の順位は付けません。

PML比の固定判定(F0 MAE増加>10 cent、有声欠落率増加>2ポイント)は各0/20件でしたが、閾値内でもF0 MAEは7条件、有声欠落率は5条件で増加しました。sample3 −3半音・seed 20261015では欠落数22のまま分母115→117となり率だけが下がり、F0 MAEは+3.5991 cent増えています。

ASR:全文を評価できる2録音・同じ12条件だけ

下表は誤り数/正解要素数(率)。原音は録音3がCER 0/20・WER 0/5、録音5がCER 0/40・WER 0/11でした。原音ゲートを通過した同じ12条件に限り、PML/FULLと今回のCER/WERは同値。録音3 −3半音 seed 0だけSHAPEより文字誤りが1つ多く、2/20→3/20です。残る3録音18条件は部分正解文が未整備で欠測し、0誤り扱いしません。ASR順位は付けません。

録音半音seed今回 CERPML CERSHAPE CERFULL CER今回 WERPML WERSHAPE WERFULL WER
3+001/20 (5%)1/20 (5%)1/20 (5%)1/20 (5%)1/5 (20%)1/5 (20%)1/5 (20%)1/5 (20%)
3+0202610151/20 (5%)1/20 (5%)1/20 (5%)1/20 (5%)1/5 (20%)1/5 (20%)1/5 (20%)1/5 (20%)
3-303/20 (15%)3/20 (15%)2/20 (10%)3/20 (15%)1/5 (20%)1/5 (20%)1/5 (20%)1/5 (20%)
3-3202610151/20 (5%)1/20 (5%)1/20 (5%)1/20 (5%)1/5 (20%)1/5 (20%)1/5 (20%)1/5 (20%)
3+301/20 (5%)1/20 (5%)1/20 (5%)1/20 (5%)1/5 (20%)1/5 (20%)1/5 (20%)1/5 (20%)
3+3202610151/20 (5%)1/20 (5%)1/20 (5%)1/20 (5%)1/5 (20%)1/5 (20%)1/5 (20%)1/5 (20%)
5+000/40 (0%)0/40 (0%)0/40 (0%)0/40 (0%)0/11 (0%)0/11 (0%)0/11 (0%)0/11 (0%)
5+0202610150/40 (0%)0/40 (0%)0/40 (0%)0/40 (0%)0/11 (0%)0/11 (0%)0/11 (0%)0/11 (0%)
5-300/40 (0%)0/40 (0%)0/40 (0%)0/40 (0%)0/11 (0%)0/11 (0%)0/11 (0%)0/11 (0%)
5-3202610150/40 (0%)0/40 (0%)0/40 (0%)0/40 (0%)0/11 (0%)0/11 (0%)0/11 (0%)0/11 (0%)
5+300/40 (0%)0/40 (0%)0/40 (0%)0/40 (0%)0/11 (0%)0/11 (0%)0/11 (0%)0/11 (0%)
5+3202610150/40 (0%)0/40 (0%)0/40 (0%)0/40 (0%)0/11 (0%)0/11 (0%)0/11 (0%)0/11 (0%)

全60編集ペアの分母・欠落数 · ASRの全90対応(欠測含む)

品質の全30条件・全90対応・悪化内訳・4図を読む · 丸め前の品質値・状態

音響観測:強部・先行・残区間を同時に見る

強部を増やせる条件はありますが、先行・残区間の電力も増えました。
sample3の+3半音ではRAW_FULL比で強部 +0.29~+0.77 dB、残区間 +2.57~+7.55 dB。既知のPML比強部損失8件も残ります。品質改善・原音境界の回復・採用を示す結果ではありません。
参照先行電力差:60帯域イベント dB強部電力差:60帯域イベント dB強部1dB超低下−10dB到達2ms超遅延
PML−24.530~+0.622
中央値 −14.079
−2.225~+3.092
中央値 +0.453
8/6038/60
RAW_SHAPE−21.646~+1.168
中央値 −2.711
−2.099~+1.985
中央値 +0.173
4/608/60
RAW_FULL−0.200~+1.526
中央値 0
−0.316~+0.769
中央値 0
0/600/60

全て今回試行−参照。電力差は10 log10比。負の時刻差は閾値到達が早いことを示すだけで、知覚的な開始や改善の順位ではありません。5録音×3音高×2seedであり、独立録音は5本です。

原音・PML・今回試行を聴き比べる

通常音高(0半音)・seed 0の5録音。最大5秒、同じ開始・終了標本、無正規化です。原音は内容と時刻の参考であり、音高編集音の正解ではありません。試聴は測定済みの品質評価を置き換えません。

録音1 1089-134686-0008 · 0半音 · seed 0

原音:内容・時刻の参考

WAVを開く · 5秒 · 無正規化
SHA・切り出し

SHA-256: 2f867a9dafd1ca92b56d0dde8b48be73ebeb328fc03ef3ce032fd5be18963af0

標本 [0, 80000) / 16 kHz、160,044 bytes。全条件の詳細は音声記録。

PML:現在のベース

WAVを開く · 5秒 · 無正規化
SHA・切り出し

SHA-256: 54d2b141b5b7e67bc735ca5e399f54a935853956e8f5ff7286b1651865f71d51

標本 [0, 80000) / 16 kHz、160,044 bytes。全条件の詳細は音声記録。

今回試行:全M1限定の後掛け

WAVを開く · 5秒 · 無正規化
SHA・切り出し

SHA-256: f2820245982df2dc9ecbc6089331029bee58b7a7e1789a8ded4e0b5e6596ad1f

標本 [0, 80000) / 16 kHz、160,044 bytes。全条件の詳細は音声記録。

追加対照 RAW_FULL

RAW_FULL:前掛け対照

WAVを開く · 5秒 · 無正規化
SHA・切り出し

SHA-256: eb7822699fd9ed0aeb2382a2edb2a3a358541787286b74f46eaceb01add4b9e1

標本 [0, 80000) / 16 kHz、160,044 bytes。全条件の詳細は音声記録。

録音2 1188-133604-0003 · 0半音 · seed 0

原音:内容・時刻の参考

WAVを開く · 5秒 · 無正規化
SHA・切り出し

SHA-256: e2273742018cd38e5af7b214d8d36fd3f9daf72709a288e49133d3622f442c90

標本 [0, 80000) / 16 kHz、160,044 bytes。全条件の詳細は音声記録。

PML:現在のベース

WAVを開く · 5秒 · 無正規化
SHA・切り出し

SHA-256: 27b6d572359d76b35220df294a9cdb3e1e47e1b1edffde3f6d7151c8f2291e70

標本 [0, 80000) / 16 kHz、160,044 bytes。全条件の詳細は音声記録。

今回試行:全M1限定の後掛け

WAVを開く · 5秒 · 無正規化
SHA・切り出し

SHA-256: fddc422f733af73aae0daaba9b5e375a6c1bd03779153ddc168d5b4897a70a64

標本 [0, 80000) / 16 kHz、160,044 bytes。全条件の詳細は音声記録。

追加対照 RAW_FULL

RAW_FULL:前掛け対照

WAVを開く · 5秒 · 無正規化
SHA・切り出し

SHA-256: a0a1ee678817ac0e0b209a16d35c4c0602a317a33252de173fa59992cdaa98e6

標本 [0, 80000) / 16 kHz、160,044 bytes。全条件の詳細は音声記録。

録音3 121-121726-0012 · 0半音 · seed 0

原音:内容・時刻の参考

WAVを開く · 4.045秒 · 無正規化
SHA・切り出し

SHA-256: f509e04154bfad1df61d2b56feaa41a3b1474f35d986aa225d05a5b9e9cef1b6

標本 [0, 64720) / 16 kHz、129,484 bytes。全条件の詳細は音声記録。

PML:現在のベース

WAVを開く · 4.045秒 · 無正規化
SHA・切り出し

SHA-256: 0e7bc2ec7d16b6c31fc971104a7f09ed9c6134f6279fabb63241bb11541fd2ce

標本 [0, 64720) / 16 kHz、129,484 bytes。全条件の詳細は音声記録。

今回試行:全M1限定の後掛け

WAVを開く · 4.045秒 · 無正規化
SHA・切り出し

SHA-256: 22bc6b3e792aabdc57646a1980a728396a885849c2719cafcca97662b7b09db0

標本 [0, 64720) / 16 kHz、129,484 bytes。全条件の詳細は音声記録。

追加対照 RAW_FULL

RAW_FULL:前掛け対照

WAVを開く · 4.045秒 · 無正規化
SHA・切り出し

SHA-256: be4ef209bb6cb8195b1b8a633cff5a7671f803e38526d011f4a54aba6335560f

標本 [0, 64720) / 16 kHz、129,484 bytes。全条件の詳細は音声記録。

録音4 1221-135766-0005 · 0半音 · seed 0

原音:内容・時刻の参考

WAVを開く · 5秒 · 無正規化
SHA・切り出し

SHA-256: e3838c3f536df63fff50e941dfa3422e95acc8b1c70716779dbbb4d7b6733cb6

標本 [0, 80000) / 16 kHz、160,044 bytes。全条件の詳細は音声記録。

PML:現在のベース

WAVを開く · 5秒 · 無正規化
SHA・切り出し

SHA-256: d31ad45a3ba55c856cf6010015a6b16c5bddea64b518309fef6b2db0ab2d0611

標本 [0, 80000) / 16 kHz、160,044 bytes。全条件の詳細は音声記録。

今回試行:全M1限定の後掛け

WAVを開く · 5秒 · 無正規化
SHA・切り出し

SHA-256: 6d05f6730cde91454334b7d4a62c30d559b950e9b559b217bb8f13a541d62005

標本 [0, 80000) / 16 kHz、160,044 bytes。全条件の詳細は音声記録。

追加対照 RAW_FULL

RAW_FULL:前掛け対照

WAVを開く · 5秒 · 無正規化
SHA・切り出し

SHA-256: c8d68c053cb8d282027b7de52953c8e2abf966d514b084763755213b8ca8482a

標本 [0, 80000) / 16 kHz、160,044 bytes。全条件の詳細は音声記録。

録音5 1089-134686-0032 · 0半音 · seed 0

原音:内容・時刻の参考

WAVを開く · 4.09秒 · 無正規化
SHA・切り出し

SHA-256: 209ff141d5f38222d39b0c177d11271cb0fdf38ae0f03bb72305eb3f77543cab

標本 [0, 65440) / 16 kHz、130,924 bytes。全条件の詳細は音声記録。

PML:現在のベース

WAVを開く · 4.09秒 · 無正規化
SHA・切り出し

SHA-256: c06b08e00da7f17b98a09810fec60b56da1e9d988a3e9ef7f7e8515965a82e1c

標本 [0, 65440) / 16 kHz、130,924 bytes。全条件の詳細は音声記録。

今回試行:全M1限定の後掛け

WAVを開く · 4.09秒 · 無正規化
SHA・切り出し

SHA-256: fc0bad1ea4e3e20c3440dec3b9d2f0941a6d25d5879a7628c531ac2d26099f2f

標本 [0, 65440) / 16 kHz、130,924 bytes。全条件の詳細は音声記録。

追加対照 RAW_FULL

RAW_FULL:前掛け対照

WAVを開く · 4.09秒 · 無正規化
SHA・切り出し

SHA-256: 857563fdcff718426f63a7998c22ac42001835ed490b7ce35d245be6b5135fdf

標本 [0, 65440) / 16 kHz、130,924 bytes。全条件の詳細は音声記録。

sample3:±3半音・両seed

固定残区間は2.094~2.103秒。+3半音では強部増加と残留増加が同時に起きています。−10 dB到達はFULL比−1 msですが、原音比も−1 ms、PML比はseed 0で+5 ms、seed 20261015で+3 msです。「開始回復」とは扱いません。

4条件の比較音声を開く:PML・今回試行・RAW_FULL

原音は上の録音3と共通。RAW_SHAPEも各条件の補助対照として参照できます。

-3半音 · seed 0

PML:現在のベース

WAVを開く · 4.045秒 · 無正規化
SHA・切り出し

SHA-256: 18e7dd0140ad704e8dc15069a7e7466d77983d1a8e0bd32aecdde1a983e5b53f

標本 [0, 64720) / 16 kHz、129,484 bytes。全条件の詳細は音声記録。

今回試行:全M1限定の後掛け

WAVを開く · 4.045秒 · 無正規化
SHA・切り出し

SHA-256: bb6dfa009caffffba2968e9994769f0b90801fd1ff3d66024cf9859242140c91

標本 [0, 64720) / 16 kHz、129,484 bytes。全条件の詳細は音声記録。

RAW_FULL:前掛け対照

WAVを開く · 4.045秒 · 無正規化
SHA・切り出し

SHA-256: 8d8f880ea646a1a25e7555afdf936d47ac4371be2e538c12cb41de2a33540666

標本 [0, 64720) / 16 kHz、129,484 bytes。全条件の詳細は音声記録。

RAW_SHAPEも聴く

RAW_SHAPE:既存比較

WAVを開く · 4.045秒 · 無正規化
SHA・切り出し

SHA-256: 3175a70708b6ad13c0af64cf626fda45f0837fa1d2807095b3bdb60c643823e3

標本 [0, 64720) / 16 kHz、129,484 bytes。全条件の詳細は音声記録。

-3半音 · seed 20261015

PML:現在のベース

WAVを開く · 4.045秒 · 無正規化
SHA・切り出し

SHA-256: 169de85768a72963c76c17815f3ab61a18e40b1c3057e5a63ef39e972795fd71

標本 [0, 64720) / 16 kHz、129,484 bytes。全条件の詳細は音声記録。

今回試行:全M1限定の後掛け

WAVを開く · 4.045秒 · 無正規化
SHA・切り出し

SHA-256: d5e1c38c17eb684078da2578754b71a226f8ebccf3eb5d81a92bed2961f6f329

標本 [0, 64720) / 16 kHz、129,484 bytes。全条件の詳細は音声記録。

RAW_FULL:前掛け対照

WAVを開く · 4.045秒 · 無正規化
SHA・切り出し

SHA-256: 617484725c170f40b86cefca5a42ab00ae91a455916e31cc4bd4b31f06ac241c

標本 [0, 64720) / 16 kHz、129,484 bytes。全条件の詳細は音声記録。

RAW_SHAPEも聴く

RAW_SHAPE:既存比較

WAVを開く · 4.045秒 · 無正規化
SHA・切り出し

SHA-256: 2a8f46ed0459425f8fecadae69f02ead56f4b91935bab6013c8ea33c2b320cc9

標本 [0, 64720) / 16 kHz、129,484 bytes。全条件の詳細は音声記録。

+3半音 · seed 0

PML:現在のベース

WAVを開く · 4.045秒 · 無正規化
SHA・切り出し

SHA-256: d1fcaee4b6a8981f09e6b6b8583ad741e7ceaeb766e1a8b913b64f13dc88746a

標本 [0, 64720) / 16 kHz、129,484 bytes。全条件の詳細は音声記録。

今回試行:全M1限定の後掛け

WAVを開く · 4.045秒 · 無正規化
SHA・切り出し

SHA-256: ab394a1783b9f9e38a22c4f913c47c7dc46ad67efa959f8ab1367b773439a613

標本 [0, 64720) / 16 kHz、129,484 bytes。全条件の詳細は音声記録。

RAW_FULL:前掛け対照

WAVを開く · 4.045秒 · 無正規化
SHA・切り出し

SHA-256: 8b97a060d79d1f74bee0a6cd3f3e267d400be0c988b5890eba436bddcc21ccee

標本 [0, 64720) / 16 kHz、129,484 bytes。全条件の詳細は音声記録。

RAW_SHAPEも聴く

RAW_SHAPE:既存比較

WAVを開く · 4.045秒 · 無正規化
SHA・切り出し

SHA-256: 7145fde331940ff1549669e59f5f1aa5003234a0d08234d5c9bd5b92818727aa

標本 [0, 64720) / 16 kHz、129,484 bytes。全条件の詳細は音声記録。

+3半音 · seed 20261015

PML:現在のベース

WAVを開く · 4.045秒 · 無正規化
SHA・切り出し

SHA-256: 1e815a8c64819cc373635ee742c8c0debaa1934fddd47b183d3769ccff0e61f3

標本 [0, 64720) / 16 kHz、129,484 bytes。全条件の詳細は音声記録。

今回試行:全M1限定の後掛け

WAVを開く · 4.045秒 · 無正規化
SHA・切り出し

SHA-256: dbea73251a46a295264687dabaf5e0531c86399a104aeb93689b9f429b734b0a

標本 [0, 64720) / 16 kHz、129,484 bytes。全条件の詳細は音声記録。

RAW_FULL:前掛け対照

WAVを開く · 4.045秒 · 無正規化
SHA・切り出し

SHA-256: 95a05df2003897deac9c19b0cbc778bf928136f828748add8113707d6a8ec2c9

標本 [0, 64720) / 16 kHz、129,484 bytes。全条件の詳細は音声記録。

RAW_SHAPEも聴く

RAW_SHAPE:既存比較

WAVを開く · 4.045秒 · 無正規化
SHA・切り出し

SHA-256: 345c2114858447d84db19479327b3d9e96bfd25c77f29d668c161a791c0f8433

標本 [0, 64720) / 16 kHz、129,484 bytes。全条件の詳細は音声記録。

全30条件:悪化・無介入・両seedを省略しない

同一条件の比較を3参照とも保持しています。強部が1 dBを超えて下がる行を淡色で示しますが、色は総合順位ではありません。RAW_FULL比−0.316 dBのような、固定フラグに届かない低下も残します。被覆は電力寄与率ではありません。

PML比の全30行
録音半音seed先行 1.5–3 / 3–8kHz dB強部 1.5–3 / 3–8kHz dB−10dB時刻差 msRMS dB0–1kHz dBρ 元 / 変更後強部支持被覆 1.5–3 / 3–8kHz
1-30−16.588 / −10.480+3.057 / −0.199+4 / −3+0.023+0.025+0.03746 / +0.03392100.00% / 100.00%
1-320261015−13.378 / −13.259−0.859 / +0.608+2 / +4+0.021+0.019+0.05601 / +0.03333100.00% / 100.00%
1+00−15.597 / −11.520+2.753 / +0.830+3 / −3+0.027+0.027+0.02145 / +0.0214591.93% / 91.93%
1+020261015−24.530 / −19.738+3.092 / +0.682+2 / +3+0.018+0.016+0.01929 / +0.0192991.93% / 91.93%
1+30−22.933 / −15.827+0.204 / +0.209+5 / +5+0.042+0.054+0.03194 / +0.0283593.49% / 93.49%
1+320261015−15.464 / −13.746+1.499 / +0.307+4 / +3+0.006+0.011+0.04298 / +0.0215993.49% / 93.49%
2-30−19.705 / −7.077−1.129 / +1.012+4 / +4−0.047−0.038+0.05429 / +0.038730.00% / 0.00%
2-320261015−21.207 / −8.038+2.262 / +1.185+4 / +4−0.020−0.021+0.04999 / +0.034970.00% / 0.00%
2+00−16.288 / −14.605−0.347 / +0.666+3 / +2−0.065−0.059+0.03753 / +0.037530.00% / 0.00%
2+020261015−11.647 / −13.870−2.017 / +1.883−1 / +1−0.058−0.058+0.04183 / +0.041830.00% / 0.00%
2+30−20.108 / −22.278−1.620 / +1.834+9 / +7−0.001+0.002+0.06206 / +0.019620.00% / 0.00%
2+320261015−18.489 / −22.018−2.225 / −0.343+9 / +4−0.044−0.048+0.06255 / +0.009590.00% / 0.00%
3-30−17.635 / −16.191−1.264 / +0.441+11 / +11−0.001+0.005+0.02559 / −0.0031239.35% / 39.35%
3-320261015−21.903 / −15.272+0.114 / +0.011+12 / +8+0.011+0.020+0.02421 / −0.0103139.35% / 39.35%
3+00+0.194 / −0.115+2.299 / +0.897+6 / +7−0.020−0.010−0.01844 / −0.0184425.69% / 25.69%
3+020261015+0.622 / +0.254+1.500 / +1.649+8 / +5−0.005+0.004+0.01551 / +0.0155125.69% / 25.69%
3+30−12.482 / −12.718+1.484 / +1.444+5 / +5+0.073+0.174+0.02533 / −0.00607100.00% / 100.00%
3+320261015−12.727 / −11.108+0.444 / +0.320+3 / +3+0.244+0.494+0.01725 / −0.00373100.00% / 100.00%
4-30−0.029 / −0.659+1.895 / −0.382−10 / 0−0.004+0.005+0.01563 / +0.005670.00% / 88.54%
4-320261015−0.477 / −0.530+1.644 / −0.555−3 / +2−0.001+0.006+0.01842 / +0.008760.00% / 88.54%
4+00−3.056 / −14.287+0.462 / −0.038+12 / +6−0.005+0.005+0.00427 / +0.0042732.81% / 100.00%
4+020261015−2.218 / −18.634+0.623 / −0.615+2 / +1−0.015+0.005+0.00310 / +0.0031032.81% / 100.00%
4+30−0.305 / −14.585−0.447 / +0.0150 / 0+0.018+0.004+0.01839 / −0.0031381.25% / 100.00%
4+320261015−0.409 / −17.959+1.778 / +0.874+1 / −3+0.010+0.007+0.00761 / +0.0082481.25% / 100.00%
5-30−18.505 / −5.884+1.463 / −1.654+5 / +1+0.003+0.004+0.07210 / +0.04202100.00% / 0.00%
5-320261015−19.876 / −7.045−0.833 / −2.062+5 / +2+0.005+0.005+0.05478 / +0.03312100.00% / 0.00%
5+00−20.589 / −12.325+0.077 / +1.740+1 / +6−0.003−0.003+0.06817 / +0.06817100.00% / 0.00%
5+020261015−20.607 / −13.579+1.538 / −1.3330 / +6+0.005+0.006+0.03962 / +0.03962100.00% / 0.00%
5+30−17.485 / −12.673+2.303 / −0.4710 / +8−0.002−0.002+0.03657 / +0.03909100.00% / 0.00%
5+320261015−20.766 / −14.334+1.711 / −0.001+4 / +7−0.009−0.011+0.06135 / +0.04749100.00% / 0.00%
RAW_FULL比の全30行
録音半音seed先行 1.5–3 / 3–8kHz dB強部 1.5–3 / 3–8kHz dB−10dB時刻差 msRMS dB0–1kHz dBρ 元 / 変更後強部支持被覆 1.5–3 / 3–8kHz
1-30−0.006 / −0.011−0.022 / +0.0290 / 0+0.028+0.030−0.00065 / +0.00099100.00% / 100.00%
1-320261015+0.000 / −0.017+0.021 / +0.0050 / 0+0.015+0.012+0.00354 / +0.00774100.00% / 100.00%
1+00−0.005 / −0.003+0.010 / −0.0070 / 0+0.027+0.029+0.00241 / +0.0024191.93% / 91.93%
1+020261015−0.032 / −0.063+0.014 / +0.0010 / 0+0.010+0.011+0.00265 / +0.0026591.93% / 91.93%
1+30+0.010 / −0.007+0.004 / −0.0030 / 0+0.053+0.058+0.00457 / +0.0027893.49% / 93.49%
1+320261015−0.002 / −0.007+0.018 / +0.0020 / 0+0.016+0.018+0.00213 / +0.0013593.49% / 93.49%
2-300 / 00 / 00 / 0+0.000+0.000+0.00261 / +0.001450.00% / 0.00%
2-3202610150 / 00 / 00 / 0+0.000+0.000+0.00088 / +0.001850.00% / 0.00%
2+000 / 00 / 00 / 0−0.000−0.000−0.00029 / −0.000290.00% / 0.00%
2+0202610150 / 00 / 00 / 0+0.000+0.000+0.00400 / +0.004000.00% / 0.00%
2+300 / 00 / 00 / 0+0.005+0.013+0.00344 / +0.002210.00% / 0.00%
2+3202610150 / 00 / 00 / 0−0.027−0.028+0.00287 / +0.000460.00% / 0.00%
3-30+0.109 / +0.063+0.001 / +0.0040 / 0+0.001+0.003−0.00210 / +0.0012139.35% / 39.35%
3-320261015+1.124 / +0.426−0.013 / −0.0120 / 0+0.011+0.022+0.00332 / +0.0030239.35% / 39.35%
3+00+0.198 / −0.028+0.003 / +0.0020 / 0+0.001+0.003−0.00416 / −0.0041625.69% / 25.69%
3+020261015+0.908 / +0.130−0.012 / +0.0020 / 0+0.002+0.005+0.00181 / +0.0018125.69% / 25.69%
3+30+0.765 / +0.215+0.361 / +0.291−1 / −1+0.080+0.163+0.00595 / +0.00532100.00% / 100.00%
3+320261015+1.526 / +0.772+0.769 / +0.359−1 / −1+0.244+0.484+0.00513 / −0.00090100.00% / 100.00%
4-300 / −0.0590 / −0.0000 / 0+0.004+0.002+0.00088 / +0.000030.00% / 88.54%
4-3202610150 / −0.0480 / −0.0010 / 0−0.010+0.006+0.00001 / +0.000300.00% / 88.54%
4+000 / −0.200−0.052 / −0.0010 / 0−0.017+0.005+0.00068 / +0.0006832.81% / 100.00%
4+0202610150 / −0.104−0.110 / +0.0000 / 0+0.002+0.006+0.00130 / +0.0013032.81% / 100.00%
4+300 / +0.164+0.034 / −0.3160 / 0+0.002+0.008+0.00696 / +0.0017981.25% / 100.00%
4+3202610150 / +0.049−0.065 / +0.1850 / −1+0.004+0.008+0.00311 / +0.0050881.25% / 100.00%
5-30−0.110 / −0.001+0.006 / 00 / 0+0.001+0.002+0.00293 / +0.00263100.00% / 0.00%
5-320261015−0.037 / +0.000−0.042 / 00 / 0+0.005+0.006+0.00409 / +0.00098100.00% / 0.00%
5+00−0.120 / +0.000−0.056 / 00 / 0+0.001+0.001+0.00482 / +0.00482100.00% / 0.00%
5+020261015+0.037 / −0.000+0.005 / 00 / 0+0.005+0.005+0.00532 / +0.00532100.00% / 0.00%
5+30−0.020 / +0.000+0.595 / 0−1 / 0+0.001+0.001+0.00201 / +0.00287100.00% / 0.00%
5+320261015−0.093 / −0.000+0.351 / 00 / 0+0.002+0.002+0.00569 / +0.00495100.00% / 0.00%
RAW_SHAPE比の全30行
録音半音seed先行 1.5–3 / 3–8kHz dB強部 1.5–3 / 3–8kHz dB−10dB時刻差 msRMS dB0–1kHz dBρ 元 / 変更後強部支持被覆 1.5–3 / 3–8kHz
1-30+1.168 / +0.786+1.416 / −0.382−1 / 0+0.024+0.027−0.00019 / +0.00459100.00% / 100.00%
1-320261015+0.631 / +0.402−0.433 / −0.286−1 / 0+0.018+0.013+0.01177 / +0.01922100.00% / 100.00%
1+00−12.429 / −9.489+0.725 / +0.559−1 / −1+0.026+0.027+0.00590 / +0.0059091.93% / 91.93%
1+020261015−19.276 / −14.237+1.985 / +0.2970 / −1+0.008+0.010+0.00727 / +0.0072791.93% / 91.93%
1+30−11.004 / −8.690+1.170 / −0.1960 / 0+0.042+0.049+0.01466 / +0.0118993.49% / 93.49%
1+320261015−8.926 / −4.750+0.814 / −0.130+1 / 0+0.011+0.013+0.01094 / +0.0100793.49% / 93.49%
2-30−0.210 / −0.306−0.048 / −0.0030 / −1−0.028−0.028+0.00475 / +0.005250.00% / 0.00%
2-320261015−0.027 / +0.036−0.410 / −0.3680 / 0−0.016−0.019+0.00279 / +0.004890.00% / 0.00%
2+00−2.084 / −1.768+0.051 / +0.509+1 / 0−0.026−0.021+0.00715 / +0.007150.00% / 0.00%
2+020261015−0.658 / −1.290−1.194 / +1.3550 / 0−0.038−0.041+0.00716 / +0.007160.00% / 0.00%
2+30−16.529 / −21.646−0.221 / −0.551+5 / +7−0.019−0.013+0.01241 / +0.012580.00% / 0.00%
2+320261015−17.009 / −21.369−2.035 / −2.099+8 / +6−0.021−0.024+0.00808 / +0.013930.00% / 0.00%
3-30−0.670 / −0.591−0.283 / −0.286+1 / +1−0.004−0.003−0.00167 / +0.0043739.35% / 39.35%
3-320261015−0.237 / +0.163+0.057 / −0.334+1 / 0+0.011+0.020−0.00063 / −0.0031739.35% / 39.35%
3+00+0.257 / +0.017+1.121 / +0.7350 / 0−0.014−0.007−0.01189 / −0.0118925.69% / 25.69%
3+020261015+0.958 / +0.151+0.654 / +0.4010 / 0−0.012+0.001−0.00331 / −0.0033125.69% / 25.69%
3+30−12.530 / −12.273+0.899 / +0.914−1 / −1+0.067+0.162+0.02371 / +0.00464100.00% / 100.00%
3+320261015−11.727 / −10.269+0.798 / +0.292−1 / −1+0.244+0.487+0.00398 / −0.00475100.00% / 100.00%
4-30+0.871 / −0.655+1.212 / −0.531−1 / 0+0.001+0.003+0.00419 / +0.002140.00% / 88.54%
4-320261015+0.653 / −0.637+0.575 / −0.705−1 / +1−0.004+0.006−0.00193 / −0.000400.00% / 88.54%
4+00−3.043 / −14.685+0.712 / −0.184+12 / +4−0.011+0.006+0.00725 / +0.0072532.81% / 100.00%
4+020261015−2.378 / −18.966+1.202 / −0.663+1 / 0−0.007+0.006+0.00581 / +0.0058132.81% / 100.00%
4+30−0.276 / −14.812+0.357 / +0.0610 / −1+0.018+0.007+0.00800 / +0.0049181.25% / 100.00%
4+320261015+0.045 / −18.258+0.245 / +0.665+1 / −4+0.012+0.007+0.00227 / +0.0091081.25% / 100.00%
5-30−3.500 / −1.791−0.301 / −0.636+1 / 0+0.008+0.007−0.00150 / +0.00922100.00% / 0.00%
5-320261015−3.856 / −5.062−0.386 / +0.1010 / 0+0.003+0.002+0.00366 / +0.00671100.00% / 0.00%
5+00−15.713 / −0.206+0.523 / +0.842+1 / 0+0.003+0.003+0.00963 / +0.00963100.00% / 0.00%
5+020261015−17.473 / −0.858+1.148 / +1.0380 / 0+0.011+0.011+0.01104 / +0.01104100.00% / 0.00%
5+30−3.685 / −12.779+1.633 / −1.058−1 / +8−0.000−0.001+0.01139 / +0.01348100.00% / 0.00%
5+320261015−3.641 / −14.084+1.373 / −0.6110 / +8−0.002−0.002+0.01314 / +0.01637100.00% / 0.00%

HTMLは丸め表示。表示上の0.000をexact不変と解釈しないでください。未丸め値は横持ちCSV、全720閾値比較は時刻比較CSVに保存。

保存観測の詳しい読み方と限界

結果の要点

PML・RAW_SHAPE・RAW_FULLを参照した全30条件の比較を保持した。今回の後掛けは、sample3の+3半音でRAW_FULLより強部電力を0.29–0.77 dB増加させ、−10 dB到達を1 ms早めた。一方、同じ条件の先行電力は0.21–1.53 dB、固定残区間の電力は2.57–7.55 dB増加した。強部増加と残留の増加が同時に起きており、原音境界の回復や音質改善とは結論できない。

既知のPML比1 dB超の強部損失8件は全件残った。ただし7件は対象kernelが当該強部の観測支持を全く覆わないため、当該強部の保存観測値はexact不変だった。波形全区間のbytesが不変という主張ではない。残るsample3・−3半音・seed 0・1.5–3 kHzだけは、1/6 kernelが対象で観測支持の39.35%を覆い、強部が0.00113 dB増加した。「8件全てで後掛けの効果がなかった」という一般化は不適切。

自動MOS・F0・無声誤り・ASR等の新候補品質値は、音響集計の作成時点では未取得だった。その後に別工程の品質結果を受領し、本資料の冒頭および品質追補へ統合した。音響観測と品質指標の証拠は区別し、採用判断は行わない。独立録音は5本であり、30条件や60帯域イベントを独立な音声数として扱わない。

比較の定義と来歴

主な固定SHA:

新runtimeのbinary/hashは保存されている。過去Bのbinary hashは未保存で同一性未確認であり、旧90と実行バイナリの同一性を確認済みとはしない。

全30条件の集計

以下の範囲・中央値は記述統計であり、条件やknotを独立試行とする推測統計ではない。

参照先行電力差60件:範囲、中央値 dB強部電力差60件:範囲、中央値 dB強部1 dB超低下−10 dB到達2 ms超遅延全波形RMS差30件:範囲 dB低域差30件:範囲 dB
PML−24.530~+0.622、−14.079−2.225~+3.092、+0.4538/6038/60−0.065~+0.244−0.059~+0.494
RAW_SHAPE−21.646~+1.168、−2.711−2.099~+1.985、+0.1734/608/60−0.038~+0.244−0.041~+0.487
RAW_FULL−0.200~+1.526、0−0.316~+0.769、00/600/60−0.027~+0.244−0.028~+0.484

図1は全30条件のRAW_FULLとの差、図2はPML/RAW_SHAPEとの差。色は数値の符号で、良否順位ではない。

全30対RAW_FULL

全30対PMLとSHAPE

sample3の±3半音・両seed

残区間は事前固定の[2.094,2.103)秒、整数[33504,33648)。区間内に中心を持つ80標本観測窓は9個で、その全支持のunionは208標本。nominalの144標本とは区別した。

下表は全てRAW_FULL比。帯域0/1の順は1.5–3 / 3–8 kHz。

pitchseed先行差0 / 1 dB強部差0 / 1 dB残区間差0 / 1 dB−10 dB時刻差0 / 1 msRMS差 dB低域差 dB
-30+0.109 / +0.063+0.001 / +0.004+0.263 / +0.1700 / 0+0.001+0.003
-320261015+1.124 / +0.426−0.013 / −0.012−1.978 / +0.5940 / 0+0.011+0.022
+30+0.765 / +0.215+0.361 / +0.291+6.856 / +2.571−1 / −1+0.080+0.163
+320261015+1.526 / +0.772+0.769 / +0.359+7.548 / +4.453−1 / −1+0.244+0.484

+3半音の残区間は7/7 kernelが対象、対象unionが208/208標本、対象外unionとの重複0。従ってここでの残留増加は、対象支持が無かったための不変とは区別できる。原音との比較でも、+3残区間は帯域0が+10.603/+10.707 dB、帯域1が+5.000/+6.480 dBである。−3のseed 20261015・帯域0はFULL比−1.978 dBとなるが、なお原音比+2.721 dB。両seed・両帯域で一様に残留が減るという結果ではない。

+3の−10 dB到達はPML比ではseed 0が両帯域+5 ms、seed 20261015が両帯域+3 ms。原音比では両seed・両帯域−1 ms。PML比の「遅延短縮」と原音の境界への接近を同一視できない。

−3ではPML比の−10 dB到達差がseed 0で+11/+11 ms、seed 20261015で+12/+8 msのまま。原音比は0/0 ms、0/−1 ms。閾値到達の基準相手によって解釈が変わる。

sample3全pitch両seed

既知8強部損失と被覆

録音pitchseed帯域旧FULL/PML dB後掛け/PML dB後掛け/FULL dB対象kernel / 全交差kernel観測支持被覆
20202610150−2.016980−2.01698000/80%
2−300−1.128665−1.12866500/70%
2+300−1.619776−1.61977600/90%
2+3202610150−2.225170−2.22517000/90%
3−300−1.265353−1.264225+0.0011281/639.35%
50202610151−1.332580−1.33258000/90%
5−301−1.654146−1.65414600/70%
5−3202610151−2.062219−2.06221900/70%

ここでの被覆は中心がstrongに入る全80標本窓unionに対し、元taper非0の録音内kernel支持が覆う割合。振幅・電力の寄与率ではない。対象外kernelも同じ支持に重なることがあり、対象unionと対象外unionの和を100%とみなさない。nominal、全80標本union、Hann厳密0を除いた正重み支持の三つは data/all-coverage-regions.json.gz に分けて保持した。

既知8損失と被覆

15個のcase/pitch幾何で、全kernelに占めるexact全M1対象の割合は3.46~24.90%、中央値12.21%。2seedでは同じ幾何を参照し実行時照合した。sample3はpitch 0が31/721、−3が21/607、+3が72/857。sample3強部の交差対象数は各帯域とも0半音1/8、−3半音1/6、+3半音6/9、観測支持被覆は25.69%、39.35%、100%。

周期同期電力ρ:全30 × 3参照 × 2時計

ρは元固定観測器の高域平滑電力を8位相binにまとめ、選択済み7周期の正規化プロファイルの中央値から求める一次周期同期成分の大きさ。元F0時計と変更後F0時計で別々に記述する。正の差は同期成分が増えたという意味で、旧F0-AM、雑音AM、望ましい有声音成分を分離した値ではない。

下表は「各条件の同一knot対のρ差を平均した値」を30条件でまとめたもの。

参照時計条件平均差の中央値条件平均差の範囲正 / 負の条件数
PML元F0+0.03425−0.01844~+0.0721029 / 1
PML変更後F0+0.02054−0.01844~+0.0681724 / 6
RAW_SHAPE元F0+0.00652−0.01189~+0.0237123 / 7
RAW_SHAPE変更後F0+0.00693−0.01189~+0.0192225 / 5
RAW_FULL元F0+0.00276−0.00416~+0.0069626 / 4
RAW_FULL変更後F0+0.00183−0.00416~+0.0077427 / 3

全30周期比較

この実験から言える範囲

保存された数値の範囲

録音番号:1=librispeech_1089-134686-0008、2=librispeech_1188-133604-0003、3=librispeech_121-121726-0012、4=librispeech_1221-135766-0005、5=librispeech_1089-134686-0032。

全データと出典

日本語本文Markdown · 公開全ファイルSHA · 音声・帰属・対応SHA

全数値CSV・JSONを開く

周期62,784行、全47,088比較対、支持648行はgzip圧縮JSON表です。gzip展開とJSON読取が必要です。全列・全行・セル文字列を保持し、元CSVへの可逆性を照合しました。悪化・欠測・非定常フラグを除外しません。

公開音声・出典・再現記録

新規音声はRAW_POSTCOLOR_M1の9本だけ。5録音の0半音・seed 0、およびsample3の±3半音・seed 0/20261015。保存済みfloat64波形の先頭min(N,80000)標本をgain 1、無正規化、無dither、nearest ties-to-evenのrint(x×32767)でlittle-endian PCM16へ量子化した。mono、16 kHz、最大5秒。clipは9本とも不要、clip countは0。時刻整列・再標本化はしていない。全長波形の結果と公開短音声を区別する。

元NPYファイル/標本列、公開WAV、切り出し範囲、対応PML/RAW_FULLの全SHAとbytesは audio-manifest.json。既存の原音・PML・RAW_FULL・RAW_SHAPEの27本は公開済み比較へのURLだけを再利用し、ここには複製しない。既存manifestと保存済み公開WAVのSHA・条件対応を照合した。本資料作成時に既存URLのHTTP再取得、ブラウザ描画、音声再生の確認はしていない。

LibriSpeech (c) 2014 Vassil Panayotov。Vassil Panayotov, Guoguo Chen, Daniel Povey, Sanjeev Khudanpur, “LibriSpeech: An ASR Corpus Based on Public Domain Audio Books”, ICASSP 2015。原出典 OpenSLR SLR12・論文・CC BY 4.0・ライセンス全文。原資料はLibriVoxの朗読とProject Gutenbergのテキストに基づく。固定抜粋・PML再合成・包絡処理・±3半音の音高編集・PCM16量子化と最大5秒の切り出しを行った。著者・配布元・朗読者による推薦を意味しない。完全な既存帰属表示もaudio-manifest.jsonに保持する。

原因説明と先行研究、生成前に固定した研究計画を関連資料とする。前計画の「30条件未実施」は作成時点の記録で、その後に本30条件を生成した。

公開ファイル一覧とSHA、元資料との対応・圧縮可逆性、品質の公開状態。大きい周期・支持の3表はgzip圧縮JSONであり、gzip展開とJSON読取が必要である。圧縮表の形式・元CSVへの戻し方を併記し、全セル文字列と列順・行順・元CSVのSHAを保持した。3表とも元CSVへ戻すとbytes/SHAが完全一致した。小さい比較CSVは通常どおり開ける。新しいSTFT/mel画像は作成していない。掲載5図は保存済み音響・周期観測の比較図である。