生高域包絡の移送は、
予測品質と局所の時刻をどう変えるか

編集後の理想的な原音はありません。各方式・同seedの音高無変更を参照する評価と、元の原音は区別します。

-3半音・seed 0

-3半音・seed 20261015

+3半音・seed 0

+3半音・seed 20261015

LibriSpeech ASR Corpus / OpenSLR SLR12。LibriSpeech (c) 2014 Vassil Panayotov。作成者：Vassil Panayotov、Guoguo Chen、Daniel Povey、Sanjeev Khudanpur。元朗読はLibriVox、文章はProject Gutenberg。

配布元 · CC BY 4.0 · 法文 · ICASSP 2015論文

固定抜粋、PML再合成、未分離の高域包絡移送を含む研究用変換。既存短例はPCM標本を維持し、長い録音のみ先頭5秒へ切り出しています。著作者・配布者・朗読者による推奨を意味しません。

RAW_FULL 第1区間の中間報告：警告と原音基準の時刻を分ける

記録時点：2026-10-18 23:20 UTC。全既存品質指標の追記：2026-10-18T23:28:39Z。固定120録音計画のうち、第1区間12録音・4話者だけの結果である。現baseはPMLを維持し、RAW_FULLは未採用。

既定の警告は49/72条件ペアに該当したが、「聴感上の品質失敗が49件」という意味ではない。 PMLより−10 dB到達が遅いという警告61帯域比較のうち、57比較では原音の到達時刻との絶対差が小さくなり、4比較では大きくなった。PML相対の警告を保持したうえで、この違いを分けて読む。61は帯域比較の件数で、対応する条件ペアの和集合は46である。閾値到達は真の音素境界ではなく、原音に近づいたことだけで聴感改善を証明しない。

この報告は、実行環境に保存された既存結果からの短い機械集約を記録したもの。品質処理の終端は公式の読取り手順で確認したが、完全なraw成果物の転送や全値の独立再検算は行っていない。生成側72個の対応差記録は、実行側でSHA・byte数・キーを照合したとの報告に基づく。全120録音の評価・順位・採用判断は未完了。機械可読の限定集約も同じ範囲である。

実行の終端と保存状態

• 第1区間の生成は12録音・144/144波形完了。全予定1,440波形のうち144波形。
• 品質処理はcompleted。終了コード2は予定された欠測によるもので、unexpected failuresは0。
• 処理区分の完了数はprimary 144/144、native 48/48、ECAPA 144/144。
• plan_terminalとeligible_for_next_chunkはtrue。ただし新しい公式checkpointの保存gateが満たされたという意味ではない。
• 新しい波形・品質checkpointは未保存。uploadのHTTP 401は未解消で、追加のupload再試行は行っていない。第2区間は停止したまま。音声・候補実装・非公開識別子・ログpathをこの報告には含めない。

全体の完了記録SHA-256：5b46ffce50339dd9892f3ead15b92a9827c6e55d76c53d3769aecf1ed135f9ac。

欠測と適用外

native音高ではprimaryのF0・有声未検出率が適用外で、計96指標セルを適用外として残す。

ASRは全文正解のある4録音で48出力行・24条件ペアがavailable。残る8録音は全文正解が未準備で、96出力行・48条件ペアが欠測である。品質が悪い録音を除外した結果ではなく、欠測を0誤差として補っていない。

品質の保存値

MOSのRAW_FULL−PML差は、72条件ペアの単純な記述平均が+0.083006、中央値が+0.082273。低下は16/72条件ペア・8録音である。音高・seedの条件反復を含み、72独立録音の平均でも、計画上の全120録音・話者等重みの最終結果でもない。全120の方式順位は作らない。

MOS低下が大きい3条件は次のとおり。これは当該12録音内の記述である。

全既存品質指標のscope別記述集約

選んだ警告指標だけに偏らないよう、保存済みpairingに存在した全9カテゴリ（automatic_mos、recognition、relative_f0_mae_cents、unvoiced_miss_rate、estoi、mr_stft、erb40、native_original_f0、speaker_ecapa）を以下の21行で示す。recognitionはCERとWERを分け、native missはnative_original_f0内の保存countからの条件別率であり、独立した10番目のmetricキーではない。

比較可能な条件ペアだけの算術平均で、差はRAW_FULL−PML。missの平均は%表示、差はpercentage point（ポイント）。ASR CER/WERは百分率ではなく比率表示である。PML平均・RAW_FULL平均と差平均はそれぞれ丸めているため、表示値の引算と差平均が最下位1桁で異なる場合がある。元の未丸め値から集約された差平均を優先し、表示値の引算で置き換えない。

¹ native missは各条件の保存済みmissing_voiced_frames / expected_voiced_framesを率にしてから算術平均したもの。全条件のframeを合算した率ではない。今回の集約元pairingにはMRSTFTの5/20/80 ms複合値だけがあり、3解像度それぞれの値を掲載したものではない。ASRの保存output rateと原音からのdeltaは今回の集計では一致していた。

母数と適用範囲は次のとおり。

• primaryの相対F0・missでは、native 24条件ペアが各指標の適用外。
• native supplement各指標では、edited 48条件ペアが各指標の適用外。
• ASRは4録音・24条件ペアのみ利用可能で、各音高は8条件ペア。残る8録音・48条件ペア（各音高16条件ペア）は公式正解抜粋の未準備による既定欠測。追加の品質除外・その他比較不能は0。
• その他の指標は、適用範囲内の欠測・比較不能が0。適用外を0誤差として平均に入れていない。

MOSの平均上昇だけで総合改善とはしない。ASR CER/WERは利用可能な4録音内でnativeと−3半音の平均が悪化し、+3半音では変わらなかった。ECAPAはnativeと−3半音の平均が上昇した一方、+3半音では微低下した。相対F0 MAEは両編集音高で平均が微増し、missは−3半音で増加、+3半音で減少した。原音参照のnative F0 MAE・native missは平均が微減しており、参照・適用範囲の異なるF0指標を混ぜない。

各variantの自己native有声支持は異なり、相対F0は同一の固定支持上の精度比較ではない。原音YINも真値ではない。全表は12録音・4話者の反復条件に対する記述統計であり、ASRはそのうち4録音のみ。独立pairとしての推論、信頼区間、採否ランキングは行っていない。

この追記も実行環境の既存保存結果から得た短い機械集約に基づく。完全raw成果物の転送や全値の独立再検算は未実施である。科学的なsource・計画・指標は変更せず、再計測、upload再試行、第2区間の実行も行っていない。

一般規則の原音イベント：12録音・4話者

各帯域で72/72条件ペアが判定可能。band0は［1,500, 3,000）Hz、band1は［3,000, 8,000）Hz。括弧内はその指標に該当する録音数であり、条件ペア数と分ける。

絶対RMS変化 > 1 dB、全長0〜1 kHzのpower低下 > 1 dBの警告は、それぞれ0/72条件ペアだった。

強部または到達時刻の警告は48条件ペア・12録音。そのうち先行power低下も観測されたのは47条件ペア・11録音。強部低下12条件ペアはすべて先行power低下も観測されている。先行成分が減った68条件ペアを無条件に成功例と数えず、必要な強部の低下との併存を残す。

PML相対の遅延と原音基準の時刻

全72条件ペアの両帯域で原音・PML・RAW_FULLは−10 dBへ到達しており、比較可能だった。上記の到達時刻警告は61帯域比較（band0 31＋band1 30）で、新たな未到達による警告ではない。条件ペアにまとめた和集合46は変更しない。

例としてlibrispeech_1089-134686-0008・0半音・seed 0・band0では、原音に対する差がPMLの−3 msからRAW_FULLの0 msになった。PMLより遅くなることで原音の到達時刻へ近づく場合がある。

57比較の結果は先行成分を抑えて原音へ近づいたという説明と整合する。ただし、保存閾値の到達時刻は真の音素境界を測ったものではなく、聴感改善の証拠として確定しない。PML相対の既定警告を取り消したり、後から都合のよい成功基準へ置き換えたりはしていない。

品質警告と信号警告の重なり

品質警告3条件ペアと一般規則の信号警告48条件ペアの重なりは2条件ペア・2録音。全警告の和集合は49/72条件ペア・12録音となる。

これは固定した機械的警告の和集合であり、聴感悪化49件、49独立録音の失敗、総合品質失敗率を意味しない。原音基準では時刻が近づく場合も含むこと、強部の損失、MOSの低下、F0支持の違いを分けて読む。

既知5録音の旧固定イベント：別集計

一般規則の12録音とは合算せず、旧5録音・30条件ペアを追跡する。以下の括弧内は録音数。

RMSと0〜1 kHz帯域の警告は各0/30。強部または到達時刻の警告の和集合は25条件ペアで、そのうち先行低下も観測されたのは23条件ペア。一般規則に対して行った原音基準の到達時刻診断57/61を、この旧イベント集合の結果へ流用しない。

判断と残る制約

この中間結果だけでRAW_FULLを採用しない。SOURCE_AM未分離、自然原音のF0が独立正解ではないこと、条件反復、開発使用済み集合など、元の計画の制約を保持する。予測MOSの平均上昇と一部条件の低下、強部低下、PML相対警告と原音基準の違いを併記した限定記録である。

新しい公式保存と固定版の読戻しが成立するまで第2区間へ進まない。Draftのまま保持し、全120録音の完了・採用・公開結果一覧への登録とは扱わない。

警告2条件だけでなく、編集した全48条件ペアを対象に、同じ時刻で両方式がともに評価対象にした有声支持と、それ以外を分けた追加の算術診断です。共通支持が空のペアは0。支持は既定の65〜700 Hz測定範囲による除外を反映した「測定対象としての期待有声支持」です。物理的な有声／無声の真値領域や全有声maskを表すものではありません。以下の率差は条件ペアを等重みにした平均で、単位はポイントです。

元の率差＝共通支持上の率差＋支持構成調整（表示の丸め差あり）。支持構成調整はこの等式による記述的な残差であり、因果効果ではありません。

未検出フレーム数の総和はPML 854 → RAW_FULL 864。増分+10は、共通支持上−1と固有支持上+11に分かれます。−3半音は673 → 692（+19＝+5＋14）、+3半音は181 → 172（−9＝−6−3）。この総和は前表の率差平均とは別の集計です。

共通支持だけを選ぶと、不一致フレームの本当の害を隠す可能性があります。同じ有声支持でも参照F0の数値は方式で異なり、独立した正解F0はありません。正式指標・既定警告・条件はそのまま保持し、共通支持の値へ置き換えません。

実行環境では全194入力ファイルのSHA照合を行ったとの報告。詳細要約67,485 B、報告SHA-256 ca63cd827e818dcc8b833cabec47f852432961317fca1b19b08ab0c3010c3e61。この詳細JSON全体は本書作成側へ未転送で、短い実行環境報告に基づく限定説明です。

未検出率の警告2条件は、どちらも−3半音。各条件で未検出が5フレーム増え、そのうち4フレームがRAW_FULL固有の自己無変更音声の有声支持上にあり、共通支持上の増加は1フレームでした。支持（評価対象となった有声区間）の変更は大きく寄与しますが、全差を説明するわけではありません。

総フレーム数は各593。この2例は警告が出た条件を後から調べたものです。全48編集条件の集約は上の別表に示し、この2例と区別します。共通支持の記述を新しい正式指標や新しい合否基準にはしません。

ASR悪化は1188-133604-0031のseed 0、2条件・1録音に見られました。

CER分母47文字、WER分母10単語。評価母数は4録音・24条件ペア、全文正解未準備の欠測48条件ペアのままです。

実行環境で参照106ファイルのSHA照合を行ったとの報告。要約JSONは28,548 B、報告されたSHA-256は 7bd577e8ccf85e530de5171c05783a2c937532abfb145007ea928ccee9fe594d。その要約JSON全体と完全raw成果物は本書作成側へ未転送で、短い返答だけを読んだ限定説明です。