# 設計と実行準備の時点

以下は2026-10-25 03:35 UTC頃の設計記録です。反論と修正を経て、04:11 UTCに別の私有実装とsource-lockを固定し、04:16 UTCに5担当へ正式比較を依頼しました。下記の「未実装・未計測」は設計時点の記述として保持します。新候補の結果は、この追記時点では未取得です。

# 48 kHzのまま、保存する周波数グリッドの刻みを比べる

2026-10-25。次の比較の設計案であり、新しい候補の実装・計測・採用はまだ行っていない。現在の作業ベースはApron24を維持する。

## 48 kHz化は成立したが、品質は一方向には動かなかった

固定120録音で、Apron48はApron24より無編集の自動MOSが0.052上がった。一方、ECAPA・eSTOIは低下し、SCOREQ距離は増えた。高域のパワー不足が減ったことと、低域へ投影する品質指標の悪化を別に説明する必要がある。

追加回収した240本の保存F0は、両方式とも同じフレーム数・刻みだった。両方が有声の32746フレームで、絶対音高差の中央値は0.0053セント、95百分位は0.1686セント。全83987フレーム中183フレームで有声・無声が異なり、最大音高差は約1197セントあった。大部分で近いからといって、F0や有声判定の違いが品質へ影響していないとは断定しない。これは事後の保存値比較で、正解F0の精度ではない。

## 周波数間隔を揃える案には、上流実装上の根拠がある

固定上流では、声道振幅は0〜Nyquistの1025点、雑音PSDとPSD残差は128点を端点込みで保存する。24 kHzから48 kHzへ変えると、声道側は11.71875 Hz刻みから23.4375 Hz刻みへ、雑音側は約94.488 Hzから188.976 Hz刻みへ広がる。

次の一候補は、48 kHzのままLayer1変換のFFTを4096、声道包絡を2049点、雑音PSDを255点にする。端点込みのため、雑音側を256点ではなく 2×(128−1)+1=255点にする。これで保存グリッドのHz間隔を24 kHz版へ揃えられる。元の粗い保存配列を補間するのでなく、元音声から新しい設定で解析する必要がある。

根拠は固定版 libllsm2 の layer1.c の声道包絡生成、layer0.c の雑音PSD補間、wrapperのLayer1変換呼出しである。これは配列を細かくすれば品質が上がるという既知の保証ではない。

- https://github.com/Sleepwalking/libllsm2/blob/d18cdf02b31819670e3bc23ead933ad9467da06d/layer1.c
- https://github.com/Sleepwalking/libllsm2/blob/d18cdf02b31819670e3bc23ead933ad9467da06d/layer0.c
- https://github.com/Sleepwalking/libllsm2/blob/d18cdf02b31819670e3bc23ead933ad9467da06d/dsputils.c

48 kHz版の全設定を24 kHz版と物理的に同じにする案ではない。雑音の最終帯域は8〜24 kHzのまま、フィルター係数の選択刻み、追加された調波、F0推定や標本数固定部分の差も残る。主比較は粗いApron48とこの候補で、両方の入力は同じ48 kHzにする。

## 5役の第1巡: 改善期待と、変えてはいけない点

音響担当は、低域の包絡と雑音の離散化が粗くなったことを調べるため、保存グリッドの共同変更を提案した。音高・有声判定担当は、保存F0の大部分が近いことだけで原因を排除せず、新候補と粗い48 kHz対照でも保存F0を比較するよう求めた。

実装担当は、既存Layer1Storageが1025点を固定検査していると指摘した。既存の検査を緩めたり、48 kHz版の成功結果を別の形と呼び換えたりせず、2049/255点を明示する私有の保存・復元境界が必要である。

評価担当は、今回の結果を見て選んだ後発の探索である点を明示し、同じ120録音・同じ品質環境を使うよう求めた。成功済みの原音・Apron24・粗いApron48・WORLD48は再計測せず、入力・モデル・実装条件が一致する保存値を対照にする。

批評家は、二つのグリッドを同時に変えれば、どちらが効いたかは分からないと反論した。また、細かいFFTは声道包絡の生成とケプストラム処理を変え、復号時の調波振幅・最小位相へ影響し得るため、保存量も増える。高域のパワー不足は既に小さくなっているため、値を追って無制限に解像度を上げるべきではない。

## 第2巡: 一つの共同対照に限定する

音響担当は、検証対象を「48 kHzの解析・保存スペクトルの離散化という共同方針」へ限定した。声道と雑音の個別効果を同定したとは言わない。最終雑音帯域を分ける、F0推定器を換える、補間式を調整する変更は今回へ混ぜない。

実装担当は、この2変更以外のCソース・解析器・合成器・seed・音高編集・モデル資産を固定し、保存形式の点数も厳密に確認する方針へ修正した。F0は解析の上流で決まるためグリッド変更で変わらないと予想するが、保存値で確認する。同じ48 kHz入力・推定処理なのにF0や有声判定が違えば、条件の不一致を調べ、原因が分かるまで品質差をグリッド変更へ帰属しない。24 kHz対48 kHzで生じる差と、この同じ48 kHz同士の確認を混同しない。

評価担当は、全120録音の新候補だけで120解析・360復号・1080品質個票・120高帯域診断を行う案へ整理した。5分割する場合は8話者24録音ずつとし、実行分割IDと従来の品質キーのownerを分離する。元の予定キーや録音IDを都合よく変更しない。候補のコード、分割、集計、保存対象を実行前に固定する。

音高・有声判定担当は、粗い48 kHz対照に対する保存量の増加も示すよう求めた。単純なfloat32の増分は、声道で有声フレーム当たり1024要素、PSDとPSD残差で全フレーム当たり計254要素。実ファイルの圧縮後サイズとこの理論量は分ける。品質だけを見て記憶量の増加を隠さない。

批評家は、個別原因の同定ではないこと、保存費用を併記すること、同じ集合に合わせて8192点などへ細かく追い込まないことを条件に、一候補の比較として受け入れた。主比較の4区分で方向が揃わなければ、品質が一律に回復したとは呼ばない。結果を残し、同じ集合に合わせて更に細かく刻むのでなく別の仮説を検討する。

これは5役を用いた親の設計議論であり、5人が独立に実験した結果ではない。候補の実装と静的レビュー、正式な実行計画の固定が終わるまで計測へ進まない。

## 実行前に固定する読み方

主比較は粗いApron48との差で、無編集のUTMOS全長・ECAPA全長・SCOREQ共通区間・eSTOI共通区間の4区分を別々に示す。前者2つとeSTOIは平均が大きい方、SCOREQは小さい方を改善方向とする。「方向が揃った」は4区分全てが非悪化で、少なくとも1つが改善した場合だけの記述ラベルとする。丸め前の保存平均を使い、統計的有意差や知覚的な同等性の基準にはしない。

±3半音のUTMOS・ECAPAと、無編集の共通区間ECAPAは補助として全件示す。主比較で方向が揃っても補助区分に悪化があれば隠さない。Apron24とWORLD48との差は別枠で示し、粗い48 kHzを上回ることを現在ベース全体への優位と読み替えない。

この探索的比較だけで自動的にベースを変更する規則は設けない。品質の差の大きさ、編集条件、保存費用、未確認の適用範囲を合わせて親が判断する。結果後に基準を変えた場合は、元の読み方を保存して事後判断と明記する。

なお、Layer1指定FFTを変えても、同じ調波から求めるRdと保存VSPHSEを直接変更する案ではない。声道振幅が変わることで復号時の調波振幅と、その振幅から求める最小位相が変わり得る。最終雑音帯域・係数選択の刻みなどは新旧48 kHzの主比較では共通であり、24 kHzとの物理的同等性を主張できない理由としてのみ扱う。