実験一覧へ

24/48 kHzで保存F0はどこまで一致するか

同じ120録音のApron24とApron48で、保存した基本周波数F0の大部分は近い値でした。ただし、有声・無声の違いや、一部の大きな音高差は残ります。これだけで、48 kHz化による品質差の原因からF0を除外したとは言えません。

これは48 kHzの品質比較を見た後に行った追加診断です。新しい音声解析・合成・F0推定・モデル採点はしていません。作業ベースはApron24を維持しています。WORLD48を含む品質・順位は元レポートを参照してください。今回はWORLDの保存F0を対象にしていません。

2026-10-25の追加診断：有声・無声が一致しても48 kHzの品質低下は残る。判定が一致する75録音でも、話者類似度と明瞭性は各71録音で低下しました。元の保存F0・品質値は変更せず、同じ録音同士の対応だけを追加しました。

120録音で、フレーム数と時間刻みは一致した

100セントは1半音です。音高差は 1200×|log₂(F0₄₈/F0₂₄)| で求めました。中央値と95百分位は、両方式が有声の全フレームを合わせた値です。録音や話者を等重みで集計した値ではなく、95%信頼区間でもありません。有声・無声は保存値が0か正かで区別したもので、生理学的な正解ラベルではありません。

大部分が近いことと、全てが一致することを分ける

p271_336には約1197セントの差があり、p230_077にも約1035セントの差がありました。最大差が大きい録音を例として挙げていますが、対象から外したり、比較音声の選び直しに使ったりはしていません。どちらの推定が正しいかを示す資料も、この診断にはありません。

有声判定の短い違いが、合成の境界や知覚にどれほど影響するかは別の問いです。平均的に差が小さいことを、F0が品質差へ影響しなかった証拠として使いません。

音声は元比較で先に選んだ例を参照する

新しく都合のよい例を選ばず、元比較で事前指定したp225_029の無編集音声を参照します。この短例から、上の最大差の録音を評価したとはしません。

Apron24（作業ベース）

Apron48

音声の出典・CC BY4.0・変更内容。既存WAVを参照し、再生成・再量子化はしていません。

保存状態から読み出し、元の識別情報へ照合した

元の担当が保持していたLayer1状態のarrays.npzとmetadata.jsonを、当時のnative record.jsonのhashへ照合しました。その後、各フレームのF0をfloat32のまま連結し、設定値と元ファイルの識別情報を添えて追加保持しました。親は全240本のNPY・PCMのhash、型、標本数、元record・状態の識別値を確認しています。

比較しているのは合成器内部で補正された後の保存F0です。DIOが最初に出した系列や、独立した正解F0ではありません。両者の同じフレーム番号を比べ、補間や時間整列は加えません。今回は全録音で長さと刻みが一致し、片方だけの末尾はありませんでした。

48 kHz同士の比較へ進み、結果の回収を続ける

同じ配列長を48 kHzへ使うと、声道包絡と雑音PSDのHz単位の刻みは24 kHz時の2倍になります。次の比較として、48 kHzのままFFT4096・声道2049点・PSD255点にした一候補を実行しました。粗い48 kHzとの差から、これらの共同変更を調べます。単なる保存密度の変更ではなく、声道包絡生成や復号時の振幅・最小位相へも影響し得ます。

5役で反論と修正を行った次の計画を参照してください。新旧48 kHzでF0や有声判定が違えば、条件の不一致を調べるまで品質差をグリッド変更へ帰属しません。細かな設定掃引や、自動的なベース変更はしません。計測終了の報告と親の検証済み範囲を分けた実行状況を記録しました。

全桁の集計と来歴JSON。この表は推定系列同士の差であり、品質順位やF0精度のランキングではありません。