中嶋大志の似顔絵 中嶋 大志 Taishi Nakashima

助教
東京都立大学
システムデザイン学部 情報科学科
小野研究室

サイト内検索

音響信号処理の実験管理

比較する条件の固定

サンプリング周波数,STFTの窓長とホップ長,入力の並び順を実験ごとに記録する. 乱数を使う処理ではシードと乱数生成器,実行環境も記録する. シードが同じでも,ライブラリや計算機が異なる場合の一致までは保証できない.

sample_rate = 16000
fft_size = 1024
hop_size = 256
seed = 42

[evaluation]
warmup_frames = 100

この設定を config.toml として保存する. 値は教材用の例であり,使用する音声や手法に合わせて決める.

入力データの識別

音声ファイルはパスとSHA-256を組にして記録すると,ファイル名が同じでも内容の変更を追跡できる. マイクロホンの順番,切り出した区間,リサンプリングや正規化の条件も,処理後の音声と対応付ける.

実行記録の保存

次のコードはPython 3.11以降の標準ライブラリだけを使う. 設定ファイルと入力ファイルのハッシュを,新しい実行ディレクトリへ保存する. 実行時には python record_run.py config.toml mixture.wav のように,実際に使う音声を指定する.

import hashlib
import json
import platform
import sys
import tomllib
import uuid
from datetime import datetime, timezone
from pathlib import Path

config_path, audio_path = map(Path, sys.argv[1:])
config_bytes = config_path.read_bytes()
config = tomllib.loads(config_bytes.decode("utf-8"))
with audio_path.open("rb") as stream:
    audio_hash = hashlib.file_digest(stream, "sha256").hexdigest()

run_id = uuid.uuid4().hex
run_dir = Path("runs") / run_id
run_dir.mkdir(parents=True, exist_ok=False)
record = {
    "run_id": run_id,
    "created_at": datetime.now(timezone.utc).isoformat(),
    "config": config,
    "input": {"path": str(audio_path), "sha256": audio_hash},
    "python": platform.python_version(),
}
(run_dir / "config.toml").write_bytes(config_bytes)
(run_dir / "run.json").write_text(
    json.dumps(record, ensure_ascii=False, indent=2) + "\n",
    encoding="utf-8",
)

コードのリビジョン,依存関係の固定ファイル,実行コマンドを同じディレクトリに残すと,処理の再実行に必要な条件をたどりやすい. 実験結果を追記する際は,この run_id と入力の識別情報を引き継ぐ.

処理時間の集計

音声の長さを TaudioT _ {\mathrm{audio}},処理に要した時間を TprocessT _ {\mathrm{process}} とすると,real-time factor (RTF) は次式で定義できる.

RTF=TprocessTaudio.\mathrm{RTF} = \frac{T _ {\mathrm{process}}}{T _ {\mathrm{audio}}} .

計測にファイルの読み込みやSTFTを含めるかどうかを明記し,手法間で範囲を揃える. オンライン処理では,平均RTFに加えてフレームごとの処理時間と最大値を保存する. 平均RTFが1未満でも,一部のフレームで処理期限を超える場合がある.

フレームの処理期限

ホップ長 HH とサンプリング周波数 fsf _ {\mathrm{s}} に対し,次のフレームが届くまでの時間は Δt=H/fs\Delta t = H / f _ {\mathrm{s}} である. 上の設定では16 msとなる. この時間は窓による遅延や入出力バッファの遅延とは分けて扱う.

参考資料

サイト内検索

検索する語句を入力してください.

    サイト内検索 →