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 ,処理に要した時間を とすると,real-time factor (RTF) は次式で定義できる.
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 とサンプリング周波数 に対し,次のフレームが届くまでの時間は 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.