ABXテストの理解 · Audio Tests Online

ハイエンドオーディオでは、ロスレスのFLACと320 kbpsのMP3、高級ケーブル、24ビット/192 kHzと16ビット/44.1 kHz、あるいはDACの再構成フィルターの違いを、聴取者が信頼して聴き分けられるかがたびたび議論になります。

目視できる（非盲検の）聴取テストは、認知バイアス、プラセボ効果、確証バイアスに弱い方法です。一方の機器が5,000ドルで他方が50ドルだと知っていれば、期待が知覚そのものに影響します。ABX二重盲検テストは、こうしたバイアスを取り除き、聴感上の違いが本当に存在するかを判定するための強制選択プロトコルです。

ABXテストでは、AとBは既知の2つの信号で、Xはそのどちらかを各試行でランダムにコピーしたものです。聴取者は自由に切り替えて、XはAと同じか、それともBと同じかという1つの問いに答えます。聴取者も進行役も回答が記録されるまで正解を知らないため、オーディオ評価で最も大きな2つのバイアス、すなわち「何を聴いているかを知っていること」と「特定の結果を望むこと」が取り除かれます。

1. ABXテストのプロトコル

二重盲検比較器は、1982年にデビッド・クラークが Journal of the Audio Engineering Society（JAES）の論文で発表しました。歴史よりも手順のほうが重要です。

AとBは事前に用意する。 試験対象の変数だけが異なり、レベルは一致させておきます。
Xは各試行でランダムに割り当てる。 推測のたびにコインを投げ直すので、幸運な連続をパターンとして再現できません。
聴取者が切り替えを操作する。 短い抜粋を自由にループ再生できます。
回答は強制選択。 1回の試行で「違いはない」は選べません。これが統計を成立させます。
結果は偶然と比較して採点する。 正答数、p値、信頼度が試行ごとに更新されます。

このサイトのブラウザ版スイートは、一度に1つの変数についてこのループを回します。セント単位のピッチ弁別、dB単位のレベル差、ミリ秒単位のタイミングとハースのプリディレイです。ABXは好みを測るものではありません。320 kbpsのMP3を識別できた聴取者が、それを好むこともあります。

2. 数学：二項分布の計算式と統計的有意性の証明

ABXテストの成否を感情や直感ではなく客観的科学たらしめているのが、**累積二項分布（Cumulative Binomial Distribution）**に基づく仮説検定です。

帰無仮説と二項確率質量関数（PMF）

統計学における出発点は、**帰無仮説（Null Hypothesis: H0）「聴取者は音の違いを知覚できず、コイン投げのように各試行 50%（p = 0.5）の確率でランダムに当て推量している」**を設定することです。

n回の独立した試行において、偶然だけでちょうど k 回正解する確率 P(X = k) は、次の二項確率質量関数によって定義されます。

P(X = k) = C(n, k) × p^k × (1 - p)^(n - k)

ここで C(n, k) は組み合わせ（コンビネーション）の数であり、階乗（!）を用いて次のように展開されます。

C(n, k) = n! / ( k! × (n - k)! )

当て推量（p = 0.5, 1 - p = 0.5）の場合、式は極めてシンプルに整理されます。

P(X = k) = C(n, k) × (0.5)^n = C(n, k) / 2^n

片側p値（累積確率）の数学的証明

テストの合否判定で必要となるのは、「k回ちょうど当たる確率」ではなく、**「偶然の当て推量だけで k 回以上（k回からn回まで）の極端な好成績が得られてしまう累積確率（片側p値）」**です。

p値 = P(X ≥ k) = Σ [i = k から n まで] ( C(n, i) / 2^n )
    = (1 / 2^n) × [ C(n, k) + C(n, k+1) + C(n, k+2) + … + C(n, n) ]

学術的に広く合意されている有意水準（Significance Level）は α = 0.05（5%） です。計算されたp値が 0.05 未満（p < 0.05）となったとき、統計学的に「偶然当て推量でこの正答率が出る確率は5%未満であり、偶然とは考えにくい」と判定し、帰無仮説を棄却して**「聴取者は有意に音の差異を聞き分けている（統計的信頼度 95%以上）」**と結論付けます。

実例証明：16試行中12回正解（p = 0.0384、有意合格）

16回のABXテストで12回正解した場合の厳密な組み合わせ計算手順です。全事象の数は 2^16 = 65,536 通りです。

12回正解の組み合わせ: C(16, 12) = 16! / (12! × 4!) = (16 × 15 × 14 × 13) / (4 × 3 × 2 × 1) = 1,820 通り
13回正解の組み合わせ: C(16, 13) = 16! / (13! × 3!) = (16 × 15 × 14) / (3 × 2 × 1) = 560 通り
14回正解の組み合わせ: C(16, 14) = 16! / (14! × 2!) = (16 × 15) / (2 × 1) = 120 通り
15回正解の組み合わせ: C(16, 15) = 16! / (15! × 1!) = 16 通り
16回全問正解の組み合わせ: C(16, 16) = 1 通り

12回以上の合計事象数:

1,820 + 560 + 120 + 16 + 1 = 2,517 通り

したがって、偶然だけで12回以上正解する累積p値は:

p = 2,517 / 65,536 ≈ 0.038407 （約 3.84%）

0.0384 < 0.05 であるため、**有意水準5%で統計的有意差あり（合格、信頼度 96.16%）**と数学的に証明されます。

誤信の証明：16試行中10回正解（正答率62.5%だが不合格）

16回中10回正解すると、正答率は 62.5% に達し、一見すると「半分以上当たっているから違いが聞き取れている」と錯覚しがちです。しかし数学的現実は異なります。

10回正解: C(16, 10) = 8,008 通り
11回正解: C(16, 11) = 4,368 通り
12回以上: 2,517 通り
合計事象数 = 8,008 + 4,368 + 2,517 = 14,893 通り

累積p値の計算:

p = 14,893 / 65,536 ≈ 0.22725 （約 22.7%）

まったく違いが分からない人がコインを適当に投げて答えても、実に 22.7%（およそ4.4回に1回）の高確率で10回以上正解してしまう のです。したがって p = 0.227 では帰無仮説を到底棄却できず、「聴取者が音の違いを聞き分けた証拠にはならない（不合格）」と冷徹に結論付けられます。

試行回数別の有意判定ボーダーライン早見表

試行回数 n	全事象数（2^n）	95%有意（p < 0.05）に必要な正答数	その時のp値（信頼度）	99%高精度（p < 0.01）に必要な正答数	その時のp値（信頼度）
5 回	32 通り	5 回（全問正解必須）	p = 0.0313 (96.9%)	達成不可（1/32 > 0.01）	—
8 回	256 通り	7 回	p = 0.0352 (96.5%)	8 回（全問正解必須）	p = 0.0039 (99.6%)
10 回	1,024 通り	9 回	p = 0.0107 (98.9%)	10 回（全問正解必須）	p = 0.0010 (99.9%)
16 回	65,536 通り	12 回	p = 0.0384 (96.2%)	14 回	p = 0.0021 (99.8%)
20 回	1,048,576 通り	15 回	p = 0.0207 (97.9%)	16 回	p = 0.0059 (99.4%)
25 回	33,554,432 通り	18 回	p = 0.0216 (97.8%)	19 回	p = 0.0073 (99.3%)
50 回	約1.125 × 10^15	32 回	p = 0.0325 (96.8%)	35 回	p = 0.0033 (99.7%)
100 回	約1.268 × 10^30	59 回	p = 0.0443 (95.6%)	63 回	p = 0.0060 (99.4%)

試行回数 n が増えるにつれて、95%有意を勝ち取るために必要な正答率は 100%（5回中5回）から 59%（100回中59回）へと収束していきます。大標本になるほど、人間の微小な知覚能力を統計的に浮き彫りにできるのです。

3. 有意性に必要な試行回数と検出力

検出力とは、本当に違いが存在するときにテストが有意へ到達する確率で、家庭の聴取テストがほぼ無視している数値です。実際に75%の正答率を出す聴取者でも、8回のテストに合格する確率は36.7%しかありません。同じ聴取者が50回のテストを行えば、97.1%の確率で有意に到達します。

より微妙な60%の聴取者にはさらに多くのデータが必要です。検出力は50回で33.6%、100回で62.3%で、80%の検出力にはおよそ158回の試行が必要になります。小さな差を検出するには、1回の丁寧な聴取ではなく何時間もの試行が要ります。

試行回数は開始前に決めます。p値が0.05を下回った瞬間に止めるやり方は偽陽性率を高めます。p値は試行が進むにつれて上下するからです。ツールはフィードバック用に進行中のp値を表示しますが、報告する結果は事前に決めたnから得たものにします。

4. 校正とレベル合わせ

アマチュアのABXテストで最もよくある欠陥はレベル不一致です。およそ1 dB未満の差では、聴取者が「より大きい」と感じることはほとんどありません。それでも無意識に大きいほうを好み、「クリア」「パンチがある」「情報量が多い」と評します。0.2〜0.5 dBの差は、自覚的なラウドネス検出の下にとどまったまま結果を偏らせます。RMSまたはLUFSメーターでAとBを**±0.1 dB以内**に合わせます。

よくある原因は次のとおりです。

一方のファイルはピークでノーマライズし、もう一方はラウドネスでリミットしている。
片方の経路にプラグインが1つ余分に入り、0.4 dB持ち上げている。
サンプルレート変換やビット深度変換が片側だけに適用されている。

その他の基本も重要です。

瞬時に切り替える。 どちらのファイルが鳴っているかを漏らすクリックや無音の隙間があってはなりません。このサイトの信号生成は、切り替え時のアーティファクトを防ぐためにレイズドコサイン・フェードを掛けています。
抜粋は短くする。 エコー記憶は数秒で薄れます。ここでのテスト音は2秒でループします。
難しいパッセージを最初に試す。 注意力が高いうちに行い、1回のセッションはおよそ15分以内に収めます。
信じる前に再現する。 別の抜粋で同じ結果が出なければ、それは聴取者の能力ではなく、抜粋やその日のコンディションの手がかりです。

5. 帰無結果が意味するもの

有意水準に届かないことは、その条件ではテストが違いを示せなかったという意味であり、2つのファイルが同一だという意味ではありません。8回のテストでの帰無結果はほとんど情報になりません。75%の聴取者でも、このしきい値はほとんどの場合で通り抜けられないからです。一方、レベルを一致させ、疲れていない聴取者による100回の帰無結果はより強い根拠になります。ただしそれは、そのファイル、その再生系、その聴取者に限った話です。

逆の誤りも同じくらいよくあります。有意な結果が証明するのは、そのセッションで聴取者が偶然よりもうまくXを識別したことだけです。その差が音楽的に重要であること、何かを好んだこと、別のシステムでも同じ結果になることまでは証明しません。また、レベル不一致、切り替え時のクリック、サンプルレート変換、画面からの情報漏れといったアーティファクトが原因であることもあります。

精度・限界・トラブルシューティング

ABXは強力な道具ですが、万能ではありません。何を測っていないかを知っておくことが、結果を正しく読む近道です。

測れるのは識別であって好みではない。 違いが分かることと、その違いが良いこととは別問題です。
1回のセッションの結果は限定的。 別の抜粋、別の再生系、別の日で再現して初めて、その違いを信頼できます。
試行回数を後から増やすのは避ける。 有意になるまで続けると偽陽性が増えます。
強制選択は1回の試行では逃げ道がない。 迷ったときは、記憶が新しいうちに短い抜粋を何度も往復します。

症状	考えられる原因	対処
正答率が50%前後で動く	レベルが不一致、またはファイルが同一	±0.1 dBで合わせ直し、ファイルが異なることを確認する
いつも片方の条件が良い	ラウドネスバイアス、または結びついたアーティファクト	レベルを合わせ、クリックを確認し、処理経路を点検する
序盤は強いが終盤に失速	疲労と記憶負荷	ブロックを短くし、10〜15試行ごとに休憩する
5回中5回で止めてしまう	任意停止	nを事前に決め、全試行を報告する

正直なABXレポートには、試行回数、正答数、正確なp値、レベルをどう合わせたか、どの抜粋を使ったかを書きます。この記録に耐えた違いだけが、行動に移す価値があります。

ABX二重盲検テストの理解：方法論・p値・統計的有意性