三部作：基礎理論編 ／ 応用理論編 ／ ユーザーマニュアル編

SUNO MAXIMIZER〜TTM 応用理論編（質的最適化）

SUNO MAXIMIZER (Ver. 0.9)

SUNOのSTYLEプロンプトを、実験的なTTMプロセスで最適化する。このシステムは汎用である。ほぼすべてのプロダクトを、同じ枠で最適化できる。音楽は、いま手元にある質的案件である。

思想は短い。最適化されていないものは作れない。量的案件の核は誤差因子と機能評価である。質的案件では、誤差因子を置けないことが多い。SUNO MAXIMIZER は誤差因子を使わない。直交表とSN比は、実験が高い時代の道具だ。AIの情報単位は TOKEN である。数値でもカテゴリの点数化でもない。近い意味は近くに座る。許容差設計は、質を維持して価格を安くすること。向きがあるかどうかは、課題にそのニーズがあるかだけである。コンテキストは三つある。データマイニング、自分の実験、コミュニティで共有された実験。評点を他人に渡すときは、評者のプロファイルを対にする。計測系の無い数字は、使い物にならない。

インストールはユーザーマニュアル編 §1 に集約した。実装エージェント (Codex / Claude Code 等) への指示文はそちらを見よ。

参照順: 基礎理論編 → 本書 → ユーザーマニュアル編 → 事例研究編。応用理論編 (量的・番外) は姉妹編。

この文書（応用理論編（質的））は、その機械の思想の一部である。基礎が変われば応用も事例も機械も変わる。逆は許さない。

用語 — 「誤差」とだけ書かない

誤差の三文字だけでは、統計の残差か、タグチの誤差因子か、分からない。この文書では、機能を乱す条件を誤差因子と書く。誰のために設計するかを適用対象と書く。男性と女性は、SUNO MAXIMIZER では二つの適用対象である。誤差因子ではない。

男性にも女性にも受ける曲が欲しい、は本物の需要である。それは共通方案である。二つの評点を誤差因子の外側配列と見て平均すると、誰の曲でもない点が残る。単独を先に出し、共通は代金付きで後から出す。

SUNO MAXIMIZER は誤差因子を使わない。車内騒音や夜冬を技術名で置ける、という事前の読みは、機械の列にしない。質的最適化の理論一般では、方案の差と人の差が分離できるときに限り、誤差因子の欄を埋めてよい。分離できないなら空である。ラーメンは空である。

質的最適化の埋め方

受け取った課題は、ラーメンと同じ側にある。

前提は基礎理論編 ver0p9。日付 2026-08-19。ver0p9。数値の事前表は定性である。コミュニティとプロファイルと欠測の埋め方を、計測系として書く。

四つの問い

0. 受け取った課題

歌詞は固定。Excelは様式の語彙。場面はオタワからトロントの車内。

課題はこうである。2027年のカナダで、30代に届く曲を作りたい。歌詞は決まっている。SUNOのスタイルプロンプトを出す。場面は、オタワからトロントへ、Highway 401を走る30代のカップルがSpotifyを聴いている。必要な曲は2本。男が選曲の主導権を持つとき。女が選曲の主導権を持つとき。同じ論理を2023年と2025年で再実行し、論理が持つかを見る。

入力は二つだけだ。歌詞.txt。年代×国別の流行曲SUNOプロンプトExcel。出力は、50–100語の英語スタイル文である。SUNOそのものを聴き比べる試験は、この文書の外にある。

歌詞は制約を書く。Excelは0点と語彙を書く。散文をゼロから作らない。

0.1 なぜ質的か

風力のように売電USDへ換算できない。砂時計のように秒で測れない。最終評価は「この歌詞を、この車内で、この年齢が受け取れるか」という評点である。基礎理論編の言葉では質的課題である。TRIZの矛盾行列は踏まない。データベース解析の一種として解く。

評点は要約である。Style文そのものが TOKEN である。数量化第一類で点数化してから探さない。最適化は、近い TOKEN を残して方案を組むことだ。

0.2 ラーメンが先に来る理由

同じ質的最適化を、すでにラーメンで一度やっている。麺・スープ・具に分解し、口コミ評点で全評価し、許容差設計の向きを見た。音楽も、様式・BPM・楽器・声に分解し、受容評点で全評価する。生成コストは方案で変わらないので、許容差には向かない。生徒はラーメンを先に思い出し、どこが同じでどこが違うかを見る。

1. 質的最適化とは何か

測度が言語評点で書かれる最適化である。0は最悪、5は最高。整数でなくてよいが、粒度は0.5が現実的である。金銭換算はしない。直接、評価値として使う。

測度が定性であることと、手法が粗くなることは別である。因子が数値で揃い、方案が数えられ、基準が言語で書いてあれば、探索は機械的にできる。

2. ラーメン事例の構造

モジュール分解。0点は名店の寄せ集め。誤差因子は置かない。

ある店で「うまいラーメン」を出す。物理量の最終測度はない。0点は、最適化しないときに店主が頼む名店の寄せ集めである。制御因子は麺・スープ・具。調整因子は地域と客層。誤差因子は置けない。同じ一杯でも客の体調で評点が動く。方案の差と客の差が分離できない。

評価は仮想である。客に食べさせない。類似店の口コミと店主の経験を、QEU評点0–5へ写す。LLMに全方案を採点させる。F = 方案の点 − 0点の点。0点を超える案がなければ、新メニューは出さない。

許容差設計には向かない。感度地図だけが残る。妥当性は、口コミを後から同じ論理で再集計することだ。

2.1 コンテキスト表 — データマイニングが実験になる

各店が一つの実験行。水準は言語。評点が応答。

ラーメン最適化の本体は、この注入である。店名と都道府県とQEU評点の一覧。店ごとのカード（麺・スープ・トッピング、地域、その他）。役割は静岡の店主。命令は、リストにない一杯を同じ三列で書け、奇をてらうな。

食べログの文章が、すでに実験結果である。新しくL18を組む必要はない。因子は三つ。水準数は決めない。中太縮れも青竹も、一つの水準だ。データベースの店舗マスタを同じ四列へ写せば、行が増えるだけである。

2.2 系列は、同じ表の列を足す

現場やWeb → 表 → LLM。列を足すたびに、見えるものが増える。

論文番号では呼ばない。足す列で系列を区別する。

交互作用の系列が大事である。豚骨と魚と鶏ガラを混ぜるな。チーズとバターを同時に使うな。合わない麺とスープの対を、表の行として渡す。実験計画法が繰り返しで買っていた交互作用を、言語の行として買う。タグチの直交表では、この行を活用できない。AIは読む。

現地価格の列を足した系列は、許容差設計である。味の TOKEN を固定し、安い行を探す。金額化は必須ではない。口コミ文が質を運ぶ。価格列が無いなら向かない。感度地図だけ残す。

3. 今回の課題の構造

歌詞は固定。方案はスタイルである。編曲、BPM、声、制作の温度。SUNOは商用の生成AIだが、TTMの仕事はSUNOに渡す前段のスタイル設計である。

3.1 0点

0点は、添付Excelの最新カナダ行である。アメリカ/カナダ2010年代ボーカル。トラップポップ、ストリーミング時代のポップ、EDMボーカル。140 BPM、808、ガラスのシンセ、20代前半の声。いまラジオに残っている代表だが、この歌詞のピアノとサックスを持たない。30代の車内には若い。これを現状案にする。

3.2 因子

調整因子は年（2023/2025/2027）、国（カナダ）、年齢層（30代）、場面（車内ドライブ）。組合せ最適化しない。制御因子は様式、BPM、楽器編成、声、制作温度。誤差因子は、理論上は車内騒音と夜冬を技術名で書ける。ただし SUNO MAXIMIZER はその列を使わない。外側の聴取をしていないからである。ラーメンと違うのは、根拠がチャートであることと、文脈（AUX）を切ることである。誤差因子を二つ置けることではない。

3.3 測度

V は、総合点で書いてよい。6項の加重平均は診断である。公道の中音域 0.18、車内聴取の疲れにくさ 0.14、30代 0.14、歌詞適合 0.20、年次適合 0.16、AUX適合 0.18。全部入れば加重する。空なら総合点を使う。X = V × 誤差係数。F = X − X0。単位は評点差。4.5時間の連続試聴は測らない。モニターの負担が重いなら、6項は空でよい。機能評価は総合Vで足りる。

3.4 向きと妥当性

許容差設計には向かない。感度地図だけ残す。BPM 94–104では落ちない、サックスをミュートトランペットに替えても落ちない。128に上げる、サックスを外す、20代前半の声に戻す、は大きく落ちる。妥当性は、2023と2025で年次適合だけ差し替えて再実行することだ。

4. ラーメンと今回 — 同じ点、違う点

同じ点は三つ。質的であること。直交表とSN比を使わず全評価すること。許容差に向かず、感度地図だけが残ること。違う点は、評価の根拠が公的集計であることと、男と女の主導権を文脈として切り分けることである。誤差因子を二つ置ける、を違いの本体にするな。質的最適化に誤差因子は必須ではない。置けないなら空である。

類型コードで切る必要はない。誤差因子があるかないかは、案件の空欄の埋め方である。基礎理論編の枠は一つだ。空欄は欠測ではない。

5. 質的データの4つのロジック

5.1 言語測点 V

判断の根拠を3つ以上持つ。過去の類似、専門家レビュー、公的データの集計。単独の主観は主観性を高めすぎる。

5.2 加重平均

V は下位指標の加重平均である。重みは判断だが、判断の根拠はチャートと文化研究から引く。0.01刻みの重みは信頼できない。

5.3 誤差因子の係数 — この機械では使わない

理論の引き出しに、X = V ×（誤差因子の係数）がある。係数は0.6–1.0で、技術的に決める、と書いてあった。SUNO MAXIMIZER はこの式を回さない。外側の聴取が無い。6項も空である。測度は総合の V である。引き出しは残す。列には出さない。

5.4 過去条件の再実行

同じ方案、同じ重み。年次適合だけ差し替える。

現場で X を測れない。代わりに、過去年で同じ論理を再実行する。チャート1位を当てることが目的ではない。歌詞と30代公道を両立する上位が残れば、論理は持つ。

6. 適用文脈と棄却条件

男性と女性は、二つの適用対象である。誤差因子ではない。単独方案を先に出す。両方に受ける需要は、共通方案として代金付きで出す。二つの評点を平均して真の点にするな。誰がAUXを握るかは文脈である。適用対象と重なりやすいが、同じものではない。誤差因子に置くと、差が平均に消える。

棄却は質的言語で書く。クラブの128超は歌詞の文学性と衝突する。ティーンのベルティングは成熟と衝突する。楽器9種以上は世界観を潰す。棄却は足し算に入れない。その条件では方案が無い、と書く。

7. TRIZの適用範囲

質的案件でTRIZは間接的に働く。ラーメンなら、濃厚と健康を時間帯で分ける。音楽なら、ピアノ＋サックスの指定と、若年向けテンポの衝突を、BPMと声の成熟で分離する。物理量として残るのはBPMと楽器数程度だ。それを制御因子に入れる。行列を本体にしない。

8. SN比も直交表も使わない

総合SN比の考え方（予測を金型と見る、損失をMに足さない）は使う。dB計算は使わない。誤差係数が代わりである。望大（歌詞適合）はそのままVへ。望目（年次適合）は目標からの距離としてVへ。望小（害）は限度を超えたら棄却する。

9. 質的案件の探索

初期案を10–30に絞る。評価に判断者の時間が要るからである。TRIZの分離と、業界の標準案を混ぜる。絞った案を全件評価する。直交表は使わない。最大の F が答え。0点を超えなければ、現状のまま出す。

列の数は決める。セルは言語のまま。A1/A2に切らない。

因子の数は、ラーメンなら3、音楽なら様式・BPM・編成・声・制作の5程度。水準は切らない。切ると、最適が表の外へ逃げる。コンテキストはデータベースでもよい。Excelの行も、食べログの店舗マスタも、同じ型である。

10. 次に進むには

枠の埋め方は、コミュニティとプロファイルと欠測を足して、ここまでである。次のユーザーマニュアルで機械の画面を固定し、事例研究編で、歌詞を制約に落とし、実測で右側を書き直す。

11. コンテキストを三つ注入する

口コミ型の表、自分の聴取票、他人のパック。列を足す。平均しない。

基礎理論編で定義を増やした。コンテキストとは、タグチの直交表のことであり、TTMでは、データマイニングと自分の実験結果、およびコミュニティで共有された実験結果である。応用の仕事は、その三つを、案件の表としてLLMに渡すことだ。

第三項をFに足すな。計測系が近くても、他人の4.0は自分の0点からの差ではない。似たプロファイルの行は、「同じ方向を指している」という支えになる。違うプロファイルの行は、別案件である。平均すると、カナダのロック男と米南部のK-POP女のあいだに、誰も聴かない点が残る。

評点表とプロファイルが対になって、初めてコミュニティの表になる。

パックの最低列は、方案、Style、男V、女V、棄却、コメント、評者の性別、年代、出身、好みである。歌詞全文は必須ではない。歌詞のハッシュがあれば、同じ必要機能かどうかを切れる。プロファイルが欠けたパックは、機械が庫へ入れても、分析の参照に使わない。

12. プロファイルを表の列にする

誤差とAUXと評者を、同じ列に落とすな。

応用の空欄に、評者を足す。既定の二人は、今回の案件の計測系である。男性、30代、カナダ出身、ロックが好き。女性、30代、アメリカ南部出身、K-POPが好き。これは教材の便利な例ではない。評点が何の変換かを宣言する列である。

女の4.0が、K-POPのバラードに聞こえたからなのか、南部の古いR&Bに聞こえたからなのかは、好みと出身の列が無いと切れない。同じ4.0を一本の女製品へ平均するな。プロファイルが二つあれば、方案も二つ残してよい。

13. 6項は任意である。モニターの負担が重いなら空でよい

応用の初版は、Vを6項の加重平均として書いた。その式は残す。ただし必須ではない。第一回の聴取で、モニターは6項を「不要」と返した。負担が多い。機能評価の核は、総合の受容である。分解は診断である。診断のために総合評価を壊すな。

AUX適合を6項で取れないとき、男女の総合差が、文脈の代わりになる。弱い。だからコメントを残す。「ガールフレンドがK-POPのバラードみたいと喜んだ」は、AUX女の項が空でも、女側の計測系を説明する。

14. 欠測の読み方 — 枠は触らず、検証不能を残す

空欄は失敗ではない。その方案が担っていた仮説が、切れなくなった記録である。

女製品候補の行が空なら、女製品はフォークソウルである、という事前仮説は検証不能である。都市ソウルの女声が高いとき、それが女声の効果なのか編成の効果なのかも、切れない。切れないものを、事例研究の結論から消せ。枠（三分法、0点、許容差の向き、AUXを誤差にしない）は触るな。

機械の仕事は、この文を自動で出すことだ。人の仕事は、次の実験数を足すか、検証不能のまま製品を出すかを決めることだ。実施した行の最高は、参照条件である。製品は、マイニングと実験から推定した未実施のStyleである。選ばなかった事前仮説は、消さない。検証不能の行として残す。理論は、そうやって厚くなる。

15. 実験とマイニングを総合して、未実施を予測する

ラーメンがリストにない一杯を書かせるのと同じ仕事である。

応用の空欄の埋め方は、ここまでで枠が立つ。枠の上で何をするかが、最適化である。データマイニングの表は、市場がすでに終わらせた実験である。SUNOの表は、この案件がいま終わらせた実験である。二つを総合するとは、二つの優勝を足して2で割ることではない。同じ因子の列を読み、まだ聴いていないStyleを推定することである。

タグチなら、要因効果図の高い水準を組み、加法モデルでSNを予測し、確認実験に出す。TTMは水準を切らない。男の表が教えるのは、フォーク方向とメリハリの欠落とカントリーの新鮮さである。女の表が教えるのは、女声とピアノ＋サックスとK-POPバラードと南部R&Bである。マイニングが教えるのは、2027年のアナログ中音域である。歌詞が教えるのは、ピアノとサックスを捨てられないことである。組み直した文は、E1からE6のどれとも一致しなくてよい。

確認実験は、予測文と参照条件（実施行の最高）を、同じプロファイルの評者に同時に聴かせることである。利得が出なければ、交互作用が残っている。S7が欠測なら、1曲がS7骨格に寄った予測は、S7そのものも並べて確認する。予測Vは目安である。dBにしない。

16. システムの流れは量的と同じである

ラーメン最適化システムの詳細が骨格である。箱は量的と共通。入る道具が違う。

重要なことは、量的最適化と質的最適化で流れがほとんど変わらないことである。課題の認識、因子の分解、コンテキスト枠、LLM情報分析、交互作用確認、最適条件、妥当性確認、結果の保存。タグチとTRIZは、この箱の中に入るだけである。質的では、測度が評点になり、TRIZは分離の感覚に薄まる。箱は消えない。

ラーメン事例のフォルダでは、多くの内容をユーザーが処理した。注入表を人が用意し、方案を人が書いた。今回のシステムは、LLMが最初から最後まで処理する。ユーザーが渡すのは、課題と、実験の評点と、確認の評点である。途中の因子分解と固定と予測は、機械の仕事である。

17. 固定する因子、実験する因子

確度が高い列は固定。不確実な列だけ実験。最大4因子。交互作用が出れば固定を見直す。

ユーザーの実験回数は少ない。さしあたり固定する因子は何件あってもよい。年、国、歌詞、固有名詞禁止、ベルティング棄却は、実験しなくても固定できる。実験で動かすのは様式、声、編成の薄さ、BPM帯である。四つである。ピアノ＋サックスは制約として残し、厚さだけ動かす。固定した調味料に交互作用が出れば、コチジャンをバターへ替える。

18. 三段のダッシュボード

中間は実験条件を渡す報告。暫定終了は予測までの全検討。確定終了は確認を含み、論文になることが期待できる。

中間ダッシュボードは、GO のあとに出る。どこまで終わったか、何を固定したか、何を実験するか、欠値を許容するリスク。暫定終了は、評点が戻ったあとに出る。教育用論文の最小要素（題、因子、測度、実験表、要因効果、予測、次の確認）を載せる。確定終了は、予測文の確認評点が戻ったあとに出る。利得、問題点、今後の改善。匿名化して保存し、コミュニティへ出せる。

欠値は、中間の時点でリスク付きで許容する。空欄は失敗ではない。その方案が担っていた仮説が検証不能になる、と書く。

参考文献

[R1] QEU FOUNDER (2025). LLMで最適化を行う（ラーメンの最適化 / 許容差設計）。

[R2] 田村希志臣・倉地雅彦・壇原文雄 (2019). バーチャル評価の現状と課題 (1). 品質工学, 27(2).

[R3] 宮川雅巳 (2023). タグチメソッドに魅せられて. 日本統計学会誌, 53(1).

[R4] 基礎理論編に同じ [R1]–[R18]。

[R5] 田口伸・矢野耕也。機能評価が残り、計算道具は替わる、という対話。基礎理論編 [R18]。