سجّل أفضل نموذج لتركيب الغناء جرى تدريبه على مدونة Opencpop درجة 3.70 على مقياس متوسط درجات الرأي (MOS) ذي الخمس نقاط، بينما سجّلت تسجيلات المغنية المحترفة نفسها 4.51 (Wang وآخرون، ورقة Opencpop، Interspeech 2022). وفي أربع أوراق معيارية أخرى استقر أفضل نموذج بين 3.81 و4.01، مقابل 4.30 إلى 4.54 للتسجيلات الحقيقية (انظر القسم 4). والبشر ليسوا مثاليين أيضا: فقد أخطأ 24 بالغا يغنون أغنية عيد ميلاد سعيد من الذاكرة في النغمات المستهدفة بوسيط قدره 19 سنتا، أي نحو خُمس سيميتون (نصف نغمة) (Mauch وFrieler وDixon، JASA 2014)، ولا يكتشف المستمع الوسيط نشاز الصوت الغنائي إلا عند نحو 55 سنتا (Larrouy-Maestri وHarrison وMüllensiefen، Behavior Research Methods 2019). وقد بلغ تركيب الكلام التكافؤ في عدة معايير، كما يوضح استعراضنا إحصائيات MOS للكلام المركّب، أما الغناء فلم يبلغه. جمعنا بيانات من أوراق مدونات Opencpop وM4Singer وGTSinger وACE-Opencpop، وتحديي تحويل صوت الغناء لعامي 2023 و2025، وتحدي كشف التزييف العميق SVDD 2024، ومعيار التقييم SingMOS-Pro، وأبحاث الغناء المحكّمة في JASA وFrontiers in Psychology وPLoS One وJournal of Research in Music Education.
أبرز النقاط
- سجّل أفضل نموذج أساسي على Opencpop درجة 3.70 في MOS مقابل 4.51 للتسجيلات الأصلية (Wang وآخرون، ورقة Opencpop، Interspeech 2022).
- أصاب 24 مغنيا بالغا النغمات بوسيط خطأ قدره 19 سنتا (Mauch وFrieler وDixon، JASA 2014).
- صُنّف 28% من 50 مغنيا عرضيا على أنهم مغنون ضعيفو ضبط طبقة الصوت (Berkowska وDalla Bella، Frontiers in Psychology 2013).
- لم يكن دقيقا في مطابقة طبقة الصوت سوى 37% من 1,046 شخصا وفق قاعدة صارمة قدرها 50 سنتا (Pfordresher وDemorest، JRME 2021).
- يكتشف المستمع الوسيط النشاز عند إزاحة قدرها 54.989 سنتا (Larrouy-Maestri وHarrison وMüllensiefen، Behavior Research Methods 2019).
- أدى تزويد DiffSinger بمنحنى طبقة الصوت الحقيقي للمغني إلى رفع MOS العروض من 3.72 إلى 4.02، لكن MOS جودة الصوت ارتفع من 3.92 إلى 3.97 فقط (Zhang وآخرون، M4Singer، NeurIPS 2022).
- هبط VISinger 2 من 3.96 إلى 3.02 في MOS من دون مُركِّب DSP (Zhang وآخرون، ورقة VISinger 2، 2022).
- اقترب CoMelSinger إلى 0.24 نقطة طبيعية من التسجيلات لمغنين لم يسمعهم في التدريب (Zhao وآخرون، CoMelSinger 2026).
- تضيف ACE-Opencpop نحو 128.9 ساعة من الغناء المركّب من 30 صوتا (Shi وآخرون، ورقة ACE-Opencpop، 2024).
- لم يبلغ أي نظام الطبيعية على مستوى البشر في SVCC 2025، إذ بلغت أفضل الأنظمة نحو 3.7 مقابل نحو 3.9 للغناء الحقيقي (ورقة تحليل SVCC 2025).
- جمع SingMOS-Pro عدد 44,247 تقييم جودة من 78 مُقيّما (ورقة معيار SingMOS-Pro، 2026).
- بلغ أفضل كاشف في SVDD 2024 معدل خطأ متساويا قدره 1.65% (Zhang وآخرون، ورقة تحدي SVDD 2024).
1. المرجع البشري: ما مدى دقة غناء الناس فعلا
تُقاس دقة طبقة الصوت بالسنت: 100 سنت تساوي سيميتون واحدا (نصف نغمة)، وهو الخطوة بين مفتاحين متجاورين في البيانو. وسيط خطأ النغمة البالغ 19 سنتا لدى 24 مغنيا بلا مرافقة (Mauch وFrieler وDixon، JASA 2014) هو الهدف الواقعي للمغني المركّب، لا الصفر. حتى الأصوات المدرَّبة تنحرف: فقد صار المحترفون أقل دقة في الفواصل الموسيقية لا أكثر عندما انتقلوا إلى تقنية الغناء الأوبرالي.
والتفاوت بين الناس واسع. فلم يكن دقيقا في مطابقة طبقة الصوت سوى 24% من المشاركين غير المدرَّبين في مجموعة البيانات نفسها التي بلغت فيها النسبة 37% للعينة كاملة (Pfordresher وDemorest، JRME 2021). ويفسّر الإيقاع جزءا كبيرا من الفرق: ففي دراسة كلاسيكية شملت 62 مغنيا عرضيا، طابق معظم غير الموسيقيين الخمسة عشر الذين أُعيد اختبارهم بإيقاع أبطأ دقة المحترفين، ولم يستمر في ارتكاب أخطاء كثيرة في طبقة الصوت سوى اثنين (Dalla Bella وGiguère وPeretz، JASA 2007).
| المقياس | القيمة | المصدر |
|---|---|---|
| وسيط خطأ النغمة لدى 24 بالغا يغنون أغنية عيد ميلاد سعيد من دون مرافقة | 19 سنتا | Mauch وFrieler وDixon، JASA 2014 |
| الوسيط المطلق لانجراف طبقة الصوت خلال أداء مدته نحو 50 ثانية | 11 سنتا | Mauch وFrieler وDixon، JASA 2014 |
| متوسط انحراف الفواصل الموسيقية لدى 14 مغنيا محترفا يغنون من دون تقنية الغناء الأوبرالي | 32.81 سنتا | Larrouy-Maestri وMorsomme، Logopedics Phoniatrics Vocology 2014 |
| متوسط انحراف الفواصل الموسيقية لدى 63 مغنيا عرضيا بلا تدريب رسمي | 50.83 سنتا | Larrouy-Maestri وMorsomme، Logopedics Phoniatrics Vocology 2014 |
| متوسط انحراف الفواصل الموسيقية لدى المحترفين أنفسهم عند استخدام تقنية الغناء الأوبرالي (الغنائي) | 62.13 سنتا | Larrouy-Maestri وMorsomme، Logopedics Phoniatrics Vocology 2014 |
| المغنون العرضيون المصنفون ضعيفي ضبط طبقة الصوت (انحرافان معياريان عن متوسط المجموعة) | 28% (14 من 50) | Berkowska وDalla Bella، Frontiers in Psychology 2013 |
| من يطابقون طبقة الصوت بدقة (90% أو أكثر من النغمات ضمن 50 سنتا)، في عينة مجمعة من 1,046 | 37% | Pfordresher وDemorest، JRME 2021 |
| الغناء المصنف دقيقا عند تخفيف المعيار إلى 100 سنت | 94% | Pfordresher وDemorest، JRME 2021 |
أحدث البيانات المتاحة: Pfordresher وDemorest، Journal of Research in Music Education 2021. وتتأرجح نسبة ضعاف ضبط طبقة الصوت بحسب حد القطع: ففي النغمات المفردة المغناة، وقع 6% من المغنين العرضيين الخمسين أنفسهم خارج خط الانحرافين المعياريين لكن 58% وقعوا خارج 50 سنتا، لذلك لا يكون أي رقم شيوع رئيسي أفضل من العتبة التي يستند إليها.
2. تسامح المستمع: كم من خطأ طبقة الصوت تغفره الأذن
لا يحتاج المغنون المركّبون إلى التفوق على جهاز الضبط، بل إلى التفوق على المستمع. طابقت قدرة المستمع الوسيط على اكتشاف النشاز إزاحة في طبقة الصوت الغنائي قدرها 54.989 سنتا في معايرة شملت 333 شخصا لاختبار إدراك النشاز (Mistuning Perception Test)، وتراوح 95% من المستمعين بين 36.309 و82.589 سنتا (Larrouy-Maestri وHarrison وMüllensiefen، Behavior Research Methods 2019). وهذا يقارب نصف سيميتون، أي أعلى بكثير من وسيط خطأ النغمة البالغ 19 سنتا في القسم 1، مع أن الاختبارين يقيسان أمرين مختلفين.
ويظل المستمعون العاديون يحكمون على طبقة الصوت بثبات. فقد تتبعت درجات المحكّمين غير المتخصصين انحراف الفواصل الموسيقية المقيس بدقة قريبة من دقة الخبراء، وكانوا أكثر صرامة إجمالا (Larrouy-Maestri وآخرون، PLoS One 2015). وبالنسبة إلى نموذج التركيب، يعني ذلك أن الجمهور العادي لجنة اختبار صالحة لأخطاء طبقة الصوت، وليس مدربو الصوت وحدهم.
| المقياس | القيمة | المصدر |
|---|---|---|
| عتبة الكشف، تدريب موسيقي منخفض مقابل مرتفع (درجة التدريب في Gold-MSI: 10 مقابل 40) | 65.173 مقابل 43.219 سنتا | Larrouy-Maestri وHarrison وMüllensiefen، Behavior Research Methods 2019 |
| الكشف الصحيح عن النشاز، أصغر إزاحة مقابل أكبر إزاحة جرى اختبارها (10 إلى 100 سنت، الصدفة = 50%) | من 51.2% إلى 81.5% | Larrouy-Maestri وHarrison وMüllensiefen، Behavior Research Methods 2019 |
| الارتباط بانحراف الفواصل الموسيقية المقيس: 3 محكّمين خبراء مقابل المحكّمين غير المتخصصين | نحو .83 مقابل نحو .79 | Larrouy-Maestri وآخرون، PLoS One 2015 |
| متوسط انحراف الفواصل الموسيقية عبر 166 أداء لأغنية عيد ميلاد سعيد جرى تقييمها | 55.97 سنتا (المدى من 10.10 إلى 383) | Larrouy-Maestri وآخرون، PLoS One 2015 |
| الارتباط بين التمييز بين طبقات الصوت ومطابقة طبقة الصوت، 632 متطوعا | r(630) = -.31, p < .001 | Pfordresher وDemorest، JRME 2021 |
أحدث البيانات المتاحة: Larrouy-Maestri وHarrison وMüllensiefen، 2019. أزاح الاختبار المسار الصوتي بأكمله بمقدار ثابت، لذلك فهو يقيس التسامح مع مغنٍّ نشاز طوال الوقت، لا مع أخطاء تتفاوت من نغمة إلى أخرى، وهو ما يتركه المؤلفون لأبحاث مقبلة.
3. مقاييس طبقة الصوت الموضوعية: ما الذي تقيسه أوراق تركيب الغناء
تقيّم أوراق تركيب الغناء (SVS) طبقة الصوت بمقياس F0 RMSE، أي الجذر التربيعي لمتوسط مربع الخطأ بين التردد الأساسي المولَّد والحقيقي (F0، وهو منحنى طبقة الصوت). لم تعرض أي ورقة SVS راجعناها هذا الخطأ بالسنت: فجداول Opencpop وVISinger 2 وCSSinger لا تذكر وحدة إطلاقا، وتستخدم ACE-Opencpop مقياسا لوغاريتميا للتردد الأساسي. أما الدراسات البشرية فتستخدم السنت، لذلك لا توجد بعد درجة نظيفة لطبقة الصوت تقارن الآلة بالإنسان.
وما تُظهره الأرقام فعلا هو الترتيب داخل المعيار الواحد. ففي Opencpop خفّض نموذج Conformer قيمة F0 RMSE من 29.99 إلى 26.72 مقارنة بنموذج Transformer الأساسي (Wang وآخرون، ورقة Opencpop، Interspeech 2022)، وبلغ VISinger 2 القيمة 26.0 بـ 25.7M معامل مقابل 137.5M لدى CpopSing (Zhang وآخرون، ورقة VISinger 2، 2022). ودقة السيميتون، المعروضة كنسبة مئوية، هي أقرب المقاييس إلى الدرجة بأسلوب البشر، وإن كانت ورقة ACE-Opencpop لا توضح صيغتها.
| المقياس | القيمة | المصدر |
|---|---|---|
| F0 RMSE على مجموعة اختبار Opencpop، النموذج الأساسي Transformer مقابل Conformer (الوحدة غير مذكورة) | 29.99 مقابل 26.72 | Wang وآخرون، ورقة Opencpop، Interspeech 2022 |
| ارتباط F0 مع المغنية الحقيقية، النماذج الأساسية على Opencpop | 0.893 إلى 0.904 | Wang وآخرون، ورقة Opencpop، Interspeech 2022 |
| F0 RMSE عند 22 kHz: VISinger 2 مقابل VISinger مقابل CpopSing | 26.0 مقابل 33.7 مقابل 28.5 | Zhang وآخرون، ورقة VISinger 2، 2022 |
| حجم النموذج: VISinger 2 مقابل CpopSing | 25.7M مقابل 137.5M معامل | Zhang وآخرون، ورقة VISinger 2، 2022 |
| دقة السيميتون لـ VISinger2: ACE-Opencpop الماندرينية مقابل مدونة Kiritan اليابانية | 65.19% مقابل 49.33% | Shi وآخرون، ورقة ACE-Opencpop، 2024 |
| F0 RMSE وارتباط F0 وخطأ المجهور/المهموس لـ CSSinger-FS على Opencpop | 28.601 و0.919 و0.107 | Cui وآخرون، CSSinger 2024 |
| F0 RMSE على ACE-Opencpop: تركيب الغناء بنموذج لغة الكلام مقابل TokSing مقابل XiaoiceSing | 62.79 مقابل 55.83 مقابل 71.67 | Zhao وآخرون، ورقة تركيب الغناء بنموذج لغة الكلام، 2025 |
يتتبع خطأ المجهور/المهموس عدد مرات خلط النموذج بين الصوت المجهور (تهتز الأحبال الصوتية فتوجد طبقة صوت) والصوت المهموس. ويوحي التفاوت من 49.33% إلى 65.19% في دقة السيميتون لدى البنية نفسها بأن الدرجة تعتمد كثيرا على المدونة، ولذلك لا يمكن ترتيب النتائج المأخوذة من مدونات مختلفة بعضها مقابل بعض.
4. الطبيعية: فجوة MOS بين الغناء المركّب والغناء الحقيقي
MOS هو متوسط التقييم الذي تمنحه لجنة استماع على مقياس من 1 إلى 5، وقد اختبرت كل ورقة هنا تسجيلات حقيقية إلى جانب النماذج. عبر خمس أوراق معيارية تراوحت الفجوة بين أفضل نموذج والغناء الحقيقي من 0.45 إلى 0.81 نقطة MOS (4.30 ناقص 3.85 على PopCS، و4.51 ناقص 3.70 على Opencpop). وقد أُعلن عن تكافؤ تركيب الكلام مع التسجيلات في عدة معايير؛ أما الغناء فلا يزال متأخرا بنحو نصف نقطة أو أكثر.
وأحدث الأعمال من دون تدريب مسبق على الصوت المستهدف (zero-shot) تضيّق الفجوة. والمقصود أن النموذج يغني بصوت لم يسمعه أثناء التدريب. فقد اقترب CoMelSinger، في نسخته المنقحة في أبريل 2026، إلى 0.24 نقطة طبيعية من التسجيلات الحقيقية لمغنين لم يسمعهم قط (4.35 ناقص 4.11)، وهي أصغر فجوة في هذه المجموعة (Zhao وآخرون، CoMelSinger 2026). لكن اللجان صغيرة، غالبا من 10 إلى 20 مستمعا، لذلك نادرا ما يكون التقدم بمقدار 0.1 نقطة حاسما.
| المقياس | القيمة | المصدر |
|---|---|---|
| MOS على Opencpop: أفضل نموذج أساسي (CpopSing) مقابل التسجيلات | 3.70 مقابل 4.51 | Wang وآخرون، ورقة Opencpop، Interspeech 2022 |
| MOS على PopCS: DiffSinger مقابل التسجيلات | 3.85 مقابل 4.30 | Liu وآخرون، DiffSinger، AAAI 2022 |
| MOS جودة الصوت على M4Singer: DiffSinger مقابل التسجيلات | 3.92 مقابل 4.52 | Zhang وآخرون، M4Singer، NeurIPS 2022 |
| MOS عند 44.1 kHz: VISinger 2 مقابل التسجيلات | 3.81 مقابل 4.32 | Zhang وآخرون، ورقة VISinger 2، 2022 |
| MOS جودة الصوت على GTSinger: StyleSinger مقابل التسجيلات | 4.01 مقابل 4.54 | Zhang وآخرون، GTSinger، NeurIPS 2024 |
| MOS الطبيعية، مغنون ظهروا في التدريب: CoMelSinger مقابل التسجيلات | 4.02 مقابل 4.38 | Zhao وآخرون، CoMelSinger 2026 |
| MOS الطبيعية، مغنون لم يظهروا في التدريب (zero-shot): CoMelSinger مقابل التسجيلات | 4.11 مقابل 4.35 | Zhao وآخرون، CoMelSinger 2026 |
أحدث البيانات المتاحة لهذه المدونات: صفوف Opencpop وPopCS وM4Singer وVISinger 2 تعود إلى عام 2022، لذلك فهي تمثل خط الأساس لكل مدونة، لا أحدث ما توصل إليه المجال. وتجد أرقام اعتماد أوسع لأدوات الموسيقى بالذكاء الاصطناعي في إحصائيات توليد الموسيقى بالذكاء الاصطناعي لدينا.
5. حيث تهم طبقة الصوت: ما الذي يتغير عندما يصيب النموذج F0
أنظف اختبار هو أن نمنح النموذج منحنى طبقة الصوت الحقيقي للمغني ونقيس ما يتحسن. عندما تلقى DiffSinger التردد الأساسي الحقيقي، ارتفع MOS العروض لديه بمقدار 0.30 نقطة (من 3.72 إلى 4.02) بينما ارتفعت جودة الصوت بمقدار 0.05 فقط (من 3.92 إلى 3.97) (Zhang وآخرون، M4Singer، NeurIPS 2022). والمقصود بالعروض هنا تماسك الأداء اللحني وطبيعيته. إن تحسين طبقة الصوت يسد جزءا من هذه الفجوة، لكن حتى مع التردد الأساسي الحقيقي تبقى الدرجتان دون التسجيلات (4.47 و4.52)، فطبقة الصوت إذن قيد واحد من عدة قيود.
والتقنيات الديناميكية هي الأصعب. ففي تحدي تحويل صوت الغناء 2025، وهو مهمة تحويل لا تركيب قائم على النوتة، سجّلت الأساليب التي يصفها المنظمون بأن لها مكونات ديناميكية قوية (الصوت المتنفس، وغليساندو، وفيبراتو) أدنى دقة في الأسلوب، بينما سجّلت الأساليب الساكنة في معظمها مثل فالسيتو أعلى دقة (ورقة تحليل SVCC 2025).
| المقياس | القيمة | المصدر |
|---|---|---|
| متوسط الخطأ المطلق للتردد الأساسي ودقة المجهور/المهموس، DiffSinger بالتردد الأساسي المتنبأ به مقابل الحقيقي | 8.9990 مقابل 1.7061؛ 0.9406 مقابل 0.9856 | Zhang وآخرون، M4Singer، NeurIPS 2022 |
| MOS لـ VISinger 2، النموذج الكامل مقابل من دون مُركِّب DSP | 3.96 مقابل 3.02 | Zhang وآخرون، ورقة VISinger 2، 2022 |
| MOS لـ VISinger 2 من دون وحدة طيف الميل المساعدة | 3.85 | Zhang وآخرون، ورقة VISinger 2، 2022 |
| دقة الأسلوب في SVCC 2025: الصوت المتنفس، وغليساندو، وفيبراتو | 37.3%، 42.6%، 43.9% | ورقة تحليل SVCC 2025 |
| دقة الأسلوب في SVCC 2025: الصوت البلعومي، والصوت المختلط، وفالسيتو | 44.8%، 48.3%، 48.8% | ورقة تحليل SVCC 2025 |
أفاد مؤلفو Opencpop بأن نماذجهم الأساسية أظهرت قدرة محدودة على طبقات الصوت النادرة في الذيل الطويل لتوزيع التدريب، وهو قيد يصعب تجاوزه مع مدونة لمغنية واحدة.
6. بيانات التدريب: ساعات الغناء وراء النماذج
ما زالت نماذج الغناء تتعلم من ساعات غناء مسجَّلة بأرقام من خانة واحدة أو خانتين. تضم مدونة Opencpop التي تشكل ركيزة معظم أدبيات تركيب الغناء الماندريني نحو 5.2 ساعة من الغناء لمغنية محترفة واحدة (Wang وآخرون، ورقة Opencpop، Interspeech 2022). وتحتاج المدونات المسجلة مثل Opencpop وM4Singer إلى حدود النغمات والنوتات الموسيقية موسومةً يدويا، ولهذا تنمو بيانات الغناء الحقيقي ببطء.
والحل البديل هو البيانات المركّبة. فمدونة ACE-Opencpop مشتقة من نوتات Opencpop ومركّبة بمُركِّب الغناء ACE Studio مع ضبط يدوي لمنحنيات طبقة الصوت والأنفاس والفيبراتو، وتبلغ 128.9 ساعة، وقد دفع التدريب المسبق عليها دقة السيميتون لدى VISinger2 على Opencpop الحقيقية من 64.50% إلى 65.18% (Shi وآخرون، ورقة ACE-Opencpop، 2024). أما التدريب المسبق على مدونة M4Singer الحقيقية فخفّضها إلى 60.54%. وتتشارك ACE-Opencpop أغانيها مع المدونة المستهدفة، لذلك تقول هذه النتيجة عن مطابقة الهدف أكثر مما تقول عن عدد الساعات وحده.
| المقياس | القيمة | المصدر |
|---|---|---|
| Opencpop: مغنية محترفة واحدة، 100 أغنية | نحو 5.2 ساعة، 3,756 مقطعا منطوقا | Wang وآخرون، ورقة Opencpop، Interspeech 2022 |
| M4Singer: 20 مغنيا محترفا (10 ذكور و10 إناث)، 700 أغنية | 29.77 ساعة، 20,942 مقطعا منطوقا | Zhang وآخرون، M4Singer، NeurIPS 2022 |
| GTSinger: 20 مغنيا محترفا، 9 لغات، 6 تقنيات | 80.59 ساعة غناء إضافة إلى 16.16 ساعة كلام مقترن | Zhang وآخرون، GTSinger، NeurIPS 2024 |
| مدونتا ACE-Opencpop وACE-KiSing المركّبتان | 128.9 ساعة (30 صوتا) و32.5 ساعة (34 صوتا) | Shi وآخرون، ورقة ACE-Opencpop، 2024 |
| دقة السيميتون لـ VISinger2 على Opencpop: من دون تدريب مسبق مقابل ACE-Opencpop مقابل تدريب مسبق على M4Singer | 64.50% مقابل 65.18% مقابل 60.54% | Shi وآخرون، ورقة ACE-Opencpop، 2024 |
| VISinger2 على KiSing، بتدريب منفرد مقابل إضافة ACE-KiSing: دقة السيميتون وMOS | من 68.12% إلى 72.51%؛ من 3.58 إلى 3.83 | Shi وآخرون، ورقة ACE-Opencpop، 2024 |
| غناء حقيقي مجمّع من 8 مدونات عامة لمعيار CtrSVDD | 47.64 ساعة | Zang وآخرون، CtrSVDD 2024 |
اللغات التسع في GTSinger هي الصينية والإنجليزية واليابانية والكورية والروسية والإسبانية والفرنسية والألمانية والإيطالية، وتقنياته الست الموسومة هي الصوت المختلط وفالسيتو والصوت المتنفس والصوت البلعومي وفيبراتو وغليساندو، وهي الأساليب الستة نفسها التي جرى تقييمها في القسم 5.
7. طرق التقييم والمعايير: كيف تُنتج الدرجات
لجان الاستماع الصغيرة هي القاعدة. فقد استخدمت Opencpop 20 مستمعا لكل مقطع، واستخدم اختبار VISinger 2 عشرة مستمعين على 30 مقطعا، واستخدم اختبار ACE-Opencpop 30 مستمعا على 30 عينة لكل نظام. سجّلت تسجيلات Opencpop درجة 4.22 MOS في اختبار و4.77 في اختبار آخر داخل ورقة واحدة من عام 2024 (Cui وآخرون، CSSinger 2024)، أي تذبذبا قدره 0.55 نقطة أكبر من كثير من الفجوات بين النماذج.
وتفيد المقيّمات الآلية على مستوى النظام لا على مستوى المقطع. فقد بلغ أفضل متنبئ بـ MOS على SingMOS-Pro ارتباطا خطيا قدره 0.88 عند ترتيب الأنظمة، لكن 0.58 فقط على المقاطع الفردية (ورقة معيار SingMOS-Pro، 2026). أما الكشف فهو أبعد تقدما: ففي بيانات مضبوطة خفّض أفضل فريق في SVDD 2024 معدل الخطأ المتساوي إلى 1.65% (Zhang وآخرون، ورقة تحدي SVDD 2024)، وهو موضوع نغطيه في إحصائيات التحليل الجنائي للتزييف العميق الصوتي لدينا.
| المقياس | القيمة | المصدر |
|---|---|---|
| حجم SingMOS-Pro | 7,981 مقطعا، 44,247 تقييما، 78 مُقيّما، 11.15 ساعة | ورقة معيار SingMOS-Pro، 2026 |
| الأنظمة المقيَّمة في SingMOS-Pro (تركيب، وتحويل، وإعادة تركيب، والمرجع الحقيقي) | 141 (60 و17 و52 و12) | ورقة معيار SingMOS-Pro، 2026 |
| أفضل متنبئ آلي بـ MOS، الارتباط الخطي على مستوى النظام مقابل مستوى المقطع | 0.88 مقابل 0.58 | ورقة معيار SingMOS-Pro، 2026 |
| المشاركات والمستمعون في SVCC 2023 | 26 مشاركة (منها خطا أساس)؛ 40 مستمعا بالإنجليزية و319 باليابانية | Huang وآخرون، ورقة SVCC 2023 |
| ارتباط سبيرمان بين متنبئ UTMOS وMOS الطبيعية في SVCC 2023 (المهمة 1، مستمعون يابانيون) | 0.77 | Huang وآخرون، ورقة SVCC 2023 |
| طبيعية SVCC 2025، أفضل الأنظمة مقابل الغناء الحقيقي | نحو 3.7 مقابل نحو 3.9 | ورقة تحليل SVCC 2025 |
| غناء CtrSVDD الحقيقي مقابل المزيّف، 14 طريقة توليد، 164 هوية مغنٍّ | 47.64 مقابل 260.34 ساعة | Zang وآخرون، CtrSVDD 2024 |
| معدل الخطأ المتساوي في SVDD 2024: أفضل فريق مقابل خطّي الأساس؛ الفرق المتفوقة عليهما معا | 1.65% مقابل 11.16% و12.03%؛ 37 من 47 | Zhang وآخرون، ورقة تحدي SVDD 2024 |
السياق: في SVCC 2023 رأى المحكّمون أن أفضل الأنظمة في المهمتين لا تختلف اختلافا ذا دلالة عن العينات الطبيعية من حيث الطبيعية، أما في SVCC 2025، الذي قيّم أسلوب الغناء أيضا، فلم يبلغ أي نظام الطبيعية على مستوى البشر. ويخلص التحليل إلى أن نمذجة أسلوب الغناء ما زالت تحديا.
الخلاصة: دقة طبقة الصوت وطبيعية تركيب الغناء بالأرقام
| المقياس | القيمة | المصدر |
|---|---|---|
| وسيط خطأ النغمة، 24 مغنيا بالغا بلا مرافقة | 19 سنتا | Mauch وFrieler وDixon، JASA 2014 |
| من يطابقون طبقة الصوت بدقة في عينة من 1,046 | 37% | Pfordresher وDemorest، JRME 2021 |
| الغناء المصنف دقيقا وفق معيار أخف قدره 100 سنت | 94% | Pfordresher وDemorest، JRME 2021 |
| المغنون العرضيون ضعيفو ضبط طبقة الصوت (معيار انحرافين معياريين) | 28% (14 من 50) | Berkowska وDalla Bella، Frontiers in Psychology 2013 |
| الإزاحة في طبقة الصوت المطابقة لقدرة المستمع الوسيط على الكشف | 54.989 سنتا | Larrouy-Maestri وHarrison وMüllensiefen، Behavior Research Methods 2019 |
| أفضل نموذج أساسي على Opencpop مقابل التسجيلات، MOS | 3.70 مقابل 4.51 | Wang وآخرون، ورقة Opencpop، Interspeech 2022 |
| VISinger 2 مقابل التسجيلات عند 44.1 kHz، MOS | 3.81 مقابل 4.32 | Zhang وآخرون، ورقة VISinger 2، 2022 |
| CoMelSinger مقابل التسجيلات، MOS الطبيعية لمغنين لم يظهروا في التدريب | 4.11 مقابل 4.35 | Zhao وآخرون، CoMelSinger 2026 |
| مكسب MOS العروض مقابل مكسب MOS جودة الصوت من التردد الأساسي الحقيقي (DiffSinger) | +0.30 مقابل +0.05 | Zhang وآخرون، M4Singer، NeurIPS 2022 |
| MOS لـ VISinger 2 من دون مُركِّب DSP | 3.02 (مقابل 3.96) | Zhang وآخرون، ورقة VISinger 2، 2022 |
| دقة السيميتون لـ VISinger2، ACE-Opencpop مقابل Kiritan | 65.19% مقابل 49.33% | Shi وآخرون، ورقة ACE-Opencpop، 2024 |
| دقة أسلوب فيبراتو في SVCC 2025 | 43.9% | ورقة تحليل SVCC 2025 |
| حجم مدونة GTSinger | 80.59 ساعة، 20 مغنيا، 9 لغات | Zhang وآخرون، GTSinger، NeurIPS 2024 |
| حجم مدونة ACE-Opencpop المركّبة | 128.9 ساعة، 30 صوتا | Shi وآخرون، ورقة ACE-Opencpop، 2024 |
| تسجيلات Opencpop في اختبارين منفصلين داخل ورقة واحدة، MOS | 4.22 مقابل 4.77 | Cui وآخرون، CSSinger 2024 |
| تقييمات SingMOS-Pro المجمعة | 44,247 من 78 مُقيّما | ورقة معيار SingMOS-Pro، 2026 |
| أفضل معدل خطأ متساو في SVDD 2024 | 1.65% | Zhang وآخرون، ورقة تحدي SVDD 2024 |
المنهجية والمصادر
- Wang et al., Opencpop: A High-Quality Open Source Chinese Popular Song Corpus for Singing Voice Synthesis, Interspeech 2022
- Zhang et al., M4Singer: A Multi-Style, Multi-Singer and Musical Score Provided Mandarin Singing Corpus, NeurIPS 2022 Datasets and Benchmarks
- Liu et al., DiffSinger: Singing Voice Synthesis via Shallow Diffusion Mechanism, AAAI 2022
- Zhang et al., VISinger 2: High-Fidelity End-to-End Singing Voice Synthesis Enhanced by Digital Signal Processing Synthesizer, 2022
- Zhang et al., GTSinger: A Global Multi-Technique Singing Corpus with Realistic Music Scores for All Singing Tasks, NeurIPS 2024
- Shi et al., Singing Voice Data Scaling-up: An Introduction to ACE-Opencpop and ACE-KiSing, 2024
- Cui et al., CSSinger: End-to-End Chunkwise Streaming Singing Voice Synthesis System, 2024
- Zhao et al., Adapting Speech Language Model to Singing Voice Synthesis، ديسمبر 2025
- Zhao et al., CoMelSinger: Discrete Token-Based Zero-Shot Singing Synthesis، نسخة منقحة في أبريل 2026
- Huang et al., The Singing Voice Conversion Challenge 2023
- An Extensive Analysis of the Singing Voice Conversion Challenge 2025 Evaluation Results، 2025
- Zhang et al., SVDD 2024: The Inaugural Singing Voice Deepfake Detection Challenge
- Zang et al., CtrSVDD: A Benchmark Dataset and Baseline Analysis for Controlled Singing Voice Deepfake Detection, 2024
- SingMOS-Pro: A Comprehensive Benchmark for Singing Quality Assessment، نسخة منقحة في يناير 2026
- Mauch, Frieler, Dixon, Intonation in Unaccompanied Singing: Accuracy, Drift, and a Model of Reference Pitch Memory, JASA 2014
- Larrouy-Maestri, Morsomme, Criteria and Tools for Objectively Analysing the Vocal Accuracy of a Popular Song, Logopedics Phoniatrics Vocology 2014
- Larrouy-Maestri, Harrison, Müllensiefen, The Mistuning Perception Test, Behavior Research Methods 2019
- Larrouy-Maestri et al., Layman versus Professional Musician: Who Makes the Better Judge?, PLoS One 2015
- Berkowska, Dalla Bella, Uncovering Phenotypes of Poor-Pitch Singing: the Sung Performance Battery, Frontiers in Psychology 2013
- Pfordresher, Demorest, The Prevalence and Correlates of Accurate Singing, Journal of Research in Music Education 2021
- Dalla Bella, Giguère, Peretz, Singing Proficiency in the General Population, JASA 2007
- ملاحظة حول البيانات: قيم MOS غير قابلة للمقارنة بين الأوراق، لأن لجان الاستماع (من 10 إلى 30 شخصا) ومعدلات العينة والتعليمات تختلف، وقد سجّلت تسجيلات Opencpop درجتي 4.22 و4.77 في اختبارين داخل ورقة CSSinger. وتختلف وحدات F0 RMSE (غير مذكورة في معظم الأوراق، ولوغاريتمية في ACE-Opencpop)، لذلك لا يجوز مقارنة أرقام F0 RMSE من أوراق مختلفة مباشرة. وتتعارض المصادر في أحجام المدونات: فـ ACE-Opencpop تبلغ 128.9 ساعة في الجدول 1 من ورقتها، ونحو 130 ساعة في مقدمتها، و135 ساعة في ورقة نموذج لغة الكلام الصادرة في ديسمبر 2025؛ وتُدرج ACE-KiSing بـ 34 مغنيا وبـ 33 مغنيا؛ وتبلغ Opencpop نحو 5.2 ساعة في ورقتها لكن 5.25 ساعة في جدولي المقارنة في M4Singer وGTSinger. ويظهر F0 RMSE لـ CSSinger-FS بالقيمة 28.601 في جدول وبالقيمة 28.101 في آخر. وتستثني معدلات الخطأ المتساوي في SVDD 2024 طريقة ACESinger. ويصف Pfordresher وDemorest الـ 50 سنتا بأنها سيميتون واحد، بينما هي نصف سيميتون. ولا ترد درجات الطبيعية الدقيقة في SVCC 2023 إلا في الأشكال البيانية، لذلك نعرض نتائج الدلالة وحدها. وVISinger 2 وCSSinger وCoMelSinger وSingMOS-Pro وورقة نموذج لغة الكلام مقتبسة من نسخ arXiv وقد قيّمها مؤلفوها أنفسهم؛ ولا يذكر CoMelSinger وSingMOS-Pro أي جهة نشر محكّمة، وقد قُدّمت ورقة نموذج لغة الكلام إلى ورشة عمل، لذلك قد تختلف الأرقام النهائية. أما دراسات دقة طبقة الصوت لدى البشر فكلها سابقة لعام 2023 وهي أحدث البيانات المتاحة.
آخر تحديث: 31 أكتوبر 2026. نحدّث هذا الاستعراض كل ثلاثة أشهر، ومن المتوقع أن يأتي التحديث التالي عند نشر وقائع مؤتمر ICASSP 2027 ونتائج تحدي تحويل صوت الغناء القادم.