في تحدي تحويل الصوت 2020 (VCC 2020)، لم تختلف ثمانية أنظمة داخل اللغة نفسها إحصائيا عن المتحدث الهدف الحقيقي في اختبارات التشابه، وحكم المستمعون بأن أكثر من 90% من عيناتها المحولة تعود إلى الشخص نفسه (Zhao وآخرون، نظرة عامة على VCC 2020). قبل أربع سنوات، بلغ متوسط أفضل نظام في VCC 2016 درجة 3.0 فقط على مقياس طبيعية من 5 نقاط، وأقنعت أفضل الأنظمة المستمعين في نحو 70% من الحالات. ولم تُغلق فجوة الطبيعية بالوضوح نفسه: لم يبلغ أي نظام في VCC 2020 طبيعية بمستوى البشر، وفي تحدي تحويل صوت الغناء 2025 سجلت أفضل الأنظمة نحو 3.7 مقابل نحو 3.9 للتسجيلات الحقيقية. يتناول هذا الاستعراض كيفية قياس تحويل الصوت لا كيفية تسويقه؛ وللاطلاع على بيانات الاعتماد والسوق راجع إحصائيات استنساخ الصوت، ولدرجات الاستماع الخاصة بتحويل النص إلى كلام راجع إحصائيات MOS لطبيعية الكلام الاصطناعي. جمعنا بيانات من تحديات تحويل الصوت لأعوام 2016 و2018 و2020، وتحديي تحويل صوت الغناء لعامي 2023 و2025، وأوراق بحثية محكمة من Interspeech وICLR وAAAI وIEEE JSTSP، ودراسات حديثة عن مقاييس تشابه المتحدث وانحياز اختبارات الاستماع.
أبرز النقاط
- 8 أنظمة داخل اللغة نفسها في VCC 2020 لم تختلف اختلافا ذا دلالة إحصائية عن المتحدث الهدف في التشابه (Zhao وآخرون، نظرة عامة على VCC 2020، 2020).
- نظام اللقطة الصفرية لعام 2025 سجل 3.96 MOS للطبيعية مقابل 4.33 للتسجيلات المرجعية (Yao وآخرون، StableVC، AAAI 2025).
- انخفض تشابه المتحدث في نظام يعمل في فضاء الترميز لعام 2026 من 0.63 في الإنجليزية إلى 0.49 في التحويل من الصينية إلى الإنجليزية (Zheng وآخرون، X-VC 2026).
- انخفض التشابه في نظام قائم على سمات التعلم الذاتي الإشراف من 59% إلى 28% عند الانتقال من التحويل إلى متحدث محدد إلى التحويل إلى أي متحدث (Huang وآخرون، IEEE JSTSP 2022).
- 20 من 31 نظاما في VCC 2020 خدعت نظام التحقق من المتحدث في أكثر من 90% من المرات (Das وآخرون، التقييم الموضوعي لـ VCC 2020، 2020).
- ارتبط تشابه التضمين مع تقييمات البشر بمعامل 0.768 في الكلام الحقيقي لكن بمعامل 0.512 فقط في الكلام المحول من VCC 2018 (Ahn وآخرون، VoxSim، Interspeech 2024).
- كان لنحو نصف جمل VCC 2018 انحراف معياري أكبر من نقطة واحدة عبر تقييماتها الأربعة من المستمعين (Lo وآخرون، MOSNet 2019).
- قد ينخفض MOS لنظام ما بنحو نقطة كاملة عندما يُقيَّم إلى جانب أنظمة أقوى فقط (Cooper وYamagishi، Interspeech 2023).
- طابق أفضل نظام غناء في SVCC 2023 الطبيعية المرجعية (نحو 3.9) لكنه بلغ تشابها 65% مقابل 80% (Violeta وآخرون، تحليل SVCC 2025، 2025).
- كان الغناء الهوائي أصعب أسلوب في التحويل ضمن SVCC 2025، بدقة أسلوب بلغت 37.3% (Violeta وآخرون، تحليل SVCC 2025، 2025).
1. عقد من نتائج التحديات: من 70% إلى تشابه بمستوى المتحدث الهدف
يغيّر تحويل الصوت (VC) هوية صاحب التسجيل مع الإبقاء على ما يُقال فيه. والمعيار المشترك في هذا المجال هو تحدي تحويل الصوت (VCC)، حيث يحول كل فريق الجمل نفسها بين المتحدثين أنفسهم، ويقيّمها جميعا اختبار استماع كبير واحد. تُقيَّم الطبيعية على مقياس متوسط درجات الرأي (MOS) من 5 نقاط؛ ويُحكم على التشابه بسؤال المستمعين عما إذا كان المقطع المحول والمقطع الحقيقي صادرين عن المتحدث نفسه.
المسار حاد الصعود. بلغ متوسط أفضل نظام في VCC 2016 درجة 3.0 في الطبيعية، أما في VCC 2020 فتعادلت ثمانية أنظمة إحصائيا مع المتحدث الهدف الحقيقي في التشابه (Zhao وآخرون، نظرة عامة على VCC 2020). والمثير للاهتمام هو ترتيب التقدم: توقف المستمعون عن التمييز بين المقاطع المحولة والهدف في الإنجليزية النظيفة داخل اللغة نفسها قبل أن يبلغ أي نظام طبيعية بمستوى البشر.
| المقياس | القيمة | المصدر |
|---|---|---|
| مجموعات البحث التي شاركت في VCC 2016 | 17 | Toda وآخرون، The Voice Conversion Challenge 2016، Interspeech 2016 |
| المستمعون في اختبار VCC 2016 الذي أُجري في بيئة خاضعة للرقابة | 200 | Toda وآخرون، The Voice Conversion Challenge 2016، Interspeech 2016 |
| أفضل أنظمة VCC 2016، حصة العينات التي حكم المستمعون بأنها من المتحدث الهدف نفسه | نحو 70% | Wester وآخرون، Analysis of the VCC 2016 Evaluation Results، Interspeech 2016 |
| أفضل نظام في VCC 2016، متوسط الطبيعية على المقياس ذي 5 نقاط | 3.0 | Zhao وآخرون، نظرة عامة على VCC 2020، 2020 |
| أفضل نظام في VCC 2018 (N10): الطبيعية / حصة العينات المحكوم بأنها من المتحدث الهدف نفسه | نحو 4.1 / نحو 80% | Lorenzo-Trueba وآخرون، ورقة VCC 2018 |
| أنظمة VCC 2020 داخل اللغة نفسها التي لم تختلف اختلافا ذا دلالة إحصائية عن المتحدث الهدف في التشابه | 8 | Zhao وآخرون، نظرة عامة على VCC 2020، 2020 |
ملاحظة سياقية: اعتمد الفائز في VCC 2018 على مستخرج محتوى مدرب على مئات الساعات من الكلام الخارجي إضافة إلى مرمّز صوتي WaveNet يعتمد على المتحدث (Lorenzo-Trueba وآخرون، VCC 2018). استخدمت 3 فرق فقط في VCC 2018 خيار البيانات الخارجية. أحدث البيانات المتاحة لتحديات الكلام هي VCC 2020، إذ تحولت الدورة الرابعة عام 2023 إلى الغناء وأُعيدت تسميتها (انظر القسم 6).
2. فجوة الطبيعية: كم تبعد أفضل الأنظمة عن الكلام الحقيقي
حكم “المتحدث نفسه” لا يعني أن المقطع يبدو بشريا. فقد أبقى كل تحدٍّ تسجيلات طبيعية داخل الاختبار كمراجع، وتُظهر هذه المراجع فجوة مستمرة. تُدرج مقارنة أُجريت عام 2022 النظام USTC-2020، وهو أفضل نظام في مهمة VCC 2020 داخل اللغة نفسها، بدرجة 4.41 MOS للطبيعية مقابل 4.57 لتسجيلات الهدف الحقيقية، أي بفجوة قدرها 0.16 نقطة (4.57 ناقص 4.41) (Huang وآخرون، IEEE JSTSP 2022). وبلغ هذا النظام أيضا 82% في اختبار التشابه.
الفجوة أوسع في أنظمة اللقطة الصفرية، التي تحول إلى صوت لم تره في التدريب انطلاقا من مقطع مرجعي قصير. فقد قاست ورقة AAAI لعام 2025 درجة 3.96 MOS لنظامها مقابل 4.33 للتسجيلات المرجعية لمتحدثي VCTK، أي بفجوة 0.37 نقطة، رغم أن متنبئا آليا بـ MOS وضع الاثنين على بُعد 0.12 فقط (Yao وآخرون، StableVC، AAAI 2025). في هذا الاختبار كان المتنبئ الآلي أرحم حكما، وهذا سبب لقراءة هذه الدرجات إلى جانب اختبار استماع.
| المقياس | القيمة | المصدر |
|---|---|---|
| تسجيلات طبيعية في VCC 2016: الطبيعية / حصة الحكم بأنها من المتحدث نفسه | 4.5 / 90% | Violeta وآخرون، تحليل SVCC 2025، 2025 |
| أنظمة VCC 2016 المصنفة أقل طبيعية بدلالة إحصائية من متحدثي المصدر والهدف الحقيقيين | جميع الأنظمة | Wester وآخرون، Analysis of the VCC 2016 Evaluation Results، Interspeech 2016 |
| أفضل نظام في VCC 2018 مقابل كلام الهدف الحقيقي (اختبار ويلكوكسون للرتب الموقعة، تصحيح بونفيروني، α = 0.01) | مختلف بدلالة إحصائية في الطبيعية والتشابه معا | Lorenzo-Trueba وآخرون، ورقة VCC 2018 |
| أفضل نظام في VCC 2020 (USTC-2020) مقابل تسجيلات الهدف، MOS الطبيعية داخل اللغة نفسها | 4.41 مقابل 4.57 | Huang وآخرون، IEEE JSTSP 2022 |
| أفضل نظام قائم على سمات التعلم الذاتي الإشراف مقابل خط الأساس العادي بمخطط ميل الطيفي، MOS الطبيعية | 3.59 مقابل 2.61 | Huang وآخرون، IEEE JSTSP 2022 |
| نظام اللقطة الصفرية مقابل التسجيلات المرجعية، MOS الطبيعية لدى المستمعين (متحدثو VCTK) | 3.96 ±0.04 مقابل 4.33 ±0.04 | Yao وآخرون، StableVC، AAAI 2025 |
| المقارنة نفسها باستخدام UTMOS، وهو متنبئ آلي بالطبيعية | 4.12 مقابل 4.24 | Yao وآخرون، StableVC، AAAI 2025 |
| أفضل خط أساس من ست خطوط أساس منشورة لأنظمة اللقطة الصفرية، MOS الطبيعية لدى المستمعين | 3.67 ±0.07 | Yao وآخرون، StableVC، AAAI 2025 |
ملاحظة عن القيمة الشاذة: في VCC 2020 قيّم المستمعون اليابانيون الطبيعية داخل اللغة نفسها للنظام الرائد T10 بأنها مماثلة لطبيعية المتحدث الهدف، بينما لم يفعل المستمعون الإنجليز (Zhao وآخرون، نظرة عامة على VCC 2020). لذلك قد يعتمد حكم التكافؤ على من يستمع، ولهذا يجب أن تتضمن أي نتيجة منشورة وصف مجموعة المستمعين.
3. مقاييس الوضوح والطيف: ما الذي يمكن أن يخبرك به WER وMCD وما لا يمكن
المقاييس الموضوعية رخيصة وقابلة للتكرار، لذا تعتمد عليها الأوراق البحثية. وتتكرر منها عائلتان: الوضوح، ويُقاس بمعدل أخطاء الكلمات (WER) أو معدل أخطاء الحروف (CER) لنظام تعرف تلقائي على الكلام ينسخ الصوت المحول، والمسافة الطيفية، وهي عادة تشوه ميل-سيبسترال (MCD)، الذي يقيس مدى بعد الطيف المحول عن طيف الهدف. والقيمة الأقل هي الأفضل في كليهما.
تُظهر بيانات VCC أن WER يتتبع الطبيعية بشكل معقول ويتتبع التشابه بشكل ضعيف. في VCC 2018 ارتبط WER بمعامل -0.7127 مع الطبيعية في المهمة غير المتوازية، لكن بمعامل -0.2272 فقط مع تشابه المتحدث (Lorenzo-Trueba وآخرون، VCC 2018). ويبدو MCD أضعف كبديل للطبيعية: ففي تحدي تحويل صوت الغناء 2023 لم يرتبط ارتباطا ذا دلالة إحصائية بتقييمات الطبيعية داخل المجال لدى أي من مجموعتي المستمعين (Huang وآخرون، SVCC 2023). وللمتعرفات أيضا أنماط إخفاق خاصة بها، نغطيها في إحصائيات هلوسة التعرف على الكلام، لذا فإن WER منخفضا يخبرك بأن الكلمات نجت، لا بأن الصوت يبدو صحيحا.
| المقياس | القيمة | المصدر |
|---|---|---|
| معدل أخطاء الكلمات للتعرف التلقائي على الكلام المصدر الطبيعي، VCC 2018 | 6.40% | Lorenzo-Trueba وآخرون، ورقة VCC 2018 |
| أدنى / أعلى WER بين أنظمة Hub المحولة في VCC 2018 | 8.60% / 35.60% | Lorenzo-Trueba وآخرون، ورقة VCC 2018 |
| ارتباط WER مع MOS الطبيعية / مع التشابه، مهمة Hub المتوازية ومهمة Spoke غير المتوازية في VCC 2018 | Hub -0.6587 / -0.3218؛ Spoke -0.7127 / -0.2272 | Lorenzo-Trueba وآخرون، ورقة VCC 2018 |
| فرق VCC 2020 داخل اللغة نفسها ذات WER أقل من 5% / أكثر من 50% | 7 / 7 | Das وآخرون، التقييم الموضوعي لـ VCC 2020، 2020 |
| MCD، خط الأساس العادي بمخطط ميل الطيفي مقابل أفضل نظام في VCC 2020 (بيانات VCC 2020) | 8.47 مقابل 6.98 | Huang وآخرون، IEEE JSTSP 2022 |
| ارتباط سبيرمان بين MCD و MOS الطبيعية داخل المجال، SVCC 2023 (مستمعون يابانيون / إنجليز) | -0.28 / -0.24 (غير دال إحصائيا) | Huang وآخرون، ورقة SVCC 2023 |
| ارتباط سبيرمان بين CER المعتمد على Whisper و MOS الطبيعية داخل المجال، SVCC 2023 (مستمعون يابانيون) | -0.80 (p < 0.01) | Huang وآخرون، ورقة SVCC 2023 |
ملاحظة سياقية: التباين في VCC 2020 كبير. سجل أسوأ مشارك داخل اللغة نفسها معدل WER بلغ 96.17%، أي أن شيئا يكاد لا يبقى من الكلام بعد التحويل بالنسبة للمتعرف، بينما بقيت سبعة فرق تحت 5% (Das وآخرون، التقييم الموضوعي لـ VCC 2020).
4. تشابه تضمينات المتحدث: مفيد وشائع وهش
من مقاييس التشابه الآلية القياسية تشابه جيب التمام لتضمينات المتحدث (يسمى غالبا SECS أو SIM): يُمرَّر المقطعان عبر شبكة للتحقق من المتحدث، ثم تُقارن الزاوية بين المتجهين الناتجين. وعلى بيانات التحديات يتفق مع المستمعين جيدا على مستوى النظام. في VCC 2020 ارتبط معدل خطأ التحقق من المتحدث بمعامل 0.89 و0.90 مع تشابه المستمعين في المهمتين (Das وآخرون، التقييم الموضوعي لـ VCC 2020)، وقبل المتحقق 20 من 31 نظاما داخل اللغة نفسها بوصفها المتحدث الهدف في أكثر من 90% من المرات. ومعدل “القبول الخاطئ” هنا هو نسبة المقاطع المحولة التي يقبلها المتحقق خطأ على أنها المتحدث الهدف الحقيقي، فكلما ارتفع كان التحويل أكثر إقناعا.
أما الاتفاق على مستوى الجملة الواحدة فقصة أخرى. فقد بلغ ارتباط تضمين ECAPA-TDNN مدرب مسبقا 0.768 (ارتباط خطي) مع تقييمات البشر في أزواج أصوات حقيقية، لكنه هبط إلى 0.512 في الكلام المحول من VCC 2018 (Ahn وآخرون، VoxSim، Interspeech 2024). ووجدت دراسة عام 2025 من Ubisoft La Forge وجامعة ستيلينبوش أن نماذج التحقق تفصل بين المقاطع القصيرة والطويلة للمتحدث نفسه بدرجة أعلى بكثير من المصادفة، وأن الضوضاء والمعادلة الطيفية تغيران الدرجات، ولذلك فإن رقم SIM يقيس جزئيا ظروف التسجيل (Carbonneau وآخرون 2025). وعلى كل من يقارن برامج استنساخ الصوت استنادا إلى أرقام SIM المنشورة أن يتحقق من استخدام نموذج التضمين نفسه ومجموعة الاختبار نفسها وأطوال المقاطع نفسها.
| المقياس | القيمة | المصدر |
|---|---|---|
| أنظمة VCC 2020 داخل اللغة نفسها التي قبلها متحقق من المتحدث بوصفها المتحدث الهدف في أكثر من 90% من المرات | 20 من 31 | Das وآخرون، التقييم الموضوعي لـ VCC 2020، 2020 |
| أنظمة VCC 2020 عبر اللغات التي تجاوزت مستوى القبول الخاطئ نفسه البالغ 90% | 10 | Das وآخرون، التقييم الموضوعي لـ VCC 2020، 2020 |
| ارتباط بيرسون بين معدل خطأ المتحقق وتشابه المستمعين، VCC 2020 المهمة 1 / المهمة 2 | 0.89 / 0.90 | Das وآخرون، التقييم الموضوعي لـ VCC 2020، 2020 |
| ارتباط بيرسون بين مسافة جيب التمام للتضمين وتشابه المستمعين، VCC 2020 المهمة 1 / المهمة 2 | 0.85 / 0.82 | Das وآخرون، التقييم الموضوعي لـ VCC 2020، 2020 |
| المتعرف على المتحدث ECAPA-TDNN المدرب مسبقا مقابل تشابه البشر، أزواج كلام حقيقي (ارتباط خطي) | 0.768 | Ahn وآخرون، VoxSim، Interspeech 2024 |
| النموذج المدرب مسبقا نفسه على كلام محول من VCC 2018 (ارتباط خطي) | 0.512 | Ahn وآخرون، VoxSim، Interspeech 2024 |
| تشابه التضمين مقابل تقييمات البشر لتشابه الصوت في دراسة تركيب بنظام اللقطة الصفرية (على مستوى الجملة) | 0.55 | Li وآخرون، DMOSpeech 2025 |
| معدل الخطأ المتساوي للمتحقق عند مقارنة المقاطع القصيرة لمتحدث واحد بمقاطعه الطويلة (ECAPA-TDNN؛ 0.50 تعني استحالة التمييز) | 0.34 ±0.04 | Carbonneau وآخرون 2025 |
ملاحظة عن القيمة الشاذة: إضافة ضوضاء بنسبة إشارة إلى ضوضاء 20 dB رفعت معدل الخطأ المتساوي لـ ECAPA-TDNN نفسه، لمقاطع متحدث واحد النظيفة مقابل المضجّة، إلى 0.34، وعند 0 dB إلى 0.05 (Carbonneau وآخرون 2025). بعبارة بسيطة، يبدأ المتحقق في معاملة نسخة مضجّة من الصوت على أنها شخص مختلف.
5. داخل المجال مقابل عبر اللغات ومن أي متحدث إلى أي متحدث: أين تنهار الدرجات
تُنشر أرقام المعايير عادة للإعداد الأكثر ملاءمة: اللغة نفسها، وصوت الاستوديو، ومتحدث هدف دُرِّب عليه النموذج (التحويل من أي متحدث إلى متحدث محدد). وإذا تغير أي من ذلك انخفضت الدرجات. خسر النظام الرائد T10 في VCC 2020 نحو 0.75 نقطة MOS في الطبيعية عند الانتقال من التحويل داخل اللغة نفسها إلى التحويل عبر اللغات، وفي تلك المهمة حكم المستمعون بأن أقل من 80% من العينات تعود إلى المتحدث الهدف (Zhao وآخرون، نظرة عامة على VCC 2020). كما أعطى المستمعون درجات تشابه أقل عندما كان المقطع المرجعي بلغة المتحدث الثانية بدلا من الإنجليزية.
يأتي أشد الانخفاض من متحدثي الهدف غير المرئيين في التدريب (التحويل من أي متحدث إلى أي متحدث). ففي مقارنة IEEE JSTSP، حافظ نظام قائم على سمات التعلم الذاتي الإشراف على طبيعيته تقريبا دون تغيير، لكن تشابهه انخفض إلى النصف (Huang وآخرون، IEEE JSTSP 2022). وما زالت أنظمة اللقطة الصفرية الحديثة تُظهر هذه الفجوة: ففي الكلام ذي اللكنة والعاطفة قاس مؤلفو ICLR 2025 تشابه متحدث بلغ 0.762 للتسجيلات المرجعية مقابل 0.517 لأفضل مخرجات محولة (Zhang وآخرون، Vevo، ICLR 2025).
| المقياس | القيمة | المصدر |
|---|---|---|
| حصة USTC-2020 المحكوم بأنها من المتحدث الهدف نفسه، داخل اللغة نفسها مقابل عبر اللغات | 82% مقابل 43% | Huang وآخرون، IEEE JSTSP 2022 |
| نظام قائم على سمات التعلم الذاتي الإشراف، متحدث هدف معروف (من أي متحدث إلى متحدث محدد) مقابل متحدث هدف غير مرئي (من أي متحدث إلى أي متحدث): التشابه / MOS الطبيعية | 59% مقابل 28% / 3.59 مقابل 3.58 | Huang وآخرون، IEEE JSTSP 2022 |
| أنظمة Hub في VCC 2018 عدا الفائز، MOS الطبيعية لأزواج الجنس نفسه مقابل أزواج الجنسين المختلفين | 3.08 مقابل 2.78 | Lorenzo-Trueba وآخرون، ورقة VCC 2018 |
| تشابه المتحدث في نظام اللقطة الصفرية العامل في فضاء الترميز، داخل اللغة نفسها (الإنجليزية / الصينية) مقابل عبر اللغات (من الإنجليزية إلى الصينية / من الصينية إلى الإنجليزية) | 0.63 / 0.73 مقابل 0.52 / 0.49 | Zheng وآخرون، X-VC 2026 |
| تشابه المتحدث في الكلام ذي اللكنة والعاطفة، التسجيلات الحقيقية مقابل أفضل مخرجات محولة | 0.762 مقابل 0.517 | Zhang وآخرون، Vevo، ICLR 2025 |
ملاحظة سياقية: قيّمت ورقة فضاء الترميز لعام 2026 أزواج عبر اللغات على مجموعة فرعية مختلفة (أول 1,000 جملة لكل لغة)، لذا فإن أرقامها داخل اللغة نفسها وعبر اللغات إرشادية وليست مقارنة مضبوطة (Zheng وآخرون، X-VC 2026). وعملت نسخته المتدفقة بزمن تأخر للنموذج بلغ 240 ms.
6. تحويل صوت الغناء: تكافؤ في الطبيعية وفجوة في الهوية
يضغط الغناء على تحويل الصوت بطرق لا يفعلها الكلام: مدى طبقي أوسع، ونوتات ممتدة، وتقنيات مثل الفيبراتو. وقد تولى تحدي تحويل صوت الغناء (SVCC) صيغة التحدي عام 2023. طابق أفضل نظام في SVCC 2023 الطبيعية المرجعية عند نحو 3.9، لكنه بلغ تشابها 65% فقط مقابل 80% للمغني الحقيقي (Violeta وآخرون، تحليل SVCC 2025). وهذا عكس قصة الكلام، حيث تحققت الهوية أولا.
أضاف SVCC 2025 تحويل أسلوب الغناء، ولم يبلغ أي نظام طبيعية بمستوى البشر. وكان الأسلوب هو الجزء الصعب: كان الغناء الهوائي والغليساندو (الانزلاق بين النوتات) والفيبراتو أقل التقنيات دقة في إعادة الإنتاج. كما شكك المؤلفون في كفاية اختبار التشابه القياسي للحكم على الأسلوب. وهوية المغني صعبة التقييم أيضا: حتى العينات المرجعية لم تتجاوز نحو 70% في ذلك الاختبار.
| المقياس | القيمة | المصدر |
|---|---|---|
| مشاركات SVCC 2023 مع خطي الأساس | 24 + 2 | Huang وآخرون، ورقة SVCC 2023 |
| مستمعو SVCC 2023، الإنجليزية / اليابانية | 40 / 319 | Huang وآخرون، ورقة SVCC 2023 |
| فرق SVCC 2023 التي سجلت أكثر من 3.0 في الطبيعية، المهمة داخل المجال مقابل المهمة عبر المجالات | 14 مقابل 8 | Huang وآخرون، ورقة SVCC 2023 |
| أفضل نظام في SVCC 2023 مقابل التسجيلات المرجعية: الطبيعية / التشابه | نحو 3.9 / 65% مقابل نحو 3.9 / 80% | Violeta وآخرون، تحليل SVCC 2025، 2025 |
| أفضل أنظمة SVCC 2025 مقابل التسجيلات المرجعية: الطبيعية / تشابه الأسلوب | نحو 3.7 / 70% مقابل نحو 3.9 / 90% | Violeta وآخرون، تحليل SVCC 2025، 2025 |
| دقة الأسلوب في SVCC 2025 للغناء الهوائي / الغليساندو / الفيبراتو | 37.3% / 42.6% / 43.9% | Violeta وآخرون، تحليل SVCC 2025، 2025 |
| أقصى ارتباط سبيرمان بين أي مقياس موضوعي والدرجات الذاتية، SVCC 2025 | نحو 0.8 | Violeta وآخرون، تحليل SVCC 2025، 2025 |
ملاحظة سياقية: في SVCC 2023 كانت فجوة التشابه بين الهدف وأفضل نظام نحو 0.4 نقطة على المقياس ذي 4 نقاط في المهمتين (Huang وآخرون، SVCC 2023)، وكانت مسافة تضمين المتحدث هي المقياس الموضوعي الأكثر ارتباطا بالتشابه (-0.83 بحسب سبيرمان لدى المستمعين اليابانيين، في المهمة داخل المجال).
7. موثوقية التقييم: أعداد المستمعين والتباين والانحياز
تستند كل الأرقام أعلاه إلى تقييمات بشرية، وهذه التقييمات مشوشة. في نحو نصف جمل VCC 2018 كان الانحراف المعياري عبر تقييماتها الأربعة من المستمعين أكبر من نقطة واحدة على المقياس ذي 5 نقاط (Lo وآخرون، MOSNet). ويعالج حساب المتوسط معظم ذلك على مستوى النظام، ولهذا تبدو المتنبئات الآلية قوية هناك (ارتباط 0.957) وضعيفة على مستوى الجملة (0.642).
يحرّك تصميم الاختبار الدرجات أيضا. فقد أظهر Cooper وYamagishi أن تقييم أقوى الأنظمة معا فقط قد يخفض MOS نظام ما بنحو نقطة كاملة، لأن المستمعين يوزعون درجاتهم على المقياس كله أيا كان نطاق الجودة (Cooper وYamagishi، Interspeech 2023). ووجد مسح لـ 80 ورقة في تركيب الكلام من Interspeech 2022 أن 51 منها لم تقدم أي تعليمات للمستمعين (Chiang وآخرون 2023)، وفي الدراسة نفسها قيّم عمال الحشد من المملكة المتحدة نظاما بدرجة 2.64 بينما قيّمه عمال من الولايات المتحدة بدرجة 3.73.
| المقياس | القيمة | المصدر |
|---|---|---|
| مستمعو VCC 2018 الفريدون / الجمل المقيَّمة | 267 / 113,168 | Lorenzo-Trueba وآخرون، ورقة VCC 2018 |
| جمل VCC 2018 التي كان الانحراف المعياري لتقييماتها الأربعة أكبر من 1 | نحو النصف | Lo وآخرون، MOSNet 2019 |
| المتنبئ الآلي بـ MOS مقابل MOS البشري في VCC 2018، على مستوى الجملة مقابل مستوى النظام (ارتباط خطي) | 0.642 مقابل 0.957 | Lo وآخرون، MOSNet 2019 |
| تكلفة اختباري الاستماع في VCC 2020 (مستمعون بالإنجليزية واليابانية) | 738,128 ين (نحو 6,900 USD) | Zhao وآخرون، نظرة عامة على VCC 2020، 2020 |
| الاتفاق بين درجات المستمعين اليابانيين والإنجليز، VCC 2020 | ارتباطات من 0.965 إلى 0.984 | Zhao وآخرون، نظرة عامة على VCC 2020، 2020 |
| أكبر انخفاض في MOS لنظام واحد عند تقييمه إلى جانب أفضل 6% من الأنظمة فقط | 1.28 نقطة | Cooper وYamagishi، Interspeech 2023 |
| أوراق تركيب الكلام في Interspeech 2022 (من أصل 80) التي لم تقدم تعليمات للمستمعين | 51 | Chiang وآخرون، Interspeech 2023 |
| استجابات الحشد الملغاة في اختبار استماع شارك فيه 501 عامل | نحو 30% | Li وآخرون، DMOSpeech 2025 |
ملاحظة سياقية: تُجري الأوراق الفردية اختبارات أصغر بكثير من التحديات. فقد جمعت ورقة Interspeech لعام 2023 عن التحويل بأقرب الجيران 2,144 تقييم طبيعية من 61 مستمعا و1,636 تقييم تشابه من 208 مستمعين (Baas وآخرون، Interspeech 2023). وكانت فواصل الثقة المبلغ عنها نحو ±0.1 نقطة، لذا فإن فجوة أصغر من ذلك بين نظامين متقاربين لا تقول الكثير.
الخلاصة: معيار تشابه المتحدث وطبيعية تحويل الصوت بالأرقام
| المقياس | القيمة | المصدر |
|---|---|---|
| طبيعية أفضل نظام في VCC 2016 / أعلى تشابه | 3.0 / نحو 70% | Zhao وآخرون، نظرة عامة على VCC 2020، 2020؛ Wester وآخرون، Interspeech 2016 |
| طبيعية أفضل نظام في VCC 2018 / تشابهه | نحو 4.1 / نحو 80% | Lorenzo-Trueba وآخرون، ورقة VCC 2018 |
| تسجيلات طبيعية في VCC 2016: الطبيعية / التشابه | 4.5 / 90% | Violeta وآخرون، تحليل SVCC 2025، 2025 |
| USTC-2020 مقابل تسجيلات الهدف، MOS الطبيعية | 4.41 مقابل 4.57 | Huang وآخرون، IEEE JSTSP 2022 |
| نظام اللقطة الصفرية مقابل التسجيلات المرجعية، MOS الطبيعية لدى المستمعين | 3.96 مقابل 4.33 | Yao وآخرون، StableVC، AAAI 2025 |
| ارتباط MCD مع الطبيعية داخل المجال، SVCC 2023 | -0.28 / -0.24 (غير دال إحصائيا) | Huang وآخرون، ورقة SVCC 2023 |
| أنظمة VCC 2020 داخل اللغة نفسها التي خدعت متحققا من المتحدث في أكثر من 90% من المرات | 20 من 31 | Das وآخرون، التقييم الموضوعي لـ VCC 2020، 2020 |
| تشابه التضمين مقابل تقييمات البشر، الكلام الحقيقي مقابل الكلام المحول | 0.768 مقابل 0.512 | Ahn وآخرون، VoxSim، Interspeech 2024 |
| معدل خطأ المتحقق، مقاطع قصيرة مقابل طويلة لمتحدث واحد (0.50 = استحالة التمييز) | 0.34 | Carbonneau وآخرون 2025 |
| التشابه، التحويل إلى متحدث محدد مقابل التحويل إلى أي متحدث | 59% مقابل 28% | Huang وآخرون، IEEE JSTSP 2022 |
| التشابه، داخل اللغة نفسها مقابل التحويل من الصينية إلى الإنجليزية (نظام 2026) | 0.63 مقابل 0.49 | Zheng وآخرون، X-VC 2026 |
| تشابه المتحدث، التسجيلات الحقيقية مقابل أفضل مخرجات محولة في الكلام ذي اللكنة والعاطفة | 0.762 مقابل 0.517 | Zhang وآخرون، Vevo، ICLR 2025 |
| تشابه أفضل نظام في SVCC 2023 مقابل التسجيلات المرجعية | 65% مقابل 80% | Violeta وآخرون، تحليل SVCC 2025، 2025 |
| جمل VCC 2018 ذات انحراف معياري للتقييمات أكبر من 1 | نحو النصف | Lo وآخرون، MOSNet 2019 |
| أكبر انخفاض في MOS بسبب انحياز تسوية المدى | 1.28 نقطة | Cooper وYamagishi، Interspeech 2023 |
المنهجية والمصادر
- Toda وآخرون: The Voice Conversion Challenge 2016, Interspeech 2016 (ISCA Archive)
- Wester وWu وYamagishi: Analysis of the Voice Conversion Challenge 2016 Evaluation Results, Interspeech 2016
- Lorenzo-Trueba وآخرون: The Voice Conversion Challenge 2018: Promoting Development of Parallel and Nonparallel Methods (2018)
- Zhao وآخرون: Voice Conversion Challenge 2020: Intra-lingual semi-parallel and cross-lingual voice conversion (2020)
- Das وآخرون: Predictions of Subjective Ratings and Spoofing Assessments of Voice Conversion Challenge 2020 Submissions (2020)
- Huang وYang وHayashi وToda: A Comparative Study of Self-supervised Speech Representation Based Voice Conversion, IEEE JSTSP 2022
- Huang وآخرون: The Singing Voice Conversion Challenge 2023
- Violeta وآخرون: An Extensive Analysis of the Singing Voice Conversion Challenge 2025 Evaluation Results (2025، نسخة منقحة 2026)
- Lo وآخرون: MOSNet: Deep Learning-based Objective Assessment for Voice Conversion (2019)
- Ahn وآخرون (KAIST وSamsung Research): VoxSim: A perceptual voice similarity dataset, Interspeech 2024
- Carbonneau وآخرون (Ubisoft La Forge وجامعة ستيلينبوش): Analyzing and Improving Speaker Similarity Assessment for Speech Synthesis (2025)
- Li وKumar وJin (جامعة كولومبيا وAdobe Research): DMOSpeech (2025)
- Cooper وYamagishi (NII): Investigating Range-Equalizing Bias in Mean Opinion Score Ratings of Synthesized Speech, Interspeech 2023
- Chiang وHuang وLee (جامعة تايوان الوطنية): Why We Should Report the Details in Subjective Evaluation of TTS More Rigorously (2023)
- Yao وآخرون (جامعة نورث ويسترن بوليتكنيك وXimalaya): StableVC, AAAI 2025
- Zhang وآخرون (CUHK-Shenzhen وMeta AI): Vevo: Controllable Zero-Shot Voice Imitation, ICLR 2025
- Zheng وآخرون: X-VC: Zero-shot Streaming Voice Conversion in Codec Space (أبريل 2026)
- Baas وvan Niekerk وKamper (جامعة ستيلينبوش): Voice Conversion With Just Nearest Neighbors, Interspeech 2023
- ملاحظة حول البيانات: يسرد تحليل SVCC 2025 نتائج VCC 2020 عبر اللغات بنحو 4.0 في الطبيعية ونحو 90% في التشابه، بينما تقول ورقة منظمي VCC 2020 نفسها إن أقل من 80% من العينات عبر اللغات حُكم بأنها من المتحدث الهدف نفسه؛ ونحن نعتمد رقم المنظمين. وتختلف عدة أوراق مع نفسها بفوارق صغيرة (نص MOSNet 0.624 مقابل 0.642 في الجدول لارتباط مستوى الجملة، ونعتمد الجدول؛ ونص VoxSim 0.733 مقابل 0.752 في الجدول لأحد النماذج المدربة مسبقا؛ وDMOSpeech -0.15 مقابل -0.16 لارتباط WER)، كما يختلف عدد الأنظمة في ورقة SVCC 2025 بين النسخ (26 في النسخة الأقدم و33 في الحالية). وتُدرج ورقة JSTSP نظام USTC-2020 في الجدول نفسه مع أنظمتها دون أن توضح ما إذا كانت تلك الدرجات من اختبار الاستماع الخاص بها. ولا تعرّف ورقة SVCC 2025 درجات “دقة الأسلوب” لكل أسلوب ولا تذكر أي الأنظمة تُحسب في متوسطها، لذا ينبغي قراءتها كترتيب لدرجة الصعوبة لا كقيم مطلقة. وتستخدم درجات تشابه المتحدث من الأوراق المختلفة نماذج تضمين ومجموعات اختبار ومجموعات مستمعين مختلفة، فلا تصح المقارنة بينها عبر الصفوف، كما تستخدم أرقام 2026 عبر اللغات مجموعة اختبار فرعية تختلف عن مجموعة الأرقام داخل اللغة نفسها. وأحدث البيانات المتاحة للتحديات الخاصة بالكلام فقط هي VCC 2020؛ أما الأدلة الأحدث على تحويل الكلام فتأتي من أوراق فردية لا من اختبار استماع مشترك.
آخر تحديث: 31 أكتوبر 2026. نحدّث هذا الاستعراض كل ثلاثة أشهر، ومن المتوقع أن يأتي التحديث التالي عند نشر نتائج اختبارات الاستماع للتحدي القادم لتحويل الصوت أو لتحويل صوت الغناء.