El mejor modelo de síntesis de voz cantada entrenado con el corpus Opencpop obtuvo 3,70 en una escala de 5 puntos de puntuación media de opinión (MOS), mientras que las grabaciones de la propia cantante profesional obtuvieron 4,51 (Wang et al., artículo de Opencpop, Interspeech 2022). En otros cuatro artículos de referencia, el mejor modelo quedó entre 3,81 y 4,01, frente a 4,30 a 4,54 de las grabaciones reales (véase la sección 4). Los humanos tampoco son perfectos: 24 adultos que cantaron Cumpleaños feliz de memoria se desviaron de las notas objetivo por una mediana de 19 cents, cerca de una quinta parte de un semitono (Mauch, Frieler y Dixon, JASA 2014), y el oyente mediano solo detecta una voz desafinada a partir de unos 55 cents (Larrouy-Maestri, Harrison y Müllensiefen, Behavior Research Methods 2019). La síntesis de voz hablada ya ha alcanzado la paridad en varios benchmarks, como muestra nuestro recopilatorio de estadísticas de MOS del habla sintética, pero el canto todavía no. Reunimos datos de los artículos de los corpus Opencpop, M4Singer, GTSinger y ACE-Opencpop, de los Singing Voice Conversion Challenges de 2023 y 2025, del desafío de detección de deepfakes SVDD 2024, del benchmark de valoración SingMOS-Pro y de investigaciones revisadas por pares sobre el canto publicadas en JASA, Frontiers in Psychology, PLoS One y Journal of Research in Music Education.
TL;DR
- El mejor modelo de referencia de Opencpop obtuvo 3,70 de MOS frente a 4,51 de las grabaciones originales (Wang et al., artículo de Opencpop, Interspeech 2022).
- 24 cantantes adultos acertaron las notas con un error mediano de 19 cents (Mauch, Frieler y Dixon, JASA 2014).
- El 28% de 50 cantantes ocasionales se clasificó como cantantes con afinación deficiente (Berkowska y Dalla Bella, Frontiers in Psychology 2013).
- Solo el 37% de 1.046 personas igualaba el tono con precisión bajo una regla estricta de 50 cents (Pfordresher y Demorest, JRME 2021).
- El oyente mediano detecta la desafinación con un desplazamiento de 54,989 cents (Larrouy-Maestri, Harrison y Müllensiefen, Behavior Research Methods 2019).
- Darle a DiffSinger la curva de tono del cantante real elevó el MOS de prosodia de 3,72 a 4,02, pero la calidad de audio solo de 3,92 a 3,97 (Zhang et al., M4Singer, NeurIPS 2022).
- VISinger 2 cayó de 3,96 a 3,02 de MOS sin su sintetizador DSP (Zhang et al., artículo de VISinger 2, 2022).
- CoMelSinger quedó a 0,24 puntos de naturalidad de las grabaciones para cantantes no vistos en el entrenamiento (Zhao et al., CoMelSinger 2026).
- ACE-Opencpop añade 128,9 horas de canto sintetizado de 30 voces (Shi et al., artículo de ACE-Opencpop, 2024).
- Ningún sistema alcanzó una naturalidad de nivel humano en SVCC 2025, con los mejores cerca de 3,7 frente a unos 3,9 del canto real (artículo de análisis de SVCC 2025).
- SingMOS-Pro reunió 44.247 valoraciones de calidad de 78 anotadores (artículo del benchmark SingMOS-Pro, 2026).
- El mejor detector de SVDD 2024 alcanzó una tasa de error igual del 1,65% (Zhang et al., artículo del desafío SVDD 2024).
1. La Referencia Humana: Con Qué Precisión Canta Realmente la Gente
La precisión de afinación se mide en cents: 100 cents equivalen a un semitono, el paso entre dos teclas contiguas del piano. Un error mediano por nota de 19 cents entre 24 cantantes sin acompañamiento (Mauch, Frieler y Dixon, JASA 2014) es la meta realista para un cantante sintético, no cero. Incluso las voces entrenadas se desvían: los profesionales fueron menos exactos en los intervalos, no más, cuando pasaron a la técnica lírica.
La dispersión en la población es amplia. Solo el 24% de los participantes sin entrenamiento igualaba el tono con precisión en el mismo conjunto de datos en el que lo hacía el 37% de la muestra completa (Pfordresher y Demorest, JRME 2021). El tempo explica buena parte de la diferencia: en un estudio clásico con 62 cantantes ocasionales, la mayoría de los 15 no músicos que repitieron la prueba a un tempo más lento igualó la precisión de los profesionales, y solo dos siguieron cometiendo muchos errores de afinación (Dalla Bella, Giguère y Peretz, JASA 2007).
| Métrica | Valor | Fuente |
|---|---|---|
| Error mediano por nota, 24 adultos cantando Cumpleaños feliz sin acompañamiento | 19 cents | Mauch, Frieler y Dixon, JASA 2014 |
| Deriva absoluta mediana de afinación en una interpretación de unos 50 segundos | 11 cents | Mauch, Frieler y Dixon, JASA 2014 |
| Desviación media por intervalo, 14 cantantes profesionales cantando sin técnica lírica | 32,81 cents | Larrouy-Maestri y Morsomme, Logopedics Phoniatrics Vocology 2014 |
| Desviación media por intervalo, 63 cantantes ocasionales sin formación formal | 50,83 cents | Larrouy-Maestri y Morsomme, Logopedics Phoniatrics Vocology 2014 |
| Desviación media por intervalo, los mismos profesionales con técnica lírica (operística) | 62,13 cents | Larrouy-Maestri y Morsomme, Logopedics Phoniatrics Vocology 2014 |
| Cantantes ocasionales clasificados como cantantes con afinación deficiente (2 desviaciones estándar de la media del grupo) | 28% (14 de 50) | Berkowska y Dalla Bella, Frontiers in Psychology 2013 |
| Cantantes con igualación precisa del tono (90% o más de las notas dentro de 50 cents), muestra combinada de 1.046 | 37% | Pfordresher y Demorest, JRME 2021 |
| Canto clasificado como preciso cuando el criterio se amplía a 100 cents | 94% | Pfordresher y Demorest, JRME 2021 |
Datos más recientes disponibles: Pfordresher y Demorest, Journal of Research in Music Education 2021. La proporción de cantantes con afinación deficiente varía según el punto de corte: en notas cantadas aisladas, el 6% de los mismos 50 cantantes ocasionales quedó más allá de la línea de 2 DE, pero el 58% quedó más allá de 50 cents, de modo que cualquier cifra de prevalencia vale tanto como su umbral.
2. Tolerancia del Oyente: Cuánto Error de Afinación Perdona el Oído
Los cantantes sintéticos no necesitan superar a un afinador, necesitan superar a un oyente. La capacidad del oyente mediano para detectar desafinación equivalió a un desplazamiento de tono vocal de 54,989 cents en la calibración con 333 personas del Mistuning Perception Test, con el 95% de los oyentes entre 36,309 y 82,589 cents (Larrouy-Maestri, Harrison y Müllensiefen, Behavior Research Methods 2019). Eso equivale a aproximadamente medio semitono, muy por encima del error mediano por nota de 19 cents de la sección 1, aunque las dos pruebas miden cosas distintas.
Los oyentes comunes siguen juzgando la afinación de forma coherente. Las puntuaciones de los jueces legos siguieron la desviación de intervalo medida casi tan de cerca como las de los expertos, y fueron más estrictos en conjunto (Larrouy-Maestri et al., PLoS One 2015). Para un modelo de síntesis, eso significa que un público casual es un panel de pruebas válido para errores de afinación, y no solo un panel de profesores de canto.
| Métrica | Valor | Fuente |
|---|---|---|
| Umbral de detección, poca vs mucha formación musical (puntuación de formación del Gold-MSI 10 vs 40) | 65,173 vs 43,219 cents | Larrouy-Maestri, Harrison y Müllensiefen, Behavior Research Methods 2019 |
| Detección correcta de desafinación, menor vs mayor desplazamiento probado (10 a 100 cents, azar = 50%) | 51,2% a 81,5% | Larrouy-Maestri, Harrison y Müllensiefen, Behavior Research Methods 2019 |
| Correlación con la desviación de intervalo medida: 3 jueces expertos vs jueces legos | aprox. 0,83 vs aprox. 0,79 | Larrouy-Maestri et al., PLoS One 2015 |
| Desviación media de intervalo en 166 interpretaciones de Cumpleaños feliz valoradas | 55,97 cents (rango de 10,10 a 383) | Larrouy-Maestri et al., PLoS One 2015 |
| Correlación entre discriminación de tono e igualación de tono, 632 voluntarios | r(630) = -.31, p < 0,001 | Pfordresher y Demorest, JRME 2021 |
Datos más recientes disponibles: Larrouy-Maestri, Harrison y Müllensiefen, 2019. La prueba desplazó toda la pista vocal en una cantidad constante, así que mide la tolerancia a un cantante desafinado de principio a fin, no a errores que varían de nota en nota, algo que los autores dejan para trabajos futuros.
3. Métricas Objetivas de Afinación: Qué Miden los Artículos de SVS
Los artículos de síntesis de voz cantada (SVS) puntúan la afinación con el F0 RMSE, el error cuadrático medio entre la frecuencia fundamental generada y la real (F0, la curva de tono). Ninguno de los artículos de SVS que revisamos reportó ese error en cents: las tablas de Opencpop, VISinger 2 y CSSinger no dan unidad alguna, y ACE-Opencpop usa una escala logarítmica de F0. Los estudios con humanos usan cents, así que todavía no existe una puntuación de afinación limpia de “máquina vs humano”.
Lo que sí muestran los números es la clasificación dentro de un mismo benchmark. En Opencpop, un modelo Conformer redujo el F0 RMSE de 29,99 a 26,72 en comparación con un modelo Transformer de referencia (Wang et al., artículo de Opencpop, Interspeech 2022), y VISinger 2 alcanzó 26,0 con 25,7M de parámetros frente a los 137,5M de CpopSing (Zhang et al., artículo de VISinger 2, 2022). La precisión en semitonos, reportada como porcentaje, es la métrica más cercana a una puntuación al estilo humano, aunque el artículo de ACE-Opencpop no detalla su fórmula.
| Métrica | Valor | Fuente |
|---|---|---|
| F0 RMSE en el conjunto de prueba de Opencpop, modelo de referencia Transformer vs Conformer (unidad no indicada) | 29,99 vs 26,72 | Wang et al., artículo de Opencpop, Interspeech 2022 |
| Correlación de F0 con el cantante real, modelos de referencia de Opencpop | 0,893 a 0,904 | Wang et al., artículo de Opencpop, Interspeech 2022 |
| F0 RMSE a 22 kHz: VISinger 2 vs VISinger vs CpopSing | 26,0 vs 33,7 vs 28,5 | Zhang et al., artículo de VISinger 2, 2022 |
| Tamaño del modelo: VISinger 2 vs CpopSing | 25,7M vs 137,5M de parámetros | Zhang et al., artículo de VISinger 2, 2022 |
| Precisión en semitonos de VISinger2: ACE-Opencpop en mandarín vs corpus Kiritan en japonés | 65,19% vs 49,33% | Shi et al., artículo de ACE-Opencpop, 2024 |
| F0 RMSE, correlación de F0 y error sonoro/sordo de CSSinger-FS en Opencpop | 28,601, 0,919 y 0,107 | Cui et al., CSSinger 2024 |
| F0 RMSE en ACE-Opencpop: SVS con modelo de lenguaje del habla vs TokSing vs XiaoiceSing | 62,79 vs 55,83 vs 71,67 | Zhao et al., artículo de SVS con modelo de lenguaje del habla, 2025 |
El error sonoro/sordo indica con qué frecuencia un modelo confunde el sonido sonoro (las cuerdas vocales vibran, así que existe un tono) con el sonido sordo. La variación de 49,33% a 65,19% de precisión en semitonos para la misma arquitectura sugiere que la puntuación depende mucho del corpus, por lo que los resultados de corpus distintos no pueden clasificarse entre sí.
4. Naturalidad: La Brecha de MOS entre el Canto Sintético y el Real
El MOS es la valoración media que da un panel de oyentes en una escala de 1 a 5, y todos los artículos aquí probaron grabaciones reales junto con los modelos. En cinco artículos de referencia, la brecha entre el mejor modelo y el canto real fue de 0,45 a 0,81 puntos de MOS (4,30 menos 3,85 en PopCS, 4,51 menos 3,70 en Opencpop). La síntesis de voz hablada ha reportado paridad con las grabaciones en varios benchmarks; el canto sigue rezagado por aproximadamente medio punto o más.
Los trabajos zero-shot más recientes la reducen. Zero-shot significa que el modelo canta con una voz que nunca oyó durante el entrenamiento. CoMelSinger, revisado en abril de 2026, quedó a 0,24 puntos de naturalidad de las grabaciones reales para cantantes que nunca había oído (4,35 menos 4,11), la menor brecha de este conjunto (Zhao et al., CoMelSinger 2026). Los paneles son pequeños, sin embargo, a menudo de 10 a 20 oyentes, por lo que una ventaja de 0,1 puntos rara vez es decisiva.
| Métrica | Valor | Fuente |
|---|---|---|
| MOS en Opencpop: mejor modelo de referencia (CpopSing) vs grabaciones | 3,70 vs 4,51 | Wang et al., artículo de Opencpop, Interspeech 2022 |
| MOS en PopCS: DiffSinger vs grabaciones | 3,85 vs 4,30 | Liu et al., DiffSinger, AAAI 2022 |
| MOS de calidad de audio en M4Singer: DiffSinger vs grabaciones | 3,92 vs 4,52 | Zhang et al., M4Singer, NeurIPS 2022 |
| MOS a 44,1 kHz: VISinger 2 vs grabaciones | 3,81 vs 4,32 | Zhang et al., artículo de VISinger 2, 2022 |
| MOS de calidad de audio en GTSinger: StyleSinger vs grabaciones | 4,01 vs 4,54 | Zhang et al., GTSinger, NeurIPS 2024 |
| MOS de naturalidad, cantantes vistos en el entrenamiento: CoMelSinger vs grabaciones | 4,02 vs 4,38 | Zhao et al., CoMelSinger 2026 |
| MOS de naturalidad, cantantes no vistos (zero-shot): CoMelSinger vs grabaciones | 4,11 vs 4,35 | Zhao et al., CoMelSinger 2026 |
Datos más recientes disponibles para esos corpus: las filas de Opencpop, PopCS, M4Singer y VISinger 2 datan de 2022, por lo que marcan la línea base de cada corpus, no el estado actual de la técnica. Las cifras más amplias de adopción de herramientas de música con IA están en nuestras estadísticas de generación de música con IA.
5. Dónde Importa el Tono: Qué Cambia Cuando el Modelo Acierta el F0
La prueba más limpia entrega al modelo la curva de tono del cantante real y mide qué mejora. Cuando DiffSinger recibió el F0 real, su MOS de prosodia subió 0,30 puntos (3,72 a 4,02) mientras que la calidad de audio subió solo 0,05 (3,92 a 3,97) (Zhang et al., M4Singer, NeurIPS 2022). Prosodia aquí significa la coherencia y la naturalidad de la interpretación melódica. Un mejor tono cierra parte de esa brecha, pero incluso con el F0 real ambas puntuaciones se quedan por debajo de las grabaciones (4,47 y 4,52), así que el tono es un límite entre varios.
Las técnicas dinámicas son las más difíciles. En el Singing Voice Conversion Challenge 2025, una tarea de conversión y no de síntesis a partir de partitura, los estilos que los organizadores describen como de fuertes componentes dinámicos (aireada, glissando, vibrato) obtuvieron la menor precisión de estilo, mientras que los mayormente estáticos, como el falsete, obtuvieron la mayor (artículo de análisis de SVCC 2025).
| Métrica | Valor | Fuente |
|---|---|---|
| Error absoluto medio de F0 y precisión sonoro/sordo, DiffSinger con F0 predicho vs real | 8,9990 vs 1,7061; 0,9406 vs 0,9856 | Zhang et al., M4Singer, NeurIPS 2022 |
| MOS de VISinger 2, modelo completo vs sin el sintetizador DSP | 3,96 vs 3,02 | Zhang et al., artículo de VISinger 2, 2022 |
| MOS de VISinger 2 sin el módulo auxiliar de espectro mel | 3,85 | Zhang et al., artículo de VISinger 2, 2022 |
| Precisión de estilo en SVCC 2025: aireada, glissando, vibrato | 37,3%, 42,6%, 43,9% | Artículo de análisis de SVCC 2025 |
| Precisión de estilo en SVCC 2025: faríngea, voz mixta, falsete | 44,8%, 48,3%, 48,8% | Artículo de análisis de SVCC 2025 |
Los autores de Opencpop informaron de que sus modelos de referencia mostraron una capacidad limitada con tonos poco frecuentes en la cola larga de la distribución de entrenamiento, un límite difícil de superar con un corpus de un solo cantante.
6. Datos de Entrenamiento: Horas de Canto Detrás de los Modelos
Los modelos de canto todavía aprenden de entre una y unas pocas decenas de horas de canto grabado. El corpus Opencpop, que sustenta buena parte de la literatura de SVS en mandarín, contiene unas 5,2 horas de canto de una sola cantante profesional (Wang et al., artículo de Opencpop, Interspeech 2022). Los corpus grabados como Opencpop y M4Singer requieren anotar a mano los límites de las notas y las partituras, razón por la cual los datos de canto real crecen despacio.
La alternativa son los datos sintéticos. ACE-Opencpop se deriva de las partituras de Opencpop y se sintetizó con el sintetizador de canto ACE Studio más un ajuste manual de contornos de tono, respiraciones y vibrato, lo que produjo 128,9 horas, y el preentrenamiento con él elevó la precisión en semitonos de VISinger2 en el Opencpop real de 64,50% a 65,18% (Shi et al., artículo de ACE-Opencpop, 2024). El preentrenamiento con el corpus real M4Singer, en cambio, la bajó a 60,54%. ACE-Opencpop comparte sus canciones con el corpus objetivo, así que este resultado dice más sobre la coincidencia con el objetivo que sobre las horas por sí solas.
| Métrica | Valor | Fuente |
|---|---|---|
| Opencpop: 1 cantante profesional, 100 canciones | unas 5,2 horas, 3.756 enunciados | Wang et al., artículo de Opencpop, Interspeech 2022 |
| M4Singer: 20 cantantes profesionales (10 hombres, 10 mujeres), 700 canciones | 29,77 horas, 20.942 enunciados | Zhang et al., M4Singer, NeurIPS 2022 |
| GTSinger: 20 cantantes profesionales, 9 idiomas, 6 técnicas | 80,59 horas de canto más 16,16 horas de habla emparejada | Zhang et al., GTSinger, NeurIPS 2024 |
| Corpus sintetizados ACE-Opencpop y ACE-KiSing | 128,9 horas (30 voces) y 32,5 horas (34 voces) | Shi et al., artículo de ACE-Opencpop, 2024 |
| Precisión en semitonos de VISinger2 en Opencpop: sin preentrenamiento vs ACE-Opencpop vs preentrenamiento con M4Singer | 64,50% vs 65,18% vs 60,54% | Shi et al., artículo de ACE-Opencpop, 2024 |
| VISinger2 en KiSing, entrenado solo vs con ACE-KiSing añadido: precisión en semitonos y MOS | 68,12% a 72,51%; 3,58 a 3,83 | Shi et al., artículo de ACE-Opencpop, 2024 |
| Canto real reunido de 8 corpus públicos para el benchmark CtrSVDD | 47,64 horas | Zang et al., CtrSVDD 2024 |
Los nueve idiomas de GTSinger son chino, inglés, japonés, coreano, ruso, español, francés, alemán e italiano, y sus seis técnicas etiquetadas son voz mixta, falsete, aireada, faríngea, vibrato y glissando, los mismos seis estilos puntuados en la sección 5.
7. Métodos de Evaluación y Benchmarks: Cómo Se Producen las Puntuaciones
Los paneles de escucha pequeños son la norma. Opencpop usó 20 oyentes por clip, la prueba de VISinger 2 usó diez oyentes en 30 segmentos, y la prueba de ACE-Opencpop usó 30 oyentes en 30 muestras por sistema. Las grabaciones de Opencpop obtuvieron 4,22 de MOS en una prueba y 4,77 en otra dentro de un mismo artículo de 2024 (Cui et al., CSSinger 2024), una oscilación de 0,55 puntos mayor que muchas de las brechas entre modelos.
Los evaluadores automáticos ayudan a nivel de sistema, pero no por clip. El mejor predictor de MOS en SingMOS-Pro alcanzó una correlación lineal de 0,88 al clasificar sistemas, pero solo 0,58 en clips individuales (artículo del benchmark SingMOS-Pro, 2026). La detección va más avanzada: con datos controlados, el mejor equipo de SVDD 2024 redujo la tasa de error igual a 1,65% (Zhang et al., artículo del desafío SVDD 2024), un tema que tratamos en nuestras estadísticas de análisis forense y detección de deepfakes de audio.
| Métrica | Valor | Fuente |
|---|---|---|
| Tamaño de SingMOS-Pro | 7.981 clips, 44.247 valoraciones, 78 anotadores, 11,15 horas | Artículo del benchmark SingMOS-Pro, 2026 |
| Sistemas valorados en SingMOS-Pro (síntesis, conversión, resíntesis, referencia real) | 141 (60, 17, 52 y 12) | Artículo del benchmark SingMOS-Pro, 2026 |
| Mejor predictor automático de MOS, correlación lineal a nivel de sistema vs a nivel de clip | 0,88 vs 0,58 | Artículo del benchmark SingMOS-Pro, 2026 |
| Envíos y oyentes de SVCC 2023 | 26 envíos (incl. 2 modelos de referencia); 40 oyentes de inglés y 319 de japonés | Huang et al., artículo de SVCC 2023 |
| Correlación de Spearman del predictor UTMOS con el MOS de naturalidad de SVCC 2023 (Tarea 1, oyentes de japonés) | 0,77 | Huang et al., artículo de SVCC 2023 |
| Naturalidad en SVCC 2025, mejores sistemas vs canto real | aprox. 3,7 vs aprox. 3,9 | Artículo de análisis de SVCC 2025 |
| CtrSVDD canto real vs canto deepfake, 14 métodos de generación, 164 identidades de cantantes | 47,64 vs 260,34 horas | Zang et al., CtrSVDD 2024 |
| Tasa de error igual en SVDD 2024: mejor equipo vs modelos de referencia; equipos que superaron a ambos | 1,65% vs 11,16% y 12,03%; 37 de 47 | Zhang et al., artículo del desafío SVDD 2024 |
Contexto: en SVCC 2023 los mejores sistemas de ambas tareas fueron juzgados sin diferencias significativas respecto a las muestras naturales en naturalidad, mientras que en SVCC 2025, que también puntuó el estilo de canto, ningún sistema alcanzó una naturalidad de nivel humano. El análisis concluye que modelar el estilo de canto sigue siendo un desafío.
Resumen: Precisión de Afinación y Naturalidad de la Síntesis de Voz Cantada en Cifras
| Métrica | Valor | Fuente |
|---|---|---|
| Error mediano por nota, 24 cantantes adultos sin acompañamiento | 19 cents | Mauch, Frieler y Dixon, JASA 2014 |
| Cantantes con igualación precisa del tono en una muestra de 1.046 | 37% | Pfordresher y Demorest, JRME 2021 |
| Canto clasificado como preciso con un criterio más amplio de 100 cents | 94% | Pfordresher y Demorest, JRME 2021 |
| Cantantes ocasionales con afinación deficiente (criterio de 2 DE) | 28% (14 de 50) | Berkowska y Dalla Bella, Frontiers in Psychology 2013 |
| Desplazamiento de tono equivalente a la capacidad de detección del oyente mediano | 54,989 cents | Larrouy-Maestri, Harrison y Müllensiefen, Behavior Research Methods 2019 |
| Mejor modelo de referencia de Opencpop vs grabaciones, MOS | 3,70 vs 4,51 | Wang et al., artículo de Opencpop, Interspeech 2022 |
| VISinger 2 vs grabaciones a 44,1 kHz, MOS | 3,81 vs 4,32 | Zhang et al., artículo de VISinger 2, 2022 |
| CoMelSinger vs grabaciones, MOS de naturalidad para cantantes no vistos | 4,11 vs 4,35 | Zhao et al., CoMelSinger 2026 |
| Mejora de MOS de prosodia vs mejora de MOS de calidad de audio con el F0 real (DiffSinger) | +0,30 vs +0,05 | Zhang et al., M4Singer, NeurIPS 2022 |
| MOS de VISinger 2 sin su sintetizador DSP | 3,02 (vs 3,96) | Zhang et al., artículo de VISinger 2, 2022 |
| Precisión en semitonos de VISinger2, ACE-Opencpop vs Kiritan | 65,19% vs 49,33% | Shi et al., artículo de ACE-Opencpop, 2024 |
| Precisión de estilo de SVCC 2025 para vibrato | 43,9% | Artículo de análisis de SVCC 2025 |
| Tamaño del corpus GTSinger | 80,59 horas, 20 cantantes, 9 idiomas | Zhang et al., GTSinger, NeurIPS 2024 |
| Tamaño del corpus sintetizado ACE-Opencpop | 128,9 horas, 30 voces | Shi et al., artículo de ACE-Opencpop, 2024 |
| Grabaciones de Opencpop valoradas en dos pruebas separadas dentro de un artículo, MOS | 4,22 vs 4,77 | Cui et al., CSSinger 2024 |
| Valoraciones recopiladas en SingMOS-Pro | 44.247 de 78 anotadores | Artículo del benchmark SingMOS-Pro, 2026 |
| Mejor tasa de error igual de SVDD 2024 | 1,65% | Zhang et al., artículo del desafío SVDD 2024 |
Metodología y Fuentes
- 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, diciembre de 2025
- Zhao et al., CoMelSinger: Discrete Token-Based Zero-Shot Singing Synthesis, revisado en abril de 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, revisado en enero de 2026
- Mauch, Frieler y Dixon, Intonation in Unaccompanied Singing: Accuracy, Drift, and a Model of Reference Pitch Memory, JASA 2014
- Larrouy-Maestri y Morsomme, Criteria and Tools for Objectively Analysing the Vocal Accuracy of a Popular Song, Logopedics Phoniatrics Vocology 2014
- Larrouy-Maestri, Harrison y 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 y Dalla Bella, Uncovering Phenotypes of Poor-Pitch Singing: the Sung Performance Battery, Frontiers in Psychology 2013
- Pfordresher y Demorest, The Prevalence and Correlates of Accurate Singing, Journal of Research in Music Education 2021
- Dalla Bella, Giguère y Peretz, Singing Proficiency in the General Population, JASA 2007
- Nota sobre los datos: los valores de MOS no son comparables entre artículos, porque los paneles de oyentes (de 10 a 30 personas), las frecuencias de muestreo y las instrucciones difieren, y las grabaciones de Opencpop obtuvieron 4,22 y 4,77 en dos pruebas del artículo de CSSinger. Las unidades del F0 RMSE varían (no indicadas en la mayoría de los artículos, logarítmicas en ACE-Opencpop), así que las cifras de F0 RMSE de artículos distintos no deben compararse directamente. Las fuentes discrepan sobre el tamaño de los corpus: ACE-Opencpop tiene 128,9 horas en su propia Tabla 1, unas 130 horas en su introducción y 135 horas en el artículo de diciembre de 2025 sobre modelos de lenguaje del habla; ACE-KiSing figura con 34 y con 33 cantantes; Opencpop tiene unas 5,2 horas en su propio artículo, pero 5,25 horas en las tablas comparativas de M4Singer y GTSinger. El F0 RMSE de CSSinger-FS aparece como 28,601 en una tabla y 28,101 en otra. Las tasas de error igual de SVDD 2024 excluyen el método ACESinger. Pfordresher y Demorest describen 50 cents como un semitono, cuando 50 cents es medio semitono. Las puntuaciones exactas de naturalidad de SVCC 2023 aparecen solo en figuras, así que reportamos únicamente los resultados de significancia. VISinger 2, CSSinger, CoMelSinger, SingMOS-Pro y el artículo de modelos de lenguaje del habla se citan a partir de versiones de arXiv y fueron evaluados por sus propios autores; CoMelSinger y SingMOS-Pro no indican ninguna sede revisada por pares, y el artículo de modelos de lenguaje del habla se envió a un taller, así que las cifras finales pueden diferir. Todos los estudios de precisión de afinación en humanos son anteriores a 2023 y son los datos más recientes disponibles.
Última actualización: 31 de octubre de 2026. Actualizamos este recopilatorio trimestralmente, y la próxima revisión se espera cuando se publiquen las actas de ICASSP 2027 y los resultados del próximo Singing Voice Conversion Challenge.