Le meilleur modèle de synthèse de voix chantée entraîné sur le corpus Opencpop a obtenu 3,70 sur une échelle de note moyenne d’opinion (MOS) à 5 points, tandis que les enregistrements de la chanteuse professionnelle elle-même ont obtenu 4,51 (Wang et al., article Opencpop, Interspeech 2022). Dans quatre autres articles de benchmark, le meilleur modèle se situait entre 3,81 et 4,01, contre 4,30 à 4,54 pour les enregistrements réels (voir la section 4). Les humains ne sont pas parfaits non plus : 24 adultes chantant Joyeux anniversaire de mémoire ont manqué leurs notes cibles d’une médiane de 19 cents, soit environ un cinquième de demi-ton (Mauch, Frieler et Dixon, JASA 2014), et l’auditeur médian ne détecte une voix désaccordée qu’à partir d’environ 55 cents (Larrouy-Maestri, Harrison et Müllensiefen, Behavior Research Methods 2019). La synthèse vocale a atteint la parité sur plusieurs benchmarks, comme le montre notre tour d’horizon des statistiques MOS de la parole synthétique, mais pas le chant. Nous avons agrégé des données issues des articles sur les corpus Opencpop, M4Singer, GTSinger et ACE-Opencpop, des Singing Voice Conversion Challenges de 2023 et 2025, du défi de détection de deepfakes SVDD 2024, du benchmark de notation SingMOS-Pro, ainsi que de recherches évaluées par les pairs sur le chant publiées dans JASA, Frontiers in Psychology, PLoS One et le Journal of Research in Music Education.
TL;DR
- Le meilleur modèle de référence Opencpop a obtenu 3,70 MOS contre 4,51 pour les enregistrements originaux (Wang et al., article Opencpop, Interspeech 2022).
- 24 chanteurs adultes ont atteint les notes avec une erreur médiane de 19 cents (Mauch, Frieler et Dixon, JASA 2014).
- 28% de 50 chanteurs occasionnels ont été classés comme chanteurs à la justesse déficiente (Berkowska et Dalla Bella, Frontiers in Psychology 2013).
- Seuls 37% de 1 046 personnes reproduisaient correctement la hauteur selon une règle stricte de 50 cents (Pfordresher et Demorest, JRME 2021).
- L’auditeur médian détecte un désaccord à partir d’un décalage de 54,989 cents (Larrouy-Maestri, Harrison et Müllensiefen, Behavior Research Methods 2019).
- Donner à DiffSinger la courbe de hauteur du vrai chanteur a fait passer le MOS de prosodie de 3,72 à 4,02, mais la qualité audio seulement de 3,92 à 3,97 (Zhang et al., M4Singer, NeurIPS 2022).
- VISinger 2 est tombé de 3,96 à 3,02 MOS sans son synthétiseur DSP (Zhang et al., article VISinger 2 2022).
- CoMelSinger s’est approché à 0,24 point de naturel des enregistrements pour des chanteurs inconnus (Zhao et al., CoMelSinger 2026).
- ACE-Opencpop ajoute 128,9 heures de chant synthétisé issues de 30 voix (Shi et al., article ACE-Opencpop 2024).
- Aucun système n’a atteint un naturel de niveau humain dans SVCC 2025, les meilleurs systèmes se situant près de 3,7 contre environ 3,9 pour le chant réel (article d’analyse SVCC 2025).
- SingMOS-Pro a recueilli 44 247 notes de qualité auprès de 78 annotateurs (article du benchmark SingMOS-Pro 2026).
- Le meilleur détecteur SVDD 2024 a atteint un taux d’égale erreur de 1,65% (Zhang et al., article du défi SVDD 2024).
1. La référence humaine : avec quelle justesse les gens chantent réellement
La justesse se mesure en cents : 100 cents équivalent à un demi-ton, l’écart entre deux touches voisines d’un piano. Une erreur médiane de 19 cents par note chez 24 chanteurs sans accompagnement (Mauch, Frieler et Dixon, JASA 2014) est la cible réaliste pour un chanteur synthétique, pas zéro. Même les voix entraînées dévient : les professionnels sont devenus moins exacts sur les intervalles, et non plus exacts, lorsqu’ils sont passés à la technique lyrique.
La dispersion dans la population est large. Seuls 24% des participants non entraînés reproduisaient correctement la hauteur, dans le même jeu de données où 37% de l’échantillon complet y parvenaient (Pfordresher et Demorest, JRME 2021). Le tempo explique une grande partie de la différence : dans une étude classique portant sur 62 chanteurs occasionnels, la plupart des 15 non-musiciens retestés à un tempo plus lent ont égalé la justesse des professionnels, et seuls deux ont continué à commettre de nombreuses erreurs de hauteur (Dalla Bella, Giguère et Peretz, JASA 2007).
| Métrique | Valeur | Source |
|---|---|---|
| Erreur médiane par note, 24 adultes chantant Joyeux anniversaire sans accompagnement | 19 cents | Mauch, Frieler et Dixon, JASA 2014 |
| Dérive de hauteur absolue médiane sur une interprétation d’environ 50 secondes | 11 cents | Mauch, Frieler et Dixon, JASA 2014 |
| Écart moyen par intervalle, 14 chanteurs professionnels chantant sans technique lyrique | 32,81 cents | Larrouy-Maestri et Morsomme, Logopedics Phoniatrics Vocology 2014 |
| Écart moyen par intervalle, 63 chanteurs occasionnels sans formation formelle | 50,83 cents | Larrouy-Maestri et Morsomme, Logopedics Phoniatrics Vocology 2014 |
| Écart moyen par intervalle, les mêmes professionnels utilisant la technique lyrique (opératique) | 62,13 cents | Larrouy-Maestri et Morsomme, Logopedics Phoniatrics Vocology 2014 |
| Chanteurs occasionnels classés comme chanteurs à la justesse déficiente (2 écarts types de la moyenne du groupe) | 28% (14 sur 50) | Berkowska et Dalla Bella, Frontiers in Psychology 2013 |
| Personnes reproduisant correctement la hauteur (90% ou plus des notes à moins de 50 cents), échantillon combiné de 1 046 | 37% | Pfordresher et Demorest, JRME 2021 |
| Chant classé comme juste lorsque le critère est assoupli à 100 cents | 94% | Pfordresher et Demorest, JRME 2021 |
Données disponibles les plus récentes : Pfordresher et Demorest, Journal of Research in Music Education 2021. La part de chanteurs à la justesse déficiente varie avec le seuil : sur des hauteurs chantées isolées, 6% des mêmes 50 chanteurs occasionnels dépassaient la ligne des 2 ET mais 58% dépassaient 50 cents, si bien que tout chiffre de prévalence mis en avant ne vaut que ce que vaut son seuil.
2. Tolérance des auditeurs : quelle erreur de hauteur l’oreille pardonne
Les chanteurs synthétiques n’ont pas besoin de battre un accordeur, ils doivent battre un auditeur. La capacité de l’auditeur médian à détecter un désaccord correspondait à un décalage de hauteur vocale de 54,989 cents dans la calibration du Mistuning Perception Test auprès de 333 personnes, 95% des auditeurs se situant entre 36,309 et 82,589 cents (Larrouy-Maestri, Harrison et Müllensiefen, Behavior Research Methods 2019). C’est environ la moitié d’un demi-ton, bien au-dessus de l’erreur médiane de 19 cents par note de la section 1, bien que les deux tests mesurent des choses différentes.
Les auditeurs ordinaires jugent tout de même la hauteur de façon cohérente. Les notes des juges profanes suivaient l’écart d’intervalle mesuré presque aussi étroitement que celles des experts, et ils étaient globalement plus sévères (Larrouy-Maestri et al., PLoS One 2015). Pour un modèle de synthèse, cela signifie qu’un public non spécialiste est un panel de test valable pour les erreurs de hauteur, et pas seulement un panel de coachs vocaux.
| Métrique | Valeur | Source |
|---|---|---|
| Seuil de détection, formation musicale faible contre élevée (score de formation Gold-MSI 10 contre 40) | 65,173 contre 43,219 cents | Larrouy-Maestri, Harrison et Müllensiefen, Behavior Research Methods 2019 |
| Détection correcte du désaccord, décalage le plus petit contre le plus grand testé (10 à 100 cents, hasard = 50%) | 51,2% à 81,5% | Larrouy-Maestri, Harrison et Müllensiefen, Behavior Research Methods 2019 |
| Corrélation avec l’écart d’intervalle mesuré : 3 juges experts contre juges profanes | environ .83 contre environ .79 | Larrouy-Maestri et al., PLoS One 2015 |
| Écart moyen par intervalle sur 166 interprétations de Joyeux anniversaire évaluées | 55,97 cents (étendue de 10,10 à 383) | Larrouy-Maestri et al., PLoS One 2015 |
| Corrélation entre discrimination de hauteur et reproduction de hauteur, 632 volontaires | r(630) = -.31, p < 0,001 | Pfordresher et Demorest, JRME 2021 |
Données disponibles les plus récentes : Larrouy-Maestri, Harrison et Müllensiefen, 2019. Le test décalait toute la piste vocale d’une valeur constante : il mesure donc la tolérance envers un chanteur faux de bout en bout, et non envers des erreurs variant d’une note à l’autre, que les auteurs laissent à de futurs travaux.
3. Métriques objectives de hauteur : ce que mesurent les articles sur la SVS
Les articles de synthèse de voix chantée (SVS) notent la hauteur avec la RMSE de F0, la racine de l’erreur quadratique moyenne entre la fréquence fondamentale générée et la réelle (F0, la courbe de hauteur). Aucun des articles SVS que nous avons examinés n’exprimait cette erreur en cents : les tableaux d’Opencpop, de VISinger 2 et de CSSinger ne donnent aucune unité, et ACE-Opencpop utilise une échelle logarithmique de F0. Les études humaines utilisent les cents, il n’existe donc pas encore de score de hauteur propre « machine contre humain ».
Ce que les chiffres montrent, c’est le classement au sein d’un benchmark. Sur Opencpop, un modèle Conformer a réduit la RMSE de F0 de 29,99 à 26,72 par rapport à un modèle de référence Transformer (Wang et al., article Opencpop, Interspeech 2022), et VISinger 2 a atteint 26,0 avec 25,7M de paramètres contre 137,5M pour CpopSing (Zhang et al., article VISinger 2 2022). La justesse au demi-ton, rapportée en pourcentage, est la métrique la plus proche d’un score de type humain, bien que l’article ACE-Opencpop n’en détaille pas la formule.
| Métrique | Valeur | Source |
|---|---|---|
| RMSE de F0 sur le jeu de test Opencpop, modèle de référence Transformer contre Conformer (unité non précisée) | 29,99 contre 26,72 | Wang et al., article Opencpop, Interspeech 2022 |
| Corrélation de F0 avec le vrai chanteur, modèles de référence Opencpop | 0,893 à 0,904 | Wang et al., article Opencpop, Interspeech 2022 |
| RMSE de F0 à 22 kHz : VISinger 2 contre VISinger contre CpopSing | 26,0 contre 33,7 contre 28,5 | Zhang et al., article VISinger 2 2022 |
| Taille du modèle : VISinger 2 contre CpopSing | 25,7M contre 137,5M de paramètres | Zhang et al., article VISinger 2 2022 |
| Justesse au demi-ton de VISinger2 : ACE-Opencpop en mandarin contre corpus japonais Kiritan | 65,19% contre 49,33% | Shi et al., article ACE-Opencpop 2024 |
| RMSE de F0, corrélation de F0 et erreur voisé/non voisé de CSSinger-FS sur Opencpop | 28,601, 0,919 et 0,107 | Cui et al., CSSinger 2024 |
| RMSE de F0 sur ACE-Opencpop : SVS à modèle de langage de parole contre TokSing contre XiaoiceSing | 62,79 contre 55,83 contre 71,67 | Zhao et al., article SVS à modèle de langage de parole 2025 |
L’erreur voisé/non voisé suit la fréquence à laquelle un modèle confond un son voisé (les cordes vocales vibrent, il existe donc une hauteur) avec un son non voisé. L’écart de 49,33% à 65,19% de justesse au demi-ton pour la même architecture suggère que le score dépend fortement du corpus : les résultats de corpus différents ne peuvent donc pas être classés les uns par rapport aux autres.
4. Naturel : l’écart de MOS entre chant synthétique et chant réel
Le MOS est la note moyenne attribuée par un panel d’écoute sur une échelle de 1 à 5, et chaque article ici a testé des enregistrements réels aux côtés des modèles. Sur cinq articles de benchmark, l’écart entre le meilleur modèle et le chant réel allait de 0,45 à 0,81 point de MOS (4,30 moins 3,85 sur PopCS, 4,51 moins 3,70 sur Opencpop). La synthèse vocale a rapporté une parité avec les enregistrements sur plusieurs benchmarks ; le chant reste en retrait d’environ un demi-point ou plus.
Les travaux zero-shot les plus récents réduisent cet écart. Zero-shot signifie que le modèle chante avec une voix qu’il n’a jamais entendue pendant l’entraînement. CoMelSinger, révisé en avril 2026, s’est approché à 0,24 point de naturel des enregistrements réels pour des chanteurs qu’il n’avait jamais entendus (4,35 moins 4,11), le plus petit écart de cet ensemble (Zhao et al., CoMelSinger 2026). Les panels sont toutefois petits, souvent de 10 à 20 auditeurs : une avance de 0,1 point est rarement décisive.
| Métrique | Valeur | Source |
|---|---|---|
| MOS sur Opencpop : meilleur modèle de référence (CpopSing) contre enregistrements | 3,70 contre 4,51 | Wang et al., article Opencpop, Interspeech 2022 |
| MOS sur PopCS : DiffSinger contre enregistrements | 3,85 contre 4,30 | Liu et al., DiffSinger, AAAI 2022 |
| MOS de qualité audio sur M4Singer : DiffSinger contre enregistrements | 3,92 contre 4,52 | Zhang et al., M4Singer, NeurIPS 2022 |
| MOS à 44,1 kHz : VISinger 2 contre enregistrements | 3,81 contre 4,32 | Zhang et al., article VISinger 2 2022 |
| MOS de qualité audio sur GTSinger : StyleSinger contre enregistrements | 4,01 contre 4,54 | Zhang et al., GTSinger, NeurIPS 2024 |
| MOS de naturel, chanteurs vus à l’entraînement : CoMelSinger contre enregistrements | 4,02 contre 4,38 | Zhao et al., CoMelSinger 2026 |
| MOS de naturel, chanteurs inconnus (zero-shot) : CoMelSinger contre enregistrements | 4,11 contre 4,35 | Zhao et al., CoMelSinger 2026 |
Données les plus récentes disponibles pour ces corpus : les lignes Opencpop, PopCS, M4Singer et VISinger 2 datent de 2022 ; elles marquent donc le point de référence de chaque corpus, et non l’état de l’art actuel. Des chiffres d’adoption plus larges pour les outils musicaux d’IA figurent dans nos statistiques sur la génération de musique par IA.
5. Là où la hauteur compte : ce qui change quand le modèle obtient la bonne F0
Le test le plus net consiste à fournir au modèle la courbe de hauteur du vrai chanteur et à mesurer ce qui s’améliore. Lorsque DiffSinger a reçu la vraie F0, son MOS de prosodie a augmenté de 0,30 point (3,72 à 4,02) alors que la qualité audio n’a augmenté que de 0,05 (3,92 à 3,97) (Zhang et al., M4Singer, NeurIPS 2022). La prosodie désigne ici la cohérence et le naturel de la ligne mélodique. Une meilleure hauteur comble une partie de cet écart, mais même avec la vraie F0 les deux scores restent inférieurs aux enregistrements (4,47 et 4,52) : la hauteur n’est donc qu’une limite parmi d’autres.
Les techniques dynamiques sont les plus difficiles. Dans le Singing Voice Conversion Challenge 2025, une tâche de conversion plutôt qu’une synthèse à partir de partition, les styles que les organisateurs décrivent comme comportant de fortes composantes dynamiques (soufflé, glissando, vibrato) ont obtenu la plus faible justesse de style, tandis que les styles surtout statiques comme le fausset ont obtenu la plus élevée (article d’analyse SVCC 2025).
| Métrique | Valeur | Source |
|---|---|---|
| Erreur absolue moyenne de F0 et exactitude voisé/non voisé, DiffSinger avec F0 prédite contre vraie F0 | 8,9990 contre 1,7061 ; 0,9406 contre 0,9856 | Zhang et al., M4Singer, NeurIPS 2022 |
| MOS de VISinger 2, modèle complet contre sans le synthétiseur DSP | 3,96 contre 3,02 | Zhang et al., article VISinger 2 2022 |
| MOS de VISinger 2 sans le module auxiliaire de mel-spectre | 3,85 | Zhang et al., article VISinger 2 2022 |
| Justesse de style SVCC 2025 : soufflé, glissando, vibrato | 37,3%, 42,6%, 43,9% | Article d’analyse SVCC 2025 |
| Justesse de style SVCC 2025 : pharyngé, voix mixte, fausset | 44,8%, 48,3%, 48,8% | Article d’analyse SVCC 2025 |
Les auteurs d’Opencpop ont signalé que leurs modèles de référence montraient une capacité limitée sur les hauteurs rares de la longue traîne de la distribution d’entraînement, une limite difficile à contourner avec un corpus à un seul chanteur.
6. Données d’entraînement : les heures de chant derrière les modèles
Les modèles de chant apprennent encore à partir de quelques heures ou quelques dizaines d’heures de chant enregistré. Le corpus Opencpop, qui sert d’ancrage à une grande partie de la littérature SVS en mandarin, contient environ 5,2 heures de chant d’une seule chanteuse professionnelle (Wang et al., article Opencpop, Interspeech 2022). Les corpus enregistrés comme Opencpop et M4Singer exigent que les limites de notes et les partitions soient annotées à la main, ce qui explique la croissance lente des données de chant réel.
La solution de contournement, ce sont les données synthétiques. ACE-Opencpop est dérivé des partitions d’Opencpop et synthétisé avec le synthétiseur de chant ACE Studio, avec réglage manuel des contours de hauteur, des respirations et du vibrato, ce qui produit 128,9 heures ; le pré-entraînement dessus a fait passer la justesse au demi-ton de VISinger2 sur le vrai Opencpop de 64,50% à 65,18% (Shi et al., article ACE-Opencpop 2024). Un pré-entraînement sur le vrai corpus M4Singer l’a au contraire abaissée à 60,54%. ACE-Opencpop partage ses chansons avec le corpus cible : ce résultat en dit donc plus sur l’adéquation à la cible que sur le seul nombre d’heures.
| Métrique | Valeur | Source |
|---|---|---|
| Opencpop : 1 chanteuse professionnelle, 100 chansons | environ 5,2 heures, 3 756 énoncés | Wang et al., article Opencpop, Interspeech 2022 |
| M4Singer : 20 chanteurs professionnels (10 hommes, 10 femmes), 700 chansons | 29,77 heures, 20 942 énoncés | Zhang et al., M4Singer, NeurIPS 2022 |
| GTSinger : 20 chanteurs professionnels, 9 langues, 6 techniques | 80,59 heures de chant plus 16,16 heures de parole appariée | Zhang et al., GTSinger, NeurIPS 2024 |
| Corpus synthétisés ACE-Opencpop et ACE-KiSing | 128,9 heures (30 voix) et 32,5 heures (34 voix) | Shi et al., article ACE-Opencpop 2024 |
| Justesse au demi-ton de VISinger2 sur Opencpop : sans pré-entraînement contre ACE-Opencpop contre pré-entraînement M4Singer | 64,50% contre 65,18% contre 60,54% | Shi et al., article ACE-Opencpop 2024 |
| VISinger2 sur KiSing, entraîné seul contre avec ACE-KiSing ajouté : justesse au demi-ton et MOS | 68,12% à 72,51% ; 3,58 à 3,83 | Shi et al., article ACE-Opencpop 2024 |
| Chant réel regroupé à partir de 8 corpus publics pour le benchmark CtrSVDD | 47,64 heures | Zang et al., CtrSVDD 2024 |
Les neuf langues de GTSinger sont le chinois, l’anglais, le japonais, le coréen, le russe, l’espagnol, le français, l’allemand et l’italien, et ses six techniques annotées sont la voix mixte, le fausset, le soufflé, le pharyngé, le vibrato et le glissando, soit les six mêmes styles notés dans la section 5.
7. Méthodes d’évaluation et benchmarks : comment les scores sont produits
Les petits panels d’écoute sont la norme. Opencpop a utilisé 20 auditeurs par extrait, le test de VISinger 2 dix auditeurs sur 30 segments, et le test d’ACE-Opencpop 30 auditeurs sur 30 échantillons par système. Les enregistrements d’Opencpop ont obtenu 4,22 MOS dans un test et 4,77 dans un autre au sein d’un même article de 2024 (Cui et al., CSSinger 2024), une variation de 0,55 point supérieure à bien des écarts entre modèles.
Les évaluateurs automatiques aident au niveau du système, mais pas extrait par extrait. Le meilleur prédicteur de MOS sur SingMOS-Pro a atteint une corrélation linéaire de 0,88 pour classer les systèmes, mais seulement 0,58 sur les extraits individuels (article du benchmark SingMOS-Pro 2026). La détection est plus avancée : sur des données contrôlées, la meilleure équipe de SVDD 2024 a ramené le taux d’égale erreur à 1,65% (Zhang et al., article du défi SVDD 2024), un sujet traité dans nos statistiques d’investigation sur les deepfakes audio.
| Métrique | Valeur | Source |
|---|---|---|
| Taille de SingMOS-Pro | 7 981 extraits, 44 247 notes, 78 annotateurs, 11,15 heures | Article du benchmark SingMOS-Pro 2026 |
| Systèmes notés dans SingMOS-Pro (synthèse, conversion, resynthèse, vérité terrain) | 141 (60, 17, 52 et 12) | Article du benchmark SingMOS-Pro 2026 |
| Meilleur prédicteur automatique de MOS, corrélation linéaire au niveau système contre au niveau extrait | 0,88 contre 0,58 | Article du benchmark SingMOS-Pro 2026 |
| Soumissions et auditeurs de SVCC 2023 | 26 soumissions (dont 2 modèles de référence) ; 40 auditeurs anglophones et 319 japonophones | Huang et al., article SVCC 2023 |
| Corrélation de Spearman du prédicteur UTMOS avec le MOS de naturel de SVCC 2023 (Tâche 1, auditeurs japonophones) | 0,77 | Huang et al., article SVCC 2023 |
| Naturel SVCC 2025, meilleurs systèmes contre chant réel | environ 3,7 contre environ 3,9 | Article d’analyse SVCC 2025 |
| CtrSVDD chant réel contre chant deepfake, 14 méthodes de génération, 164 identités de chanteurs | 47,64 contre 260,34 heures | Zang et al., CtrSVDD 2024 |
| Taux d’égale erreur SVDD 2024 : meilleure équipe contre modèles de référence ; équipes battant les deux modèles de référence | 1,65% contre 11,16% et 12,03% ; 37 sur 47 | Zhang et al., article du défi SVDD 2024 |
Contexte : dans SVCC 2023, les meilleurs systèmes des deux tâches ont été jugés non significativement différents des échantillons naturels en matière de naturel, alors que dans SVCC 2025, qui notait aussi le style de chant, aucun système n’a atteint un naturel de niveau humain. L’analyse conclut que la modélisation du style de chant reste un défi.
Résumé : justesse et naturel de la synthèse de voix chantée en chiffres
| Métrique | Valeur | Source |
|---|---|---|
| Erreur médiane par note, 24 chanteurs adultes sans accompagnement | 19 cents | Mauch, Frieler et Dixon, JASA 2014 |
| Personnes reproduisant correctement la hauteur dans un échantillon de 1 046 | 37% | Pfordresher et Demorest, JRME 2021 |
| Chant classé comme juste selon un critère plus souple de 100 cents | 94% | Pfordresher et Demorest, JRME 2021 |
| Chanteurs occasionnels à la justesse déficiente (critère de 2 ET) | 28% (14 sur 50) | Berkowska et Dalla Bella, Frontiers in Psychology 2013 |
| Décalage de hauteur correspondant à la capacité de détection de l’auditeur médian | 54,989 cents | Larrouy-Maestri, Harrison et Müllensiefen, Behavior Research Methods 2019 |
| Meilleur modèle de référence Opencpop contre enregistrements, MOS | 3,70 contre 4,51 | Wang et al., article Opencpop, Interspeech 2022 |
| VISinger 2 contre enregistrements à 44,1 kHz, MOS | 3,81 contre 4,32 | Zhang et al., article VISinger 2 2022 |
| CoMelSinger contre enregistrements, MOS de naturel pour des chanteurs inconnus | 4,11 contre 4,35 | Zhao et al., CoMelSinger 2026 |
| Gain de MOS de prosodie contre gain de MOS de qualité audio avec la vraie F0 (DiffSinger) | +0,30 contre +0,05 | Zhang et al., M4Singer, NeurIPS 2022 |
| MOS de VISinger 2 sans son synthétiseur DSP | 3,02 (contre 3,96) | Zhang et al., article VISinger 2 2022 |
| Justesse au demi-ton de VISinger2, ACE-Opencpop contre Kiritan | 65,19% contre 49,33% | Shi et al., article ACE-Opencpop 2024 |
| Justesse de style SVCC 2025 pour le vibrato | 43,9% | Article d’analyse SVCC 2025 |
| Taille du corpus GTSinger | 80,59 heures, 20 chanteurs, 9 langues | Zhang et al., GTSinger, NeurIPS 2024 |
| Taille du corpus synthétisé ACE-Opencpop | 128,9 heures, 30 voix | Shi et al., article ACE-Opencpop 2024 |
| MOS des enregistrements Opencpop dans deux tests distincts au sein d’un même article | 4,22 contre 4,77 | Cui et al., CSSinger 2024 |
| Notes SingMOS-Pro recueillies | 44 247 auprès de 78 annotateurs | Article du benchmark SingMOS-Pro 2026 |
| Meilleur taux d’égale erreur SVDD 2024 | 1,65% | Zhang et al., article du défi SVDD 2024 |
Méthodologie et sources
- 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, décembre 2025
- Zhao et al., CoMelSinger: Discrete Token-Based Zero-Shot Singing Synthesis, révisé en avril 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, révisé en janvier 2026
- Mauch, Frieler et Dixon, Intonation in Unaccompanied Singing: Accuracy, Drift, and a Model of Reference Pitch Memory, JASA 2014
- Larrouy-Maestri et Morsomme, Criteria and Tools for Objectively Analysing the Vocal Accuracy of a Popular Song, Logopedics Phoniatrics Vocology 2014
- Larrouy-Maestri, Harrison et 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 et Dalla Bella, Uncovering Phenotypes of Poor-Pitch Singing: the Sung Performance Battery, Frontiers in Psychology 2013
- Pfordresher et Demorest, The Prevalence and Correlates of Accurate Singing, Journal of Research in Music Education 2021
- Dalla Bella, Giguère et Peretz, Singing Proficiency in the General Population, JASA 2007
- Note sur les données : les valeurs de MOS ne sont pas comparables d’un article à l’autre, car les panels d’écoute (10 à 30 personnes), les fréquences d’échantillonnage et les consignes diffèrent, et les enregistrements Opencpop ont obtenu 4,22 et 4,77 dans deux tests de l’article CSSinger. Les unités de la RMSE de F0 varient (non précisées dans la plupart des articles, logarithmiques dans ACE-Opencpop) : les chiffres de RMSE de F0 d’articles différents ne doivent donc pas être comparés directement. Les sources se contredisent sur la taille des corpus : ACE-Opencpop compte 128,9 heures dans son propre Tableau 1, environ 130 heures dans son introduction et 135 heures dans l’article sur le modèle de langage de parole de décembre 2025 ; ACE-KiSing est indiqué à la fois avec 34 et 33 chanteurs ; Opencpop fait environ 5,2 heures dans son propre article mais 5,25 heures dans les tableaux comparatifs de M4Singer et de GTSinger. La RMSE de F0 de CSSinger-FS apparaît comme 28,601 dans un tableau et 28,101 dans un autre. Les taux d’égale erreur de SVDD 2024 excluent la méthode ACESinger. Pfordresher et Demorest décrivent 50 cents comme un demi-ton alors que 50 cents correspondent à la moitié d’un demi-ton. Les scores exacts de naturel de SVCC 2023 n’apparaissent que dans des figures ; nous ne rapportons donc que les résultats de significativité. VISinger 2, CSSinger, CoMelSinger, SingMOS-Pro et l’article sur le modèle de langage de parole sont cités d’après leurs versions arXiv et ont été notés par leurs propres auteurs ; CoMelSinger et SingMOS-Pro n’indiquent aucune revue ou conférence à comité de lecture, et l’article sur le modèle de langage de parole a été soumis à un atelier, de sorte que les chiffres définitifs peuvent différer. Les études humaines sur la justesse sont toutes antérieures à 2023 et constituent les données disponibles les plus récentes.
Dernière mise à jour : 31 octobre 2026. Nous actualisons ce tour d’horizon chaque trimestre, et la prochaine révision est attendue lors de la publication des actes d’ICASSP 2027 et des résultats du prochain Singing Voice Conversion Challenge.