Dans le Voice Conversion Challenge 2020, huit systèmes dans la même langue étaient statistiquement indiscernables du vrai locuteur cible aux tests de similarité, avec plus de 90% de leurs échantillons convertis jugés comme étant la même personne (Zhao et al., synthèse VCC 2020). Quatre ans plus tôt, le meilleur système de VCC 2016 obtenait en moyenne seulement 3,0 sur une échelle de naturel à 5 points, et les meilleurs systèmes convainquaient les auditeurs environ 70% du temps. Le naturel n’a pas comblé l’écart aussi nettement : aucun système de VCC 2020 n’a atteint un naturel de niveau humain, et au Singing Voice Conversion Challenge 2025 les meilleurs systèmes obtenaient environ 3,7 contre environ 3,9 pour les enregistrements réels. Ce tour d’horizon examine la façon dont la conversion de voix est mesurée plutôt que la façon dont elle est vendue ; pour les données d’adoption et de marché, voir nos statistiques sur le clonage vocal, et pour les scores d’écoute de la synthèse vocale, nos statistiques MOS sur le naturel de la parole synthétique. Nous avons agrégé des données issues des Voice Conversion Challenges de 2016, 2018 et 2020, des Singing Voice Conversion Challenges de 2023 et 2025, d’articles évalués par les pairs d’Interspeech, d’ICLR, d’AAAI et d’IEEE JSTSP, ainsi que d’études récentes sur les métriques de similarité du locuteur et le biais des tests d’écoute.
TL;DR
- 8 systèmes de VCC 2020 dans la même langue n’étaient pas significativement différents du locuteur cible en similarité (Zhao et al., synthèse VCC 2020, 2020).
- Un système zero-shot de 2025 a obtenu 3,96 de MOS de naturel contre 4,33 pour la vérité terrain (Yao et al., StableVC, AAAI 2025).
- La similarité du locuteur d’un système dans l’espace du codec, en 2026, est passée de 0,63 en anglais à 0,49 en conversion du chinois vers l’anglais (Zheng et al., X-VC 2026).
- La similarité d’un système à caractéristiques auto-supervisées est passée de 59% à 28% en passant de la conversion de n’importe quel locuteur vers un seul à la conversion de n’importe quel locuteur vers n’importe quel autre (Huang et al., IEEE JSTSP 2022).
- 20 des 31 systèmes de VCC 2020 ont trompé un système de vérification du locuteur plus de 90% du temps (Das et al., évaluation objective VCC 2020, 2020).
- La similarité des plongements du locuteur corrélait à 0,768 avec les notes humaines sur la parole réelle, mais seulement à 0,512 sur la parole convertie de VCC 2018 (Ahn et al., VoxSim, Interspeech 2024).
- Environ la moitié des énoncés de VCC 2018 avaient un écart type supérieur à 1 point sur leurs quatre notes d’auditeurs (Lo et al., MOSNet 2019).
- Le MOS d’un système peut chuter jusqu’à environ un point entier lorsqu’il est noté uniquement aux côtés de systèmes plus performants (Cooper et Yamagishi, Interspeech 2023).
- Le meilleur système de chant de SVCC 2023 égalait le naturel de la vérité terrain (environ 3,9) mais atteignait 65% de similarité contre 80% (Violeta et al., analyse SVCC 2025, 2025).
- Le chant soufflé était le style le plus difficile à convertir dans SVCC 2025, avec 37,3% de précision de style (Violeta et al., analyse SVCC 2025, 2025).
1. Une décennie de résultats de défis : de 70% à une similarité de niveau cible
La conversion de voix (VC) change à qui ressemble un enregistrement tout en conservant ce qui est dit. L’étalon commun du domaine est le Voice Conversion Challenge (VCC), où chaque équipe convertit les mêmes phrases entre les mêmes locuteurs et où un grand test d’écoute les note toutes. Le naturel est évalué sur une échelle de note moyenne d’opinion (MOS) à 5 points ; la similarité est jugée en demandant aux auditeurs si un extrait converti et un extrait réel proviennent du même locuteur.
La trajectoire est abrupte. Le meilleur système de VCC 2016 obtenait en moyenne 3,0 en naturel, alors qu’à VCC 2020 huit systèmes étaient statistiquement à égalité avec le vrai locuteur cible en similarité (Zhao et al., synthèse VCC 2020). L’ordre des progrès est ce qui est intéressant : les auditeurs ont cessé de distinguer les extraits convertis de la cible, en anglais propre et dans la même langue, avant qu’aucun système n’atteigne un naturel de niveau humain.
| Métrique | Valeur | Source |
|---|---|---|
| Groupes de recherche ayant soumis un système à VCC 2016 | 17 | Toda et al., The Voice Conversion Challenge 2016, Interspeech 2016 |
| Auditeurs du test VCC 2016, mené en environnement contrôlé | 200 | Toda et al., The Voice Conversion Challenge 2016, Interspeech 2016 |
| Meilleurs systèmes de VCC 2016, part des échantillons jugés du même locuteur que la cible | environ 70% | Wester et al., Analysis of the VCC 2016 Evaluation Results, Interspeech 2016 |
| Meilleur système de VCC 2016, naturel moyen sur l’échelle à 5 points | 3,0 | Zhao et al., synthèse VCC 2020, 2020 |
| Meilleur système de VCC 2018 (N10) : naturel / part jugée identique à la cible | environ 4,1 / environ 80% | Lorenzo-Trueba et al., article VCC 2018 |
| Systèmes de VCC 2020 dans la même langue non significativement différents du locuteur cible en similarité | 8 | Zhao et al., synthèse VCC 2020, 2020 |
Note de contexte : le vainqueur de VCC 2018 s’appuyait sur un extracteur de contenu entraîné sur des centaines d’heures de parole externe, plus un vocodeur WaveNet dépendant du locuteur (Lorenzo-Trueba et al., VCC 2018). Seules 3 équipes de VCC 2018 ont utilisé l’option de données externes. Données les plus récentes disponibles pour les défis de parole : VCC 2020, car la quatrième édition, en 2023, s’est tournée vers le chant et a été rebaptisée (voir la section 6).
2. L’écart de naturel : à quelle distance de la parole réelle se situent les meilleurs systèmes
Un verdict « même locuteur » ne signifie pas que l’extrait sonne humain. Chaque défi a gardé des enregistrements naturels dans le test comme ancres, et ces ancres montrent un écart persistant. Une comparaison de 2022 liste USTC-2020, le meilleur système de la tâche dans la même langue de VCC 2020, à 4,41 de MOS de naturel contre 4,57 pour les vrais enregistrements cibles, soit un écart de 0,16 point (4,57 moins 4,41) (Huang et al., IEEE JSTSP 2022). Ce système a aussi atteint 82% au test de similarité.
L’écart est plus large pour les systèmes zero-shot, qui convertissent vers une voix jamais vue à l’entraînement à partir d’un court extrait de référence. Un article AAAI de 2025 a mesuré 3,96 de MOS pour son système contre 4,33 pour la vérité terrain sur des locuteurs VCTK, soit un écart de 0,37 point, alors qu’un prédicteur automatique de MOS ne plaçait les deux qu’à 0,12 d’écart (Yao et al., StableVC, AAAI 2025). Dans ce test, le prédicteur automatique était le juge le plus indulgent, une raison de lire ces scores à côté d’un test d’écoute.
| Métrique | Valeur | Source |
|---|---|---|
| Enregistrements naturels dans VCC 2016 : naturel / part jugée du même locuteur | 4,5 / 90% | Violeta et al., analyse SVCC 2025, 2025 |
| Systèmes de VCC 2016 jugés significativement moins naturels que les vrais locuteurs source et cible | tous les systèmes | Wester et al., Analysis of the VCC 2016 Evaluation Results, Interspeech 2016 |
| Meilleur système de VCC 2018 contre parole cible réelle (test des rangs signés de Wilcoxon, Bonferroni, α = 0,01) | significativement différent à la fois en naturel et en similarité | Lorenzo-Trueba et al., article VCC 2018 |
| Meilleur système de VCC 2020 (USTC-2020) contre enregistrements cibles, MOS de naturel dans la même langue | 4,41 contre 4,57 | Huang et al., IEEE JSTSP 2022 |
| Meilleur système à caractéristiques auto-supervisées contre système de base à mel-spectrogramme simple, MOS de naturel | 3,59 contre 2,61 | Huang et al., IEEE JSTSP 2022 |
| Système zero-shot contre vérité terrain, MOS de naturel des auditeurs (locuteurs VCTK) | 3,96 ±0,04 contre 4,33 ±0,04 | Yao et al., StableVC, AAAI 2025 |
| Même comparaison avec UTMOS, un prédicteur automatique de naturel | 4,12 contre 4,24 | Yao et al., StableVC, AAAI 2025 |
| Meilleur de six systèmes de base zero-shot publiés, MOS de naturel des auditeurs | 3,67 ±0,07 | Yao et al., StableVC, AAAI 2025 |
Note sur les valeurs atypiques : dans VCC 2020, les auditeurs japonophones ont jugé le naturel dans la même langue du système de tête T10 comparable à celui du locuteur cible, contrairement aux auditeurs anglophones (Zhao et al., synthèse VCC 2020). Un verdict de parité peut donc dépendre de qui écoute, si bien que le panel d’auditeurs doit figurer dans tout résultat rapporté.
3. Intelligibilité et métriques spectrales : ce que le WER et le MCD peuvent et ne peuvent pas dire
Les métriques objectives sont peu coûteuses et reproductibles, c’est pourquoi les articles s’y appuient. Deux familles reviennent : l’intelligibilité, mesurée par le taux d’erreur sur les mots (WER) ou sur les caractères (CER) d’un système de reconnaissance vocale qui transcrit l’audio converti, et la distance spectrale, généralement la distorsion mel-cepstrale (MCD), qui mesure l’éloignement du spectre converti par rapport à celui de la cible. Plus c’est bas, mieux c’est pour les deux.
Les données de VCC montrent que le WER suit assez bien le naturel et mal la similarité. Dans VCC 2018, le WER corrélait à -0,7127 avec le naturel dans la tâche non parallèle mais seulement à -0,2272 avec la similarité du locuteur (Lorenzo-Trueba et al., VCC 2018). La MCD semble un indicateur du naturel encore plus faible : au Singing Voice Conversion Challenge 2023, elle ne corrélait pas significativement avec les notes de naturel dans le domaine, pour aucun des deux groupes d’auditeurs (Huang et al., SVCC 2023). Les systèmes de reconnaissance ont aussi leurs propres modes de défaillance, traités dans nos statistiques sur les hallucinations de la reconnaissance vocale ; un WER bas indique donc que les mots ont survécu, pas que la voix sonne juste.
| Métrique | Valeur | Source |
|---|---|---|
| Taux d’erreur sur les mots de l’ASR sur la parole source naturelle, VCC 2018 | 6,40% | Lorenzo-Trueba et al., article VCC 2018 |
| WER le plus bas / le plus élevé parmi les systèmes Hub convertis de VCC 2018 | 8,60% / 35,60% | Lorenzo-Trueba et al., article VCC 2018 |
| Corrélation du WER avec le MOS de naturel / avec la similarité, tâche Hub à données parallèles et tâche Spoke non parallèle de VCC 2018 | Hub -0,6587 / -0,3218 ; Spoke -0,7127 / -0,2272 | Lorenzo-Trueba et al., article VCC 2018 |
| Équipes de VCC 2020 dans la même langue avec un WER inférieur à 5% / supérieur à 50% | 7 / 7 | Das et al., évaluation objective VCC 2020, 2020 |
| MCD, système de base à mel-spectrogramme simple contre meilleur système de VCC 2020 (données VCC 2020) | 8,47 contre 6,98 | Huang et al., IEEE JSTSP 2022 |
| Corrélation de Spearman de la MCD avec le MOS de naturel dans le domaine, SVCC 2023 (auditeurs japonophones / anglophones) | -0,28 / -0,24 (non significative) | Huang et al., article SVCC 2023 |
| Corrélation de Spearman du CER basé sur Whisper avec le MOS de naturel dans le domaine, SVCC 2023 (auditeurs japonophones) | -0,80 (p < 0,01) | Huang et al., article SVCC 2023 |
Note de contexte : la dispersion dans VCC 2020 est large. La pire soumission dans la même langue a affiché un WER de 96,17%, ce qui signifie que presque rien n’a survécu à la conversion pour le système de reconnaissance, tandis que sept équipes sont restées sous 5% (Das et al., évaluation objective VCC 2020).
4. Similarité des plongements du locuteur : utile, populaire et fragile
Un score de similarité automatique standard est la similarité cosinus des plongements du locuteur (souvent appelée SECS ou SIM) : les deux extraits passent dans un réseau de vérification du locuteur et l’angle entre les vecteurs obtenus est comparé. Sur les données des défis, elle concorde bien avec les auditeurs au niveau du système. Dans VCC 2020, le taux d’erreur de la vérification du locuteur corrélait à 0,89 et 0,90 avec la similarité perçue par les auditeurs dans les deux tâches (Das et al., évaluation objective VCC 2020), et 20 des 31 systèmes dans la même langue étaient acceptés comme la cible par le vérificateur plus de 90% du temps. Le taux de « fausse acceptation » désigne ici la part des extraits convertis que le vérificateur accepte à tort comme le vrai locuteur cible ; plus il est élevé, plus la conversion est convaincante.
L’accord énoncé par énoncé est une autre histoire. Un plongement ECAPA-TDNN pré-entraîné atteignait 0,768 de corrélation linéaire avec les notes humaines sur des paires de voix réelles, mais tombait à 0,512 sur la parole convertie de VCC 2018 (Ahn et al., VoxSim, Interspeech 2024). Une étude de 2025 d’Ubisoft La Forge et de l’Université de Stellenbosch a constaté que les modèles de vérification séparent les extraits courts et longs d’un même locuteur bien au-delà du hasard, et que le bruit et l’égalisation décalent les scores ; un chiffre SIM mesure donc en partie les conditions d’enregistrement (Carbonneau et al. 2025). Quiconque compare des logiciels de clonage vocal à partir de chiffres SIM publiés devrait vérifier que le même modèle de plongement, le même jeu de test et les mêmes durées d’extraits ont été utilisés.
| Métrique | Valeur | Source |
|---|---|---|
| Systèmes de VCC 2020 dans la même langue acceptés comme la cible par un vérificateur du locuteur plus de 90% du temps | 20 sur 31 | Das et al., évaluation objective VCC 2020, 2020 |
| Systèmes interlingues de VCC 2020 au-dessus du même niveau de fausse acceptation de 90% | 10 | Das et al., évaluation objective VCC 2020, 2020 |
| Corrélation de Pearson du taux d’erreur du vérificateur avec la similarité perçue par les auditeurs, VCC 2020 Tâche 1 / Tâche 2 | 0,89 / 0,90 | Das et al., évaluation objective VCC 2020, 2020 |
| Corrélation de Pearson de la distance cosinus des plongements avec la similarité perçue par les auditeurs, VCC 2020 Tâche 1 / Tâche 2 | 0,85 / 0,82 | Das et al., évaluation objective VCC 2020, 2020 |
| Reconnaisseur de locuteur ECAPA-TDNN pré-entraîné contre similarité humaine, paires de parole réelle (corrélation linéaire) | 0,768 | Ahn et al., VoxSim, Interspeech 2024 |
| Même modèle pré-entraîné sur la parole convertie de VCC 2018 (corrélation linéaire) | 0,512 | Ahn et al., VoxSim, Interspeech 2024 |
| Similarité des plongements contre notes humaines de similarité de voix dans une étude de synthèse zero-shot (niveau de l’énoncé) | 0,55 | Li et al., DMOSpeech 2025 |
| Taux d’égale erreur du vérificateur lorsque les extraits courts d’un locuteur sont comparés à ses extraits longs (ECAPA-TDNN ; 0,50 signifie indiscernable) | 0,34 ±0,04 | Carbonneau et al. 2025 |
Note sur les valeurs atypiques : l’ajout de bruit à un rapport signal sur bruit de 20 dB a fait passer à 0,34 le taux d’égale erreur du même ECAPA-TDNN pour les extraits propres contre bruités d’un locuteur, et à 0,05 à 0 dB (Carbonneau et al. 2025). En clair, le vérificateur se met à traiter une copie bruitée d’une voix comme une autre personne.
5. Dans le domaine, interlingue et de n’importe quel locuteur vers n’importe quel autre : là où les scores s’effondrent
Les chiffres de référence sont généralement rapportés dans le cadre le plus favorable : même langue, audio de studio et un locuteur cible sur lequel le modèle s’est entraîné (conversion de n’importe quel locuteur vers un seul). Changez l’un de ces paramètres et les scores baissent. Le système de tête de VCC 2020, T10, a perdu 0,75 point de MOS en naturel en passant de la conversion dans la même langue à la conversion interlingue, et dans cette tâche moins de 80% des échantillons étaient jugés comme étant le locuteur cible (Zhao et al., synthèse VCC 2020). Les auditeurs ont aussi donné des scores de similarité plus bas lorsque l’extrait de référence était dans la seconde langue du locuteur plutôt qu’en anglais.
La chute la plus brutale vient des locuteurs cibles inconnus (conversion de n’importe quel locuteur vers n’importe quel autre). Dans la comparaison d’IEEE JSTSP, un système à caractéristiques auto-supervisées a conservé un naturel presque inchangé, mais sa similarité a été divisée par deux (Huang et al., IEEE JSTSP 2022). Les systèmes zero-shot récents montrent encore l’écart : sur de la parole accentuée et émotionnelle, les auteurs d’ICLR 2025 ont mesuré 0,762 de similarité du locuteur pour les enregistrements de vérité terrain contre 0,517 pour la meilleure sortie convertie (Zhang et al., Vevo, ICLR 2025).
| Métrique | Valeur | Source |
|---|---|---|
| USTC-2020, part jugée identique à la cible, même langue contre interlingue | 82% contre 43% | Huang et al., IEEE JSTSP 2022 |
| Système à caractéristiques auto-supervisées, locuteur cible connu (n’importe quel locuteur vers un seul) contre locuteur cible inconnu (n’importe quel locuteur vers n’importe quel autre) : similarité / MOS de naturel | 59% contre 28% / 3,59 contre 3,58 | Huang et al., IEEE JSTSP 2022 |
| Systèmes Hub de VCC 2018 autres que le vainqueur, MOS de naturel pour des paires de même genre contre de genres différents | 3,08 contre 2,78 | Lorenzo-Trueba et al., article VCC 2018 |
| Similarité du locuteur d’un système zero-shot dans l’espace du codec, même langue (anglais / chinois) contre interlingue (anglais vers chinois / chinois vers anglais) | 0,63 / 0,73 contre 0,52 / 0,49 | Zheng et al., X-VC 2026 |
| Similarité du locuteur sur de la parole accentuée et émotionnelle, enregistrements réels contre meilleure sortie convertie | 0,762 contre 0,517 | Zhang et al., Vevo, ICLR 2025 |
Note de contexte : l’article de 2026 sur le codec a évalué les paires interlingues sur un sous-ensemble différent (les 1 000 premiers énoncés par langue) ; ses chiffres dans la même langue et en interlingue sont donc indicatifs et non une comparaison contrôlée (Zheng et al., X-VC 2026). Sa version en flux continu fonctionnait avec une latence de modèle de 240 ms.
6. Conversion de voix chantée : parité de naturel, écart d’identité
Le chant met la conversion de voix à l’épreuve d’une façon que la parole ne le fait pas : tessiture plus étendue, notes tenues et techniques comme le vibrato. Le Singing Voice Conversion Challenge (SVCC) a repris le format du défi en 2023. Le meilleur système de SVCC 2023 égalait le naturel de la vérité terrain, autour de 3,9, mais n’atteignait que 65% de similarité contre 80% pour le vrai chanteur (Violeta et al., analyse SVCC 2025). C’est l’inverse de l’histoire de la parole, où l’identité était égalée en premier.
SVCC 2025 a ajouté la conversion de style de chant, et aucun système n’a atteint un naturel de niveau humain. Le style était la partie difficile : le chant soufflé, le glissando (glissement entre les notes) et le vibrato étaient les techniques les moins bien reproduites. Les auteurs se sont aussi demandé si le test de similarité standard convenait pour juger le style. L’identité du chanteur est elle aussi difficile à évaluer : même les échantillons de vérité terrain n’atteignaient qu’environ 70% à ce test.
| Métrique | Valeur | Source |
|---|---|---|
| Soumissions SVCC 2023 plus systèmes de base | 24 + 2 | Huang et al., article SVCC 2023 |
| Auditeurs SVCC 2023, anglophones / japonophones | 40 / 319 | Huang et al., article SVCC 2023 |
| Équipes de SVCC 2023 dépassant 3,0 en naturel, tâche dans le domaine contre hors domaine | 14 contre 8 | Huang et al., article SVCC 2023 |
| Meilleur système de SVCC 2023 contre vérité terrain : naturel / similarité | environ 3,9 / 65% contre environ 3,9 / 80% | Violeta et al., analyse SVCC 2025, 2025 |
| Meilleurs systèmes de SVCC 2025 contre vérité terrain : naturel / similarité de style | environ 3,7 / 70% contre environ 3,9 / 90% | Violeta et al., analyse SVCC 2025, 2025 |
| Précision de style de SVCC 2025 pour le chant soufflé / glissando / vibrato | 37,3% / 42,6% / 43,9% | Violeta et al., analyse SVCC 2025, 2025 |
| Corrélation de Spearman maximale entre une métrique objective quelconque et les scores subjectifs, SVCC 2025 | environ 0,8 | Violeta et al., analyse SVCC 2025, 2025 |
Note de contexte : à SVCC 2023, l’écart de similarité entre la cible et le meilleur système était d’environ 0,4 point sur l’échelle à 4 points dans les deux tâches (Huang et al., SVCC 2023), et la distance entre plongements du locuteur était la métrique objective la plus corrélée à la similarité (-0,83 en Spearman pour les auditeurs japonophones, tâche dans le domaine).
7. Fiabilité de l’évaluation : nombre d’auditeurs, variance et biais
Chaque chiffre ci-dessus repose sur des notes humaines, et ces notes sont bruitées. Pour environ la moitié des énoncés de VCC 2018, l’écart type de leurs quatre notes d’auditeurs dépassait 1 point sur l’échelle à 5 points (Lo et al., MOSNet). La moyenne en corrige une grande partie au niveau du système, ce qui explique pourquoi les prédicteurs automatiques paraissent solides à ce niveau (0,957 de corrélation) et faibles par énoncé (0,642).
La conception du test déplace aussi les scores. Cooper et Yamagishi ont montré que noter ensemble uniquement les systèmes les plus forts peut abaisser le MOS d’un système jusqu’à environ un point entier, car les auditeurs répartissent leurs notes sur toute l’échelle quelle que soit la plage de qualité (Cooper et Yamagishi, Interspeech 2023). Une enquête sur 80 articles de synthèse vocale d’Interspeech 2022 a révélé que 51 ne donnaient aucune consigne aux auditeurs (Chiang et al. 2023), et dans la même étude des travailleurs participatifs britanniques ont noté un système 2,64 alors que des travailleurs américains lui donnaient 3,73.
| Métrique | Valeur | Source |
|---|---|---|
| Auditeurs uniques de VCC 2018 / énoncés évalués | 267 / 113 168 | Lorenzo-Trueba et al., article VCC 2018 |
| Énoncés de VCC 2018 dont les quatre notes avaient un écart type supérieur à 1 | environ la moitié | Lo et al., MOSNet 2019 |
| Prédicteur automatique de MOS contre MOS humain sur VCC 2018, niveau de l’énoncé contre niveau du système (corrélation linéaire) | 0,642 contre 0,957 | Lo et al., MOSNet 2019 |
| Coût des deux tests d’écoute de VCC 2020 (auditeurs anglophones et japonophones) | 738 128 yens (env. 6 900 USD) | Zhao et al., synthèse VCC 2020, 2020 |
| Accord entre les scores des auditeurs japonophones et anglophones, VCC 2020 | corrélations de 0,965 à 0,984 | Zhao et al., synthèse VCC 2020, 2020 |
| Plus forte baisse de MOS pour un système noté uniquement aux côtés des 6% de systèmes les plus performants | 1,28 point | Cooper et Yamagishi, Interspeech 2023 |
| Articles de synthèse vocale d’Interspeech 2022 (sur 80) ne donnant aucune consigne aux auditeurs | 51 | Chiang et al., Interspeech 2023 |
| Réponses participatives invalidées dans un test d’écoute de 501 travailleurs | environ 30% | Li et al., DMOSpeech 2025 |
Note de contexte : les articles isolés mènent des tests bien plus petits que les défis. Un article d’Interspeech 2023 sur la conversion par plus proches voisins a recueilli 2 144 notes de naturel auprès de 61 auditeurs et 1 636 notes de similarité auprès de 208 auditeurs (Baas et al., Interspeech 2023). Ses intervalles rapportés étaient d’environ ±0,1 point, de sorte qu’un écart inférieur entre deux systèmes proches ne dit pas grand-chose.
Résumé : la référence de similarité du locuteur et de naturel en conversion de voix en chiffres
| Métrique | Valeur | Source |
|---|---|---|
| Meilleur système de VCC 2016, naturel / meilleure similarité | 3,0 / environ 70% | Zhao et al., synthèse VCC 2020, 2020 ; Wester et al., Interspeech 2016 |
| Meilleur système de VCC 2018, naturel / similarité | environ 4,1 / environ 80% | Lorenzo-Trueba et al., article VCC 2018 |
| Enregistrements naturels dans VCC 2016 : naturel / similarité | 4,5 / 90% | Violeta et al., analyse SVCC 2025, 2025 |
| USTC-2020 contre enregistrements cibles, MOS de naturel | 4,41 contre 4,57 | Huang et al., IEEE JSTSP 2022 |
| Système zero-shot contre vérité terrain, MOS de naturel des auditeurs | 3,96 contre 4,33 | Yao et al., StableVC, AAAI 2025 |
| Corrélation de la MCD avec le naturel dans le domaine, SVCC 2023 | -0,28 / -0,24 (non significative) | Huang et al., article SVCC 2023 |
| Systèmes de VCC 2020 dans la même langue trompant un vérificateur du locuteur plus de 90% du temps | 20 sur 31 | Das et al., évaluation objective VCC 2020, 2020 |
| Similarité des plongements contre notes humaines, parole réelle contre parole convertie | 0,768 contre 0,512 | Ahn et al., VoxSim, Interspeech 2024 |
| Taux d’erreur du vérificateur, extraits courts contre longs du même locuteur (0,50 = indiscernable) | 0,34 | Carbonneau et al. 2025 |
| Similarité, conversion de n’importe quel locuteur vers un seul contre vers n’importe quel autre | 59% contre 28% | Huang et al., IEEE JSTSP 2022 |
| Similarité, même langue contre conversion du chinois vers l’anglais (système de 2026) | 0,63 contre 0,49 | Zheng et al., X-VC 2026 |
| Similarité du locuteur, enregistrements réels contre meilleure sortie convertie sur parole accentuée et émotionnelle | 0,762 contre 0,517 | Zhang et al., Vevo, ICLR 2025 |
| Similarité du meilleur système de SVCC 2023 contre vérité terrain | 65% contre 80% | Violeta et al., analyse SVCC 2025, 2025 |
| Énoncés de VCC 2018 dont l’écart type des notes dépasse 1 | environ la moitié | Lo et al., MOSNet 2019 |
| Plus forte baisse de MOS due au biais d’égalisation de plage | 1,28 point | Cooper et Yamagishi, Interspeech 2023 |
Méthodologie et sources
- Toda et al. : The Voice Conversion Challenge 2016, Interspeech 2016 (ISCA Archive)
- Wester, Wu et Yamagishi : Analysis of the Voice Conversion Challenge 2016 Evaluation Results, Interspeech 2016
- Lorenzo-Trueba et al. : The Voice Conversion Challenge 2018: Promoting Development of Parallel and Nonparallel Methods (2018)
- Zhao et al. : Voice Conversion Challenge 2020: Intra-lingual semi-parallel and cross-lingual voice conversion (2020)
- Das et al. : Predictions of Subjective Ratings and Spoofing Assessments of Voice Conversion Challenge 2020 Submissions (2020)
- Huang, Yang, Hayashi et Toda : A Comparative Study of Self-supervised Speech Representation Based Voice Conversion, IEEE JSTSP 2022
- Huang et al. : The Singing Voice Conversion Challenge 2023
- Violeta et al. : An Extensive Analysis of the Singing Voice Conversion Challenge 2025 Evaluation Results (2025, révisé en 2026)
- Lo et al. : MOSNet: Deep Learning-based Objective Assessment for Voice Conversion (2019)
- Ahn et al. (KAIST et Samsung Research) : VoxSim: A perceptual voice similarity dataset, Interspeech 2024
- Carbonneau et al. (Ubisoft La Forge et Université de Stellenbosch) : Analyzing and Improving Speaker Similarity Assessment for Speech Synthesis (2025)
- Li, Kumar et Jin (Université Columbia et Adobe Research) : DMOSpeech (2025)
- Cooper et Yamagishi (NII) : Investigating Range-Equalizing Bias in Mean Opinion Score Ratings of Synthesized Speech, Interspeech 2023
- Chiang, Huang et Lee (Université nationale de Taïwan) : Why We Should Report the Details in Subjective Evaluation of TTS More Rigorously (2023)
- Yao et al. (Université polytechnique du Nord-Ouest et Ximalaya) : StableVC, AAAI 2025
- Zhang et al. (CUHK-Shenzhen et Meta AI) : Vevo: Controllable Zero-Shot Voice Imitation, ICLR 2025
- Zheng et al. : X-VC: Zero-shot Streaming Voice Conversion in Codec Space (avril 2026)
- Baas, van Niekerk et Kamper (Université de Stellenbosch) : Voice Conversion With Just Nearest Neighbors, Interspeech 2023
- Note sur les données : l’analyse de SVCC 2025 rapporte les résultats interlingues de VCC 2020 à environ 4,0 de naturel et environ 90% de similarité, alors que l’article des organisateurs de VCC 2020 indique que moins de 80% des échantillons interlingues ont été jugés identiques à la cible ; nous retenons le chiffre des organisateurs. Plusieurs articles se contredisent en interne de peu (texte de MOSNet 0,624 contre 0,642 dans le tableau pour la corrélation au niveau de l’énoncé, où nous retenons le tableau ; texte de VoxSim 0,733 contre 0,752 dans le tableau pour un modèle pré-entraîné ; DMOSpeech -0,15 contre -0,16 pour la corrélation du WER), et le nombre de systèmes de l’article SVCC 2025 diffère selon les versions (26 dans la version antérieure, 33 dans la version actuelle). L’article de JSTSP liste USTC-2020 dans le même tableau que ses propres systèmes sans préciser si ces scores proviennent de son propre test d’écoute. L’article SVCC 2025 ne définit pas ses scores de « précision de style » par style et n’indique pas quels systèmes ils moyennent ; il faut donc les lire comme un classement de difficulté plutôt que comme des valeurs absolues. Les scores de similarité du locuteur provenant d’articles différents utilisent des modèles de plongement, des jeux de test et des panels d’auditeurs différents, et ne sont donc pas comparables d’une ligne à l’autre, et les chiffres interlingues de 2026 utilisent un sous-ensemble de test différent de celui des chiffres dans la même langue. Les données les plus récentes disponibles pour les défis portant uniquement sur la parole sont celles de VCC 2020 ; les preuves plus récentes sur la VC de parole proviennent d’articles isolés, et non d’un test d’écoute commun.
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 résultats des tests d’écoute du prochain Voice Conversion Challenge ou Singing Voice Conversion Challenge.