Model sintesis suara nyanyian terbaik yang dilatih pada korpus Opencpop meraih skor 3,70 pada skala skor opini rata-rata (MOS) 5 poin, sementara rekaman penyanyi profesionalnya sendiri meraih 4,51 (Wang et al., makalah Opencpop, Interspeech 2022). Pada empat makalah tolok ukur lainnya, model terbaik berada di antara 3,81 dan 4,01, dibanding 4,30 hingga 4,54 untuk rekaman asli (lihat bagian 4). Manusia pun tidak sempurna: 24 orang dewasa yang menyanyikan Selamat Ulang Tahun dari ingatan meleset dari nada target dengan median 19 cent, sekitar seperlima semiton (Mauch, Frieler dan Dixon, JASA 2014), dan pendengar median baru mendeteksi vokal yang sumbang pada sekitar 55 cent (Larrouy-Maestri, Harrison dan Müllensiefen, Behavior Research Methods 2019). Sintesis ucapan sudah mencapai paritas pada beberapa tolok ukur, seperti ditunjukkan rangkuman statistik MOS ucapan sintetis kami, tetapi nyanyian belum. Kami menghimpun data dari makalah korpus Opencpop, M4Singer, GTSinger dan ACE-Opencpop, Singing Voice Conversion Challenge 2023 dan 2025, tantangan deteksi deepfake SVDD 2024, tolok ukur penilaian SingMOS-Pro, serta riset nyanyian yang ditelaah sejawat di JASA, Frontiers in Psychology, PLoS One, dan Journal of Research in Music Education.
TL;DR
- Model dasar Opencpop terbaik meraih 3,70 MOS dibanding 4,51 untuk rekaman asli (Wang et al., makalah Opencpop, Interspeech 2022).
- 24 penyanyi dewasa mengenai nada dengan median kesalahan 19 cent (Mauch, Frieler dan Dixon, JASA 2014).
- 28% dari 50 penyanyi sesekali digolongkan sebagai penyanyi bernada meleset (Berkowska dan Dalla Bella, Frontiers in Psychology 2013).
- Hanya 37% dari 1.046 orang yang akurat mencocokkan nada di bawah aturan ketat 50 cent (Pfordresher dan Demorest, JRME 2021).
- Pendengar median mendeteksi nada sumbang pada pergeseran 54,989 cent (Larrouy-Maestri, Harrison dan Müllensiefen, Behavior Research Methods 2019).
- Memberi DiffSinger kurva nada penyanyi asli menaikkan MOS prosodi dari 3,72 menjadi 4,02, tetapi kualitas audio hanya dari 3,92 menjadi 3,97 (Zhang et al., M4Singer, NeurIPS 2022).
- VISinger 2 turun dari 3,96 menjadi 3,02 MOS tanpa sintesiser DSP-nya (Zhang et al., makalah VISinger 2 2022).
- CoMelSinger mendekati rekaman dalam jarak 0,24 poin kealamian untuk penyanyi yang belum pernah didengarnya (Zhao et al., CoMelSinger 2026).
- ACE-Opencpop menambahkan 128,9 jam nyanyian sintetis dari 30 suara (Shi et al., makalah ACE-Opencpop 2024).
- Tidak ada sistem yang mencapai kealamian setara manusia di SVCC 2025, dengan sistem teratas mendekati 3,7 dibanding sekitar 3,9 untuk nyanyian asli (makalah analisis SVCC 2025).
- SingMOS-Pro mengumpulkan 44.247 penilaian kualitas dari 78 anotator (makalah tolok ukur SingMOS-Pro 2026).
- Detektor SVDD 2024 terbaik mencapai tingkat kesalahan setara 1,65% (Zhang et al., makalah tantangan SVDD 2024).
1. Patokan Manusia: Seberapa Akurat Orang Benar-Benar Bernyanyi
Akurasi nada diukur dalam cent: 100 cent sama dengan satu semiton, yaitu jarak antara dua tuts piano yang bersebelahan. Median kesalahan nada 19 cent pada 24 penyanyi tanpa iringan (Mauch, Frieler dan Dixon, JASA 2014) adalah target yang realistis bagi penyanyi sintetis, bukan nol. Bahkan suara yang terlatih pun menyimpang: para profesional menjadi kurang tepat pada interval, bukan lebih tepat, ketika beralih ke teknik operatik.
Sebaran di seluruh populasi lebar. Hanya 24% partisipan tanpa pelatihan yang akurat mencocokkan nada pada dataset yang sama di mana 37% dari seluruh sampel melakukannya (Pfordresher dan Demorest, JRME 2021). Tempo menjelaskan sebagian besar perbedaan itu: dalam studi klasik terhadap 62 penyanyi sesekali, sebagian besar dari 15 non-musisi yang diuji ulang dengan tempo lebih lambat menyamai akurasi profesional, dan hanya dua yang tetap membuat banyak kesalahan nada (Dalla Bella, Giguère dan Peretz, JASA 2007).
| Metrik | Nilai | Sumber |
|---|---|---|
| Median kesalahan nada, 24 orang dewasa menyanyikan Selamat Ulang Tahun tanpa iringan | 19 cent | Mauch, Frieler dan Dixon, JASA 2014 |
| Median pergeseran nada absolut selama penampilan sekitar 50 detik | 11 cent | Mauch, Frieler dan Dixon, JASA 2014 |
| Rata-rata penyimpangan interval, 14 penyanyi profesional yang bernyanyi tanpa teknik operatik | 32,81 cent | Larrouy-Maestri dan Morsomme, Logopedics Phoniatrics Vocology 2014 |
| Rata-rata penyimpangan interval, 63 penyanyi sesekali tanpa pelatihan formal | 50,83 cent | Larrouy-Maestri dan Morsomme, Logopedics Phoniatrics Vocology 2014 |
| Rata-rata penyimpangan interval, profesional yang sama menggunakan teknik operatik (lirik) | 62,13 cent | Larrouy-Maestri dan Morsomme, Logopedics Phoniatrics Vocology 2014 |
| Penyanyi sesekali yang digolongkan bernada meleset (2 simpangan baku dari rerata kelompok) | 28% (14 dari 50) | Berkowska dan Dalla Bella, Frontiers in Psychology 2013 |
| Orang yang akurat mencocokkan nada (90% atau lebih nada dalam 50 cent), sampel gabungan 1.046 | 37% | Pfordresher dan Demorest, JRME 2021 |
| Nyanyian yang digolongkan akurat ketika kriteria dilonggarkan menjadi 100 cent | 94% | Pfordresher dan Demorest, JRME 2021 |
Data terbaru yang tersedia: Pfordresher dan Demorest, Journal of Research in Music Education 2021. Porsi penyanyi bernada meleset berayun mengikuti batas yang dipakai: pada nada tunggal yang dinyanyikan, 6% dari 50 penyanyi sesekali yang sama jatuh melewati garis 2 SD tetapi 58% jatuh melewati 50 cent, sehingga angka prevalensi utama mana pun hanya sebaik ambang batasnya.
2. Toleransi Pendengar: Seberapa Besar Kesalahan Nada yang Dimaafkan Telinga
Penyanyi sintetis tidak perlu mengalahkan alat penyetem, mereka perlu mengalahkan pendengar. Kemampuan deteksi nada sumbang pendengar median setara dengan pergeseran nada vokal 54,989 cent dalam kalibrasi Mistuning Perception Test terhadap 333 orang, dengan 95% pendengar berada di antara 36,309 dan 82,589 cent (Larrouy-Maestri, Harrison dan Müllensiefen, Behavior Research Methods 2019). Itu kira-kira setengah semiton, jauh di atas median kesalahan nada 19 cent pada bagian 1, meskipun kedua tes mengukur hal yang berbeda.
Pendengar awam tetap menilai nada secara konsisten. Skor juri awam mengikuti penyimpangan interval terukur hampir seketat skor para ahli, dan secara keseluruhan mereka lebih ketat (Larrouy-Maestri et al., PLoS One 2015). Bagi model sintesis, itu berarti audiens biasa adalah panel uji yang sah untuk kesalahan nada, bukan hanya panel pelatih vokal.
| Metrik | Nilai | Sumber |
|---|---|---|
| Ambang deteksi, pelatihan musik rendah berbanding tinggi (skor pelatihan Gold-MSI 10 berbanding 40) | 65,173 berbanding 43,219 cent | Larrouy-Maestri, Harrison dan Müllensiefen, Behavior Research Methods 2019 |
| Deteksi nada sumbang yang benar, pergeseran terkecil berbanding terbesar yang diuji (10 hingga 100 cent, peluang acak = 50%) | 51,2% hingga 81,5% | Larrouy-Maestri, Harrison dan Müllensiefen, Behavior Research Methods 2019 |
| Korelasi dengan penyimpangan interval terukur: 3 juri ahli berbanding juri awam | sekitar .83 berbanding sekitar .79 | Larrouy-Maestri et al., PLoS One 2015 |
| Rata-rata penyimpangan interval pada 166 penampilan Selamat Ulang Tahun yang dinilai | 55,97 cent (rentang 10,10 hingga 383) | Larrouy-Maestri et al., PLoS One 2015 |
| Korelasi antara diskriminasi nada dan pencocokan nada, 632 sukarelawan | r(630) = -.31, p < 0,001 | Pfordresher dan Demorest, JRME 2021 |
Data terbaru yang tersedia: Larrouy-Maestri, Harrison dan Müllensiefen, 2019. Tes tersebut menggeser seluruh trek vokal dengan jumlah konstan, sehingga mengukur toleransi terhadap penyanyi yang fals sepanjang lagu, bukan terhadap kesalahan yang berubah dari nada ke nada, yang oleh para penulis diserahkan pada penelitian mendatang.
3. Metrik Nada Objektif: Apa yang Diukur Makalah SVS
Makalah sintesis suara nyanyian (SVS) menilai nada dengan RMSE F0, akar kesalahan kuadrat rata-rata antara frekuensi fundamental yang dihasilkan dan yang asli (F0, kurva nada). Tidak ada makalah SVS yang kami tinjau yang melaporkan kesalahan itu dalam cent: tabel Opencpop, VISinger 2 dan CSSinger tidak mencantumkan satuan sama sekali, dan ACE-Opencpop memakai skala F0 logaritmik. Studi pada manusia memakai cent, sehingga skor nada ‘mesin berbanding manusia’ yang bersih belum ada.
Yang sebenarnya ditunjukkan angka-angka itu adalah peringkat di dalam satu tolok ukur. Pada Opencpop, model Conformer menurunkan RMSE F0 dari 29,99 menjadi 26,72 dibanding model dasar Transformer (Wang et al., makalah Opencpop, Interspeech 2022), dan VISinger 2 mencapai 26,0 dengan 25,7M parameter dibanding 137,5M milik CpopSing (Zhang et al., makalah VISinger 2 2022). Akurasi semiton, yang dilaporkan sebagai persentase, adalah metrik yang paling dekat dengan skor ala manusia, meskipun makalah ACE-Opencpop tidak menjabarkan rumusnya.
| Metrik | Nilai | Sumber |
|---|---|---|
| RMSE F0 pada set uji Opencpop, model dasar Transformer berbanding Conformer (satuan tidak disebutkan) | 29,99 berbanding 26,72 | Wang et al., makalah Opencpop, Interspeech 2022 |
| Korelasi F0 dengan penyanyi asli, model dasar Opencpop | 0,893 hingga 0,904 | Wang et al., makalah Opencpop, Interspeech 2022 |
| RMSE F0 pada 22 kHz: VISinger 2 berbanding VISinger berbanding CpopSing | 26,0 berbanding 33,7 berbanding 28,5 | Zhang et al., makalah VISinger 2 2022 |
| Ukuran model: VISinger 2 berbanding CpopSing | 25,7M berbanding 137,5M parameter | Zhang et al., makalah VISinger 2 2022 |
| Akurasi semiton VISinger2: ACE-Opencpop berbahasa Mandarin berbanding korpus Kiritan berbahasa Jepang | 65,19% berbanding 49,33% | Shi et al., makalah ACE-Opencpop 2024 |
| RMSE F0, korelasi F0 dan kesalahan bersuara/tak bersuara CSSinger-FS pada Opencpop | 28,601, 0,919 dan 0,107 | Cui et al., CSSinger 2024 |
| RMSE F0 pada ACE-Opencpop: SVS model bahasa ucapan berbanding TokSing berbanding XiaoiceSing | 62,79 berbanding 55,83 berbanding 71,67 | Zhao et al., makalah SVS model bahasa ucapan 2025 |
Kesalahan bersuara/tak bersuara melacak seberapa sering model keliru antara bunyi bersuara (pita suara bergetar sehingga ada nada) dan bunyi tak bersuara. Selisih akurasi semiton dari 49,33% hingga 65,19% untuk arsitektur yang sama menunjukkan skor sangat bergantung pada korpus, sehingga hasil dari korpus yang berbeda tidak bisa diperingkatkan satu sama lain.
4. Kealamian: Kesenjangan MOS antara Nyanyian Sintetis dan Nyanyian Asli
MOS adalah rata-rata penilaian yang diberikan panel pendengar pada skala 1 hingga 5, dan setiap makalah di sini menguji rekaman asli berdampingan dengan model. Di lima makalah tolok ukur, selisih antara model terbaik dan nyanyian asli berkisar dari 0,45 hingga 0,81 poin MOS (4,30 dikurangi 3,85 pada PopCS, 4,51 dikurangi 3,70 pada Opencpop). Sintesis ucapan telah melaporkan paritas dengan rekaman pada beberapa tolok ukur; nyanyian masih tertinggal sekitar setengah poin atau lebih.
Karya zero-shot terbaru mempersempit selisih itu. Zero-shot berarti model bernyanyi dengan suara yang tidak pernah didengarnya selama pelatihan. CoMelSinger, yang direvisi pada April 2026, mendekati rekaman asli dalam jarak 0,24 poin kealamian untuk penyanyi yang belum pernah didengarnya (4,35 dikurangi 4,11), selisih terkecil dalam himpunan ini (Zhao et al., CoMelSinger 2026). Namun panelnya kecil, sering 10 hingga 20 pendengar, sehingga keunggulan 0,1 poin jarang menentukan.
| Metrik | Nilai | Sumber |
|---|---|---|
| MOS pada Opencpop: model dasar terbaik (CpopSing) berbanding rekaman | 3,70 berbanding 4,51 | Wang et al., makalah Opencpop, Interspeech 2022 |
| MOS pada PopCS: DiffSinger berbanding rekaman | 3,85 berbanding 4,30 | Liu et al., DiffSinger, AAAI 2022 |
| MOS kualitas audio pada M4Singer: DiffSinger berbanding rekaman | 3,92 berbanding 4,52 | Zhang et al., M4Singer, NeurIPS 2022 |
| MOS pada 44,1 kHz: VISinger 2 berbanding rekaman | 3,81 berbanding 4,32 | Zhang et al., makalah VISinger 2 2022 |
| MOS kualitas audio pada GTSinger: StyleSinger berbanding rekaman | 4,01 berbanding 4,54 | Zhang et al., GTSinger, NeurIPS 2024 |
| MOS kealamian, penyanyi yang dilihat saat pelatihan: CoMelSinger berbanding rekaman | 4,02 berbanding 4,38 | Zhao et al., CoMelSinger 2026 |
| MOS kealamian, penyanyi yang belum pernah dilihat (zero-shot): CoMelSinger berbanding rekaman | 4,11 berbanding 4,35 | Zhao et al., CoMelSinger 2026 |
Data terbaru yang tersedia untuk korpus-korpus tersebut: baris Opencpop, PopCS, M4Singer dan VISinger 2 berasal dari 2022, sehingga menandai titik awal untuk setiap korpus, bukan kondisi terkini yang terbaik. Angka adopsi yang lebih luas untuk alat musik AI ada di statistik pembuatan musik AI kami.
5. Di Mana Nada Berperan: Apa yang Berubah Ketika Model Mendapatkan F0 yang Tepat
Pengujian paling bersih adalah memberikan kurva nada penyanyi asli kepada model dan mengukur apa yang membaik. Ketika DiffSinger menerima F0 asli, MOS prosodinya naik 0,30 poin (3,72 menjadi 4,02) sementara kualitas audio hanya naik 0,05 (3,92 menjadi 3,97) (Zhang et al., M4Singer, NeurIPS 2022). Prosodi di sini berarti koherensi dan kealamian penyampaian melodi. Nada yang lebih baik menutup sebagian selisih itu, tetapi bahkan dengan F0 asli kedua skor tetap di bawah rekaman (4,47 dan 4,52), sehingga nada hanyalah satu batasan di antara beberapa.
Teknik dinamis adalah yang tersulit. Dalam Singing Voice Conversion Challenge 2025, yaitu tugas konversi dan bukan sintesis berbasis partitur, gaya yang menurut penyelenggara memiliki komponen dinamis kuat (berdesah, glissando, vibrato) meraih akurasi gaya terendah, sedangkan gaya yang sebagian besar statis seperti falsetto meraih yang tertinggi (makalah analisis SVCC 2025).
| Metrik | Nilai | Sumber |
|---|---|---|
| Galat absolut rata-rata F0 dan akurasi bersuara/tak bersuara, DiffSinger dengan F0 prediksi berbanding F0 asli | 8,9990 berbanding 1,7061; 0,9406 berbanding 0,9856 | Zhang et al., M4Singer, NeurIPS 2022 |
| MOS VISinger 2, model penuh berbanding tanpa sintesiser DSP | 3,96 berbanding 3,02 | Zhang et al., makalah VISinger 2 2022 |
| MOS VISinger 2 tanpa modul mel-spektrum tambahan | 3,85 | Zhang et al., makalah VISinger 2 2022 |
| Akurasi gaya SVCC 2025: berdesah, glissando, vibrato | 37,3%, 42,6%, 43,9% | Makalah analisis SVCC 2025 |
| Akurasi gaya SVCC 2025: faringeal, suara campuran, falsetto | 44,8%, 48,3%, 48,8% | Makalah analisis SVCC 2025 |
Para penulis Opencpop melaporkan bahwa model dasar mereka menunjukkan kemampuan terbatas pada nada langka di ekor panjang distribusi pelatihan, sebuah batasan yang sulit dihindari oleh korpus dengan satu penyanyi.
6. Data Pelatihan: Jam Nyanyian di Balik Model
Model nyanyian masih belajar dari satu atau dua digit jam rekaman nyanyian. Korpus Opencpop yang menjadi jangkar sebagian besar literatur SVS berbahasa Mandarin berisi sekitar 5,2 jam nyanyian dari satu penyanyi wanita profesional (Wang et al., makalah Opencpop, Interspeech 2022). Korpus rekaman seperti Opencpop dan M4Singer memerlukan batas nada dan partitur musik yang dianotasi secara manual, itulah sebabnya data nyanyian asli bertambah lambat.
Jalan keluarnya adalah data sintetis. ACE-Opencpop diturunkan dari partitur Opencpop dan disintesis dengan sintesiser nyanyian ACE Studio ditambah penyetelan manual kontur nada, napas, dan vibrato, menghasilkan 128,9 jam, dan pra-pelatihan di atasnya menaikkan akurasi semiton VISinger2 pada Opencpop asli dari 64,50% menjadi 65,18% (Shi et al., makalah ACE-Opencpop 2024). Pra-pelatihan pada korpus M4Singer asli justru menurunkannya menjadi 60,54%. ACE-Opencpop berbagi lagu dengan korpus target, sehingga hasil ini lebih banyak berbicara tentang kecocokan dengan target daripada tentang jumlah jam semata.
| Metrik | Nilai | Sumber |
|---|---|---|
| Opencpop: 1 penyanyi profesional, 100 lagu | sekitar 5,2 jam, 3.756 ujaran | Wang et al., makalah Opencpop, Interspeech 2022 |
| M4Singer: 20 penyanyi profesional (10 pria, 10 wanita), 700 lagu | 29,77 jam, 20.942 ujaran | Zhang et al., M4Singer, NeurIPS 2022 |
| GTSinger: 20 penyanyi profesional, 9 bahasa, 6 teknik | 80,59 jam nyanyian ditambah 16,16 jam ucapan berpasangan | Zhang et al., GTSinger, NeurIPS 2024 |
| Korpus sintetis ACE-Opencpop dan ACE-KiSing | 128,9 jam (30 suara) dan 32,5 jam (34 suara) | Shi et al., makalah ACE-Opencpop 2024 |
| Akurasi semiton VISinger2 pada Opencpop: tanpa pra-pelatihan berbanding ACE-Opencpop berbanding pra-pelatihan M4Singer | 64,50% berbanding 65,18% berbanding 60,54% | Shi et al., makalah ACE-Opencpop 2024 |
| VISinger2 pada KiSing, dilatih sendiri berbanding dengan tambahan ACE-KiSing: akurasi semiton dan MOS | 68,12% menjadi 72,51%; 3,58 menjadi 3,83 | Shi et al., makalah ACE-Opencpop 2024 |
| Nyanyian asli yang dikumpulkan dari 8 korpus publik untuk tolok ukur CtrSVDD | 47,64 jam | Zang et al., CtrSVDD 2024 |
Sembilan bahasa GTSinger adalah Tionghoa, Inggris, Jepang, Korea, Rusia, Spanyol, Prancis, Jerman, dan Italia, dan enam teknik berlabelnya adalah suara campuran, falsetto, berdesah, faringeal, vibrato, dan glissando, enam gaya yang sama yang dinilai pada bagian 5.
7. Metode Evaluasi dan Tolok Ukur: Bagaimana Skor Dihasilkan
Panel pendengar kecil adalah hal yang lazim. Opencpop memakai 20 pendengar per klip, uji VISinger 2 memakai sepuluh pendengar pada 30 segmen, dan uji ACE-Opencpop memakai 30 pendengar pada 30 sampel per sistem. Rekaman Opencpop meraih 4,22 MOS pada satu uji dan 4,77 pada uji lain dalam satu makalah 2024 (Cui et al., CSSinger 2024), ayunan 0,55 poin yang lebih besar daripada banyak selisih antarmodel.
Penilai otomatis membantu pada tingkat sistem tetapi tidak per klip. Prediktor MOS terbaik pada SingMOS-Pro mencapai korelasi linear 0,88 saat memeringkat sistem, tetapi hanya 0,58 pada klip individual (makalah tolok ukur SingMOS-Pro 2026). Deteksi sudah lebih maju: pada data terkontrol, tim SVDD 2024 teratas menekan tingkat kesalahan setara menjadi 1,65% (Zhang et al., makalah tantangan SVDD 2024), topik yang dibahas dalam statistik forensik deepfake audio kami.
| Metrik | Nilai | Sumber |
|---|---|---|
| Ukuran SingMOS-Pro | 7.981 klip, 44.247 penilaian, 78 anotator, 11,15 jam | Makalah tolok ukur SingMOS-Pro 2026 |
| Sistem yang dinilai di SingMOS-Pro (sintesis, konversi, resintesis, data acuan asli) | 141 (60, 17, 52 dan 12) | Makalah tolok ukur SingMOS-Pro 2026 |
| Prediktor MOS otomatis terbaik, korelasi linear tingkat sistem berbanding tingkat klip | 0,88 berbanding 0,58 | Makalah tolok ukur SingMOS-Pro 2026 |
| Peserta dan pendengar SVCC 2023 | 26 peserta (termasuk 2 model dasar); 40 pendengar berbahasa Inggris dan 319 berbahasa Jepang | Huang et al., makalah SVCC 2023 |
| Korelasi Spearman prediktor UTMOS dengan MOS kealamian SVCC 2023 (Tugas 1, pendengar berbahasa Jepang) | 0,77 | Huang et al., makalah SVCC 2023 |
| Kealamian SVCC 2025, sistem teratas berbanding nyanyian asli | sekitar 3,7 berbanding sekitar 3,9 | Makalah analisis SVCC 2025 |
| CtrSVDD nyanyian asli berbanding deepfake, 14 metode pembangkitan, 164 identitas penyanyi | 47,64 berbanding 260,34 jam | Zang et al., CtrSVDD 2024 |
| Tingkat kesalahan setara SVDD 2024: tim teratas berbanding model dasar; tim yang mengalahkan kedua model dasar | 1,65% berbanding 11,16% dan 12,03%; 37 dari 47 | Zhang et al., makalah tantangan SVDD 2024 |
Konteks: di SVCC 2023 sistem teratas pada kedua tugas dinilai tidak berbeda signifikan dari sampel alami dalam hal kealamian, sedangkan di SVCC 2025, yang juga menilai gaya nyanyian, tidak ada sistem yang mencapai kealamian setara manusia. Analisis menyimpulkan bahwa pemodelan gaya nyanyian masih menjadi tantangan.
Ringkasan: Akurasi Nada dan Kealamian Sintesis Suara Nyanyian dalam Angka
| Metrik | Nilai | Sumber |
|---|---|---|
| Median kesalahan nada, 24 penyanyi dewasa tanpa iringan | 19 cent | Mauch, Frieler dan Dixon, JASA 2014 |
| Orang yang akurat mencocokkan nada dalam sampel 1.046 | 37% | Pfordresher dan Demorest, JRME 2021 |
| Nyanyian yang digolongkan akurat dengan kriteria 100 cent yang lebih longgar | 94% | Pfordresher dan Demorest, JRME 2021 |
| Penyanyi sesekali bernada meleset (kriteria 2 SD) | 28% (14 dari 50) | Berkowska dan Dalla Bella, Frontiers in Psychology 2013 |
| Pergeseran nada yang setara dengan kemampuan deteksi pendengar median | 54,989 cent | Larrouy-Maestri, Harrison dan Müllensiefen, Behavior Research Methods 2019 |
| Model dasar Opencpop terbaik berbanding rekaman, MOS | 3,70 berbanding 4,51 | Wang et al., makalah Opencpop, Interspeech 2022 |
| VISinger 2 berbanding rekaman pada 44,1 kHz, MOS | 3,81 berbanding 4,32 | Zhang et al., makalah VISinger 2 2022 |
| CoMelSinger berbanding rekaman, MOS kealamian untuk penyanyi yang belum pernah dilihat | 4,11 berbanding 4,35 | Zhao et al., CoMelSinger 2026 |
| Kenaikan MOS prosodi berbanding kenaikan MOS kualitas audio dari F0 asli (DiffSinger) | +0,30 berbanding +0,05 | Zhang et al., M4Singer, NeurIPS 2022 |
| MOS VISinger 2 tanpa sintesiser DSP-nya | 3,02 (berbanding 3,96) | Zhang et al., makalah VISinger 2 2022 |
| Akurasi semiton VISinger2, ACE-Opencpop berbanding Kiritan | 65,19% berbanding 49,33% | Shi et al., makalah ACE-Opencpop 2024 |
| Akurasi gaya SVCC 2025 untuk vibrato | 43,9% | Makalah analisis SVCC 2025 |
| Ukuran korpus GTSinger | 80,59 jam, 20 penyanyi, 9 bahasa | Zhang et al., GTSinger, NeurIPS 2024 |
| Ukuran korpus sintetis ACE-Opencpop | 128,9 jam, 30 suara | Shi et al., makalah ACE-Opencpop 2024 |
| Rekaman Opencpop dalam dua uji terpisah di satu makalah, MOS | 4,22 berbanding 4,77 | Cui et al., CSSinger 2024 |
| Penilaian SingMOS-Pro yang terkumpul | 44.247 dari 78 anotator | Makalah tolok ukur SingMOS-Pro 2026 |
| Tingkat kesalahan setara SVDD 2024 terbaik | 1,65% | Zhang et al., makalah tantangan SVDD 2024 |
Metodologi dan Sumber
- 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, Desember 2025
- Zhao et al., CoMelSinger: Discrete Token-Based Zero-Shot Singing Synthesis, direvisi April 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, direvisi Januari 2026
- Mauch, Frieler dan Dixon, Intonation in Unaccompanied Singing: Accuracy, Drift, and a Model of Reference Pitch Memory, JASA 2014
- Larrouy-Maestri dan Morsomme, Criteria and Tools for Objectively Analysing the Vocal Accuracy of a Popular Song, Logopedics Phoniatrics Vocology 2014
- Larrouy-Maestri, Harrison dan 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 dan Dalla Bella, Uncovering Phenotypes of Poor-Pitch Singing: the Sung Performance Battery, Frontiers in Psychology 2013
- Pfordresher dan Demorest, The Prevalence and Correlates of Accurate Singing, Journal of Research in Music Education 2021
- Dalla Bella, Giguère dan Peretz, Singing Proficiency in the General Population, JASA 2007
- Catatan data: nilai MOS tidak dapat dibandingkan antarmakalah, karena panel pendengar (10 hingga 30 orang), laju sampel, dan instruksi berbeda, dan rekaman Opencpop meraih 4,22 dan 4,77 pada dua uji dalam makalah CSSinger. Satuan RMSE F0 bervariasi (tidak disebutkan di sebagian besar makalah, logaritmik di ACE-Opencpop), sehingga angka RMSE F0 dari makalah yang berbeda tidak boleh dibandingkan secara langsung. Sumber saling bertentangan soal ukuran korpus: ACE-Opencpop berukuran 128,9 jam pada Tabel 1 miliknya sendiri, sekitar 130 jam pada pendahuluannya, dan 135 jam pada makalah model bahasa ucapan Desember 2025; ACE-KiSing dicantumkan dengan 34 maupun 33 penyanyi; Opencpop sekitar 5,2 jam pada makalahnya sendiri tetapi 5,25 jam pada tabel perbandingan M4Singer dan GTSinger. RMSE F0 CSSinger-FS muncul sebagai 28,601 di satu tabel dan 28,101 di tabel lain. Tingkat kesalahan setara SVDD 2024 tidak menyertakan metode ACESinger. Pfordresher dan Demorest menggambarkan 50 cent sebagai satu semiton, padahal 50 cent adalah setengah semiton. Skor kealamian pasti SVCC 2023 hanya muncul dalam gambar, sehingga kami hanya melaporkan temuan signifikansinya. VISinger 2, CSSinger, CoMelSinger, SingMOS-Pro, dan makalah model bahasa ucapan dikutip dari versi arXiv dan dinilai oleh penulisnya sendiri; CoMelSinger dan SingMOS-Pro tidak mencantumkan wahana terbit yang ditelaah sejawat, dan makalah model bahasa ucapan diajukan ke sebuah lokakarya, sehingga angka akhirnya bisa berbeda. Studi akurasi nada pada manusia semuanya terbit sebelum 2023 dan merupakan data terbaru yang tersedia.
Terakhir diperbarui: 31 Oktober 2026. Kami memperbarui rangkuman ini setiap kuartal, dan pembaruan berikutnya diperkirakan terjadi ketika prosiding ICASSP 2027 dan hasil Singing Voice Conversion Challenge berikutnya dipublikasikan.