Opencpopコーパスで学習した最良の歌声合成モデルは、5段階の平均オピニオン評点(MOS)で3.70を記録し、プロの歌手本人の録音は4.51だった(Wang ら、Opencpop論文、Interspeech 2022)。ほかの4本のベンチマーク論文では、最良モデルは3.81から4.01の間で、実際の録音は4.30から4.54だった(セクション4参照)。人間も完璧ではない。24人の成人が記憶だけでハッピーバースデーを歌った際、目標の音符を外した量の中央値は19セント、つまり半音の約5分の1だった(Mauch、Frieler、Dixon、JASA 2014)。また、中央値の聴き手が音程の外れたボーカルを検出できるのは約55セントからだ(Larrouy-Maestri、Harrison、Müllensiefen、Behavior Research Methods 2019)。音声合成は複数のベンチマークで人間と同等に達しており、当社の合成音声MOS統計のまとめが示すとおりだが、歌声ではまだ達していない。本記事では、Opencpop、M4Singer、GTSinger、ACE-Opencpopの各コーパス論文、2023年と2025年の歌声変換チャレンジ、SVDD 2024ディープフェイク検出チャレンジ、SingMOS-Pro評価ベンチマーク、そしてJASA、Frontiers in Psychology、PLoS One、Journal of Research in Music Educationに掲載された査読付き歌唱研究のデータを集約した。
主なポイント
- Opencpopの最良ベースラインのMOSは3.70で、元の録音は4.51だった(Wang ら、Opencpop論文、Interspeech 2022)。
- 成人の歌手24人の音符誤差の中央値は19セントだった(Mauch、Frieler、Dixon、JASA 2014)。
- アマチュア歌唱者50人のうち28%が、ピッチが不正確な歌唱者に分類された(Berkowska、Dalla Bella、Frontiers in Psychology 2013)。
- 1,046人のうち、50セントという厳格な基準でピッチを正確に合わせられたのは37%にとどまった(Pfordresher、Demorest、JRME 2021)。
- 中央値の聴き手は54.989セントのシフトで音程の外れを検出する(Larrouy-Maestri、Harrison、Müllensiefen、Behavior Research Methods 2019)。
- DiffSingerに実際の歌手のピッチカーブを与えると、プロソディMOSは3.72から4.02に上がったが、音質MOSは3.92から3.97にしか上がらなかった(Zhang ら、M4Singer、NeurIPS 2022)。
- VISinger 2はDSPシンセサイザーを外すとMOSが3.96から3.02に下がった(Zhang ら、VISinger 2論文、2022)。
- CoMelSingerは学習時に聞いていない歌手について、自然さで録音との差を0.24ポイントまで縮めた(Zhao ら、CoMelSinger 2026)。
- ACE-Opencpopは30の声による合成歌唱128.9時間を追加する(Shi ら、ACE-Opencpop論文、2024)。
- SVCC 2025では人間レベルの自然さに達したシステムはなく、上位システムは約3.7、実際の歌唱は約3.9だった(SVCC 2025分析論文)。
- SingMOS-Proは78人のアノテーターから44,247件の品質評価を集めた(SingMOS-Proベンチマーク論文、2026)。
- SVDD 2024の最良の検出器は等価エラー率1.65%に達した(Zhang ら、SVDD 2024チャレンジ論文)。
1. 人間の基準:人は実際どれくらい正確に歌えるか
ピッチ精度はセントで測る。100セントが半音1つ分で、ピアノの隣り合う鍵盤の間隔にあたる。伴奏なしで歌った24人の音符誤差の中央値19セント(Mauch、Frieler、Dixon、JASA 2014)が、合成歌手にとっての現実的な目標であり、ゼロではない。訓練を積んだ声でもぶれる。プロの歌手は、オペラ唱法に切り替えると音程(インターバル)の正確さが上がるどころか下がった。
人口全体でのばらつきは大きい。同じデータセットで、全体の37%がピッチを正確に合わせられたのに対し、訓練を受けていない参加者では24%だけだった(Pfordresher、Demorest、JRME 2021)。差の多くはテンポで説明できる。たまに歌う62人を対象とした古典的な研究では、より遅いテンポで再試験された非音楽家15人のうち大半がプロと同等の精度を示し、多くのピッチ誤差を出し続けたのは2人だけだった(Dalla Bella、Giguère、Peretz、JASA 2007)。
| 指標 | 値 | 出典 |
|---|---|---|
| 音符誤差の中央値、伴奏なしでハッピーバースデーを歌った成人24人 | 19セント | Mauch、Frieler、Dixon、JASA 2014 |
| 約50秒の演奏におけるピッチドリフトの絶対値の中央値 | 11セント | Mauch、Frieler、Dixon、JASA 2014 |
| 音程(インターバル)偏差の平均、オペラ唱法を使わずに歌ったプロの歌手14人 | 32.81セント | Larrouy-Maestri、Morsomme、Logopedics Phoniatrics Vocology 2014 |
| 音程(インターバル)偏差の平均、正式な訓練を受けていないアマチュア歌唱者63人 | 50.83セント | Larrouy-Maestri、Morsomme、Logopedics Phoniatrics Vocology 2014 |
| 音程(インターバル)偏差の平均、同じプロがオペラ(リリック)唱法を使った場合 | 62.13セント | Larrouy-Maestri、Morsomme、Logopedics Phoniatrics Vocology 2014 |
| ピッチが不正確な歌唱者に分類されたアマチュア歌唱者(グループ平均から標準偏差2つ分) | 28%(50人中14人) | Berkowska、Dalla Bella、Frontiers in Psychology 2013 |
| ピッチを正確に合わせられた人(音符の90%以上が50セント以内)、合算サンプル1,046人 | 37% | Pfordresher、Demorest、JRME 2021 |
| 基準を100セントに緩めたときに正確と分類された歌唱 | 94% | Pfordresher、Demorest、JRME 2021 |
入手可能な最新データ:Pfordresher、Demorest、Journal of Research in Music Education 2021。ピッチが不正確な歌唱者の割合は、カットオフによって大きく変わる。単一の歌唱音では、同じアマチュア歌唱者50人のうち2 SDの線を外れたのは6%だったが、50セントを外れたのは58%だった。そのため、有病率に関する見出しの数値は、どの閾値を使うかで信頼度が決まる。
2. 聴き手の許容度:耳はどれくらいのピッチ誤差を許すか
合成歌手はチューナーに勝つ必要はなく、聴き手に勝てばよい。中央値の聴き手の音程外れ検出能力は、ボーカルのピッチを54.989セントずらした場合に相当した。これはMistuning Perception Testの333人による較正の結果で、聴き手の95%は36.309から82.589セントの間だった(Larrouy-Maestri、Harrison、Müllensiefen、Behavior Research Methods 2019)。これはおよそ半音の半分にあたり、セクション1の音符誤差の中央値19セントよりかなり大きいが、2つのテストは異なるものを測っている。
一般の聴き手も、ピッチを一貫して判断できる。一般の評価者の採点は、測定された音程(インターバル)偏差と、専門家の採点とほぼ同じくらい密接に連動し、全体としてはより厳しかった(Larrouy-Maestri ら、PLoS One 2015)。合成モデルにとっては、ボーカルコーチだけでなく、ふつうの聴衆もピッチ誤差の有効な評価パネルになるということだ。
| 指標 | 値 | 出典 |
|---|---|---|
| 検出閾値、音楽訓練が低い場合と高い場合(Gold-MSIの訓練スコア10対40) | 65.173対43.219セント | Larrouy-Maestri、Harrison、Müllensiefen、Behavior Research Methods 2019 |
| 音程外れの正答検出率、試験した最小シフトと最大シフト(10〜100セント、偶然=50%) | 51.2%から81.5% | Larrouy-Maestri、Harrison、Müllensiefen、Behavior Research Methods 2019 |
| 測定された音程(インターバル)偏差との相関:専門家の評価者3人対一般の評価者 | 約.83対約.79 | Larrouy-Maestri ら、PLoS One 2015 |
| 評価されたハッピーバースデー166演奏の音程(インターバル)偏差の平均 | 55.97セント(範囲10.10から383) | Larrouy-Maestri ら、PLoS One 2015 |
| ピッチ弁別とピッチ合わせの相関、ボランティア632人 | r(630) = -.31, p < .001 | Pfordresher、Demorest、JRME 2021 |
入手可能な最新データ:Larrouy-Maestri、Harrison、Müllensiefen、2019。このテストはボーカルトラック全体を一定量ずらしたため、ずっと音程が外れている歌手への許容度を測っており、音符ごとに変わる誤差は対象外である。後者は著者らが今後の課題としている。
3. 客観的ピッチ指標:SVS論文は何を測っているか
歌声合成(SVS)の論文は、生成された基本周波数と実際の基本周波数(F0、ピッチカーブ)との二乗平均平方根誤差であるF0 RMSEでピッチを採点する。確認したSVS論文のいずれも、この誤差をセントで報告していなかった。Opencpop、VISinger 2、CSSingerの表は単位をまったく示しておらず、ACE-Opencpopは対数のF0スケールを使っている。人間の研究はセントを使うため、機械と人間を並べた明快なピッチスコアはまだ存在しない。
数値が示しているのは、同じベンチマーク内での順位だ。Opencpopでは、ConformerモデルがベースラインのTransformerと比べてF0 RMSEを29.99から26.72に下げ(Wang ら、Opencpop論文、Interspeech 2022)、VISinger 2は25.7Mパラメータで26.0に達した。CpopSingは137.5Mパラメータだった(Zhang ら、VISinger 2論文、2022)。パーセントで報告される半音精度は、人間式のスコアに最も近い指標だが、ACE-Opencpop論文はその計算式を明記していない。
| 指標 | 値 | 出典 |
|---|---|---|
| Opencpopテストセットでの F0 RMSE、ベースラインのTransformer対Conformer(単位の記載なし) | 29.99対26.72 | Wang ら、Opencpop論文、Interspeech 2022 |
| 実際の歌手とのF0相関、Opencpopのベースライン | 0.893から0.904 | Wang ら、Opencpop論文、Interspeech 2022 |
| 22 kHzでのF0 RMSE:VISinger 2対VISinger対CpopSing | 26.0対33.7対28.5 | Zhang ら、VISinger 2論文、2022 |
| モデルサイズ:VISinger 2対CpopSing | 25.7M対137.5Mパラメータ | Zhang ら、VISinger 2論文、2022 |
| VISinger2の半音精度:中国語のACE-Opencpop対日本語のKiritanコーパス | 65.19%対49.33% | Shi ら、ACE-Opencpop論文、2024 |
| OpencpopでのCSSinger-FSのF0 RMSE、F0相関、有声/無声エラー | 28.601、0.919、0.107 | Cui ら、CSSinger 2024 |
| ACE-OpencpopでのF0 RMSE:音声言語モデルSVS対TokSing対XiaoiceSing | 62.79対55.83対71.67 | Zhao ら、音声言語モデルSVS論文、2025 |
有声/無声エラーは、モデルが有声音(声帯が振動するためピッチが存在する)と無声音を取り違える頻度を追う指標だ。同じアーキテクチャでも半音精度が49.33%から65.19%まで開いていることは、スコアがコーパスに大きく左右されることを示唆しており、異なるコーパスの結果同士を順位付けすることはできない。
4. 自然さ:合成歌唱と実歌唱のMOS差
MOSは聴取パネルが1から5の尺度でつける評価の平均で、ここで扱うどの論文もモデルと並べて実際の録音を試験している。5本のベンチマーク論文を通じて、最良モデルと実際の歌唱との差は0.45から0.81 MOSポイントの範囲だった(PopCSでは4.30マイナス3.85、Opencpopでは4.51マイナス3.70)。音声合成は複数のベンチマークで録音との同等性が報告されているが、歌声は依然として約0.5ポイント以上遅れている。
最新のゼロショットの研究は、この差を縮めている。ゼロショットとは、モデルが学習中に一度も聞いたことのない声で歌うことを意味する。2026年4月に改訂されたCoMelSingerは、一度も聞いたことのない歌手について、実際の録音との差を自然さ0.24ポイントまで縮め(4.35マイナス4.11)、このセットで最小の差となった(Zhao ら、CoMelSinger 2026)。ただしパネルは小さく、多くは10〜20人の聴き手なので、0.1ポイントのリードが決定的であることはまれだ。
| 指標 | 値 | 出典 |
|---|---|---|
| OpencpopでのMOS:最良ベースライン(CpopSing)対録音 | 3.70対4.51 | Wang ら、Opencpop論文、Interspeech 2022 |
| PopCSでのMOS:DiffSinger対録音 | 3.85対4.30 | Liu ら、DiffSinger、AAAI 2022 |
| M4Singerでの音質MOS:DiffSinger対録音 | 3.92対4.52 | Zhang ら、M4Singer、NeurIPS 2022 |
| 44.1 kHzでのMOS:VISinger 2対録音 | 3.81対4.32 | Zhang ら、VISinger 2論文、2022 |
| GTSingerでの音質MOS:StyleSinger対録音 | 4.01対4.54 | Zhang ら、GTSinger、NeurIPS 2024 |
| 自然さMOS、学習時に見た歌手:CoMelSinger対録音 | 4.02対4.38 | Zhao ら、CoMelSinger 2026 |
| 自然さMOS、未知の歌手(ゼロショット):CoMelSinger対録音 | 4.11対4.35 | Zhao ら、CoMelSinger 2026 |
これらのコーパスについて入手可能な最新データ:Opencpop、PopCS、M4Singer、VISinger 2の行は2022年のものなので、現在の最先端ではなく、各コーパスのベースラインを示す。AI音楽ツールの普及に関するより広い数字は、当社のAI音楽生成統計をご覧ください。
5. ピッチが重要になる場面:モデルがF0を正しく得ると何が変わるか
最も明快なテストは、モデルに実際の歌手のピッチカーブを渡して、何が改善するかを測ることだ。DiffSingerに実際のF0を与えると、プロソディMOSは0.30ポイント上がった(3.72から4.02)一方、音質は0.05しか上がらなかった(3.92から3.97)(Zhang ら、M4Singer、NeurIPS 2022)。ここでのプロソディとは、旋律表現のまとまりと自然さを指す。ピッチが良くなればこの差の一部は埋まるが、実際のF0を与えても両方のスコアは録音(4.47と4.52)に届かないため、ピッチは複数ある制約の1つにすぎない。
動的な技法が最も難しい。楽譜に基づく合成ではなく変換タスクである歌声変換チャレンジ2025では、主催者が強い動的成分を持つと説明するスタイル(ブレシー、グリッサンド、ビブラート)のスタイル精度が最も低く、ファルセットのようにほぼ静的なスタイルが最も高かった(SVCC 2025分析論文)。
| 指標 | 値 | 出典 |
|---|---|---|
| F0の平均絶対誤差と有声/無声精度、DiffSingerの予測F0対実際のF0 | 8.9990対1.7061;0.9406対0.9856 | Zhang ら、M4Singer、NeurIPS 2022 |
| VISinger 2のMOS、完全なモデル対DSPシンセサイザーなし | 3.96対3.02 | Zhang ら、VISinger 2論文、2022 |
| 補助メルスペクトログラムモジュールなしのVISinger 2のMOS | 3.85 | Zhang ら、VISinger 2論文、2022 |
| SVCC 2025のスタイル精度:ブレシー、グリッサンド、ビブラート | 37.3%、42.6%、43.9% | SVCC 2025分析論文 |
| SVCC 2025のスタイル精度:咽頭、ミックスボイス、ファルセット | 44.8%、48.3%、48.8% | SVCC 2025分析論文 |
Opencpopの著者らは、ベースラインが学習分布のロングテールにある珍しいピッチに対して限定的な能力しか示さなかったと報告している。1人の歌手のコーパスでは、この限界から抜け出すのが難しい。
6. 学習データ:モデルの背後にある歌唱の時間数
歌声モデルは今も、録音された歌唱の1桁から2桁の時間数から学習している。中国語SVSの文献の多くを支えるOpencpopコーパスには、プロの女性歌手1人による約5.2時間の歌唱が含まれる(Wang ら、Opencpop論文、Interspeech 2022)。OpencpopやM4Singerのような録音コーパスは、音符の境界と楽譜を手作業で注釈する必要があるため、実際の歌唱データは増えるのが遅い。
その回避策が合成データだ。ACE-OpencpopはOpencpopの楽譜から派生し、ACE Studioの歌声シンセサイザーでピッチの輪郭、ブレス、ビブラートを手作業で調整しながら合成したもので、128.9時間になる。これで事前学習すると、実際のOpencpopでのVISinger2の半音精度は64.50%から65.18%へわずかに上がった(Shi ら、ACE-Opencpop論文、2024)。実際のM4Singerコーパスで事前学習した場合は、逆に60.54%まで下がった。ACE-Opencpopは対象コーパスと楽曲を共有しているため、この結果は時間数そのものよりも、対象への一致の度合いを物語っている。
| 指標 | 値 | 出典 |
|---|---|---|
| Opencpop:プロの歌手1人、100曲 | 約5.2時間、3,756発話 | Wang ら、Opencpop論文、Interspeech 2022 |
| M4Singer:プロの歌手20人(男性10人、女性10人)、700曲 | 29.77時間、20,942発話 | Zhang ら、M4Singer、NeurIPS 2022 |
| GTSinger:プロの歌手20人、9言語、6技法 | 歌唱80.59時間とペアの音声16.16時間 | Zhang ら、GTSinger、NeurIPS 2024 |
| 合成コーパスACE-OpencpopとACE-KiSing | 128.9時間(30の声)と32.5時間(34の声) | Shi ら、ACE-Opencpop論文、2024 |
| OpencpopでのVISinger2の半音精度:事前学習なし対ACE-Opencpop対M4Singer事前学習 | 64.50%対65.18%対60.54% | Shi ら、ACE-Opencpop論文、2024 |
| KiSingでのVISinger2、単独学習対ACE-KiSing追加:半音精度とMOS | 68.12%から72.51%;3.58から3.83 | Shi ら、ACE-Opencpop論文、2024 |
| CtrSVDDベンチマークのために8つの公開コーパスから集めた実際の歌唱 | 47.64時間 | Zang ら、CtrSVDD 2024 |
GTSingerの9言語は、中国語、英語、日本語、韓国語、ロシア語、スペイン語、フランス語、ドイツ語、イタリア語で、ラベル付けされた6つの技法は、ミックスボイス、ファルセット、ブレシー、咽頭、ビブラート、グリッサンドだ。これはセクション5で採点した6つのスタイルと同じである。
7. 評価方法とベンチマーク:スコアはどのように作られるか
小規模な聴取パネルが標準だ。Opencpopは1クリップあたり20人の聴き手を使い、VISinger 2のテストは30セグメントに対して10人の聴き手、ACE-Opencpopのテストはシステムごとに30サンプルに対して30人の聴き手を使った。Opencpopの録音は、2024年の1本の論文の中で、あるテストでは4.22 MOS、別のテストでは4.77だった(Cui ら、CSSinger 2024)。0.55ポイントの振れ幅で、モデル間の差の多くより大きい。
自動評価器はシステム単位では役立つが、クリップ単位ではそうではない。SingMOS-Proで最良のMOS予測器は、システムの順位付けでは線形相関0.88に達したが、個々のクリップでは0.58にとどまった(SingMOS-Proベンチマーク論文、2026)。検出のほうは進んでいる。管理されたデータでは、SVDD 2024の最上位チームが等価エラー率を1.65%まで下げた(Zhang ら、SVDD 2024チャレンジ論文)。このテーマは当社の音声ディープフェイクのフォレンジック統計で扱っている。
| 指標 | 値 | 出典 |
|---|---|---|
| SingMOS-Proの規模 | 7,981クリップ、44,247件の評価、アノテーター78人、11.15時間 | SingMOS-Proベンチマーク論文、2026 |
| SingMOS-Proで評価されたシステム(合成、変換、再合成、正解データ) | 141(60、17、52、12) | SingMOS-Proベンチマーク論文、2026 |
| 最良の自動MOS予測器、システム単位対クリップ単位の線形相関 | 0.88対0.58 | SingMOS-Proベンチマーク論文、2026 |
| SVCC 2023の提出数と聴き手 | 26件の提出(ベースライン2件を含む);英語話者40人と日本語話者319人の聴き手 | Huang ら、SVCC 2023論文 |
| UTMOS予測器とSVCC 2023の自然さMOSのスピアマン相関(タスク1、日本語話者の聴き手) | 0.77 | Huang ら、SVCC 2023論文 |
| SVCC 2025の自然さ、上位システム対実際の歌唱 | 約3.7対約3.9 | SVCC 2025分析論文 |
| CtrSVDDの実際の歌唱対ディープフェイク歌唱、14の生成手法、164の歌手のアイデンティティ | 47.64対260.34時間 | Zang ら、CtrSVDD 2024 |
| SVDD 2024の等価エラー率:最上位チーム対ベースライン;両方のベースラインを上回ったチーム | 1.65%対11.16%と12.03%;47チーム中37チーム | Zhang ら、SVDD 2024チャレンジ論文 |
背景:SVCC 2023では、両方のタスクの上位システムが自然さの点で自然な音声サンプルと有意な差がないと判断された。一方、歌唱スタイルも採点したSVCC 2025では、人間レベルの自然さに達したシステムはなかった。分析は、歌唱スタイルのモデル化は依然として課題であると結論づけている。
まとめ:数字で見る歌声合成のピッチ精度と自然さ
| 指標 | 値 | 出典 |
|---|---|---|
| 音符誤差の中央値、伴奏なしの成人歌手24人 | 19セント | Mauch、Frieler、Dixon、JASA 2014 |
| ピッチを正確に合わせられた人、1,046人のサンプル | 37% | Pfordresher、Demorest、JRME 2021 |
| 基準を100セントに緩めたときに正確と分類された歌唱 | 94% | Pfordresher、Demorest、JRME 2021 |
| ピッチが不正確なアマチュア歌唱者(2 SD基準) | 28%(50人中14人) | Berkowska、Dalla Bella、Frontiers in Psychology 2013 |
| 中央値の聴き手の検出能力に相当するピッチシフト | 54.989セント | Larrouy-Maestri、Harrison、Müllensiefen、Behavior Research Methods 2019 |
| Opencpopの最良ベースライン対録音、MOS | 3.70対4.51 | Wang ら、Opencpop論文、Interspeech 2022 |
| 44.1 kHzでのVISinger 2対録音、MOS | 3.81対4.32 | Zhang ら、VISinger 2論文、2022 |
| CoMelSinger対録音、未知の歌手の自然さMOS | 4.11対4.35 | Zhao ら、CoMelSinger 2026 |
| 実際のF0によるプロソディMOSの上昇幅対音質MOSの上昇幅(DiffSinger) | +0.30対+0.05 | Zhang ら、M4Singer、NeurIPS 2022 |
| DSPシンセサイザーなしのVISinger 2のMOS | 3.02(3.96に対して) | Zhang ら、VISinger 2論文、2022 |
| VISinger2の半音精度、ACE-Opencpop対Kiritan | 65.19%対49.33% | Shi ら、ACE-Opencpop論文、2024 |
| ビブラートのSVCC 2025スタイル精度 | 43.9% | SVCC 2025分析論文 |
| GTSingerコーパスの規模 | 80.59時間、歌手20人、9言語 | Zhang ら、GTSinger、NeurIPS 2024 |
| 合成コーパスACE-Opencpopの規模 | 128.9時間、30の声 | Shi ら、ACE-Opencpop論文、2024 |
| 1本の論文内の2つの別々のテストでのOpencpop録音のスコア、MOS | 4.22対4.77 | Cui ら、CSSinger 2024 |
| 集められたSingMOS-Proの評価 | 78人のアノテーターから44,247件 | SingMOS-Proベンチマーク論文、2026 |
| SVDD 2024の最良の等価エラー率 | 1.65% | Zhang ら、SVDD 2024チャレンジ論文 |
方法論と出典
- 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、2025年12月
- Zhao et al., CoMelSinger: Discrete Token-Based Zero-Shot Singing Synthesis、2026年4月改訂
- 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、2026年1月改訂
- Mauch, Frieler, Dixon, Intonation in Unaccompanied Singing: Accuracy, Drift, and a Model of Reference Pitch Memory, JASA 2014
- Larrouy-Maestri, Morsomme, Criteria and Tools for Objectively Analysing the Vocal Accuracy of a Popular Song, Logopedics Phoniatrics Vocology 2014
- Larrouy-Maestri, Harrison, 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, Dalla Bella, Uncovering Phenotypes of Poor-Pitch Singing: the Sung Performance Battery, Frontiers in Psychology 2013
- Pfordresher, Demorest, The Prevalence and Correlates of Accurate Singing, Journal of Research in Music Education 2021
- Dalla Bella, Giguère, Peretz, Singing Proficiency in the General Population, JASA 2007
- データウォッチ:MOSの値は論文間で比較できない。聴取パネル(10〜30人)、サンプリングレート、指示文が異なり、CSSinger論文ではOpencpopの録音が2つのテストで4.22と4.77だったためだ。F0 RMSEの単位も一定ではなく(大半の論文では記載なし、ACE-Opencpopでは対数)、異なる論文のF0 RMSEの数値を直接比較してはならない。コーパスの規模については出典間で食い違いがある。ACE-Opencpopは自身の論文のTable 1では128.9時間、序論では約130時間、2025年12月の音声言語モデルの論文では135時間とされる。ACE-KiSingは歌手34人と33人の両方で記載されている。Opencpopは自身の論文では約5.2時間だが、M4SingerとGTSingerの比較表では5.25時間とされる。CSSinger-FSのF0 RMSEは、ある表では28.601、別の表では28.101と記載されている。SVDD 2024の等価エラー率にはACESinger手法が含まれていない。PfordresherとDemorestは50セントを半音1つ分と説明しているが、50セントは半音の半分である。SVCC 2023の正確な自然さスコアは図にしか示されていないため、有意性に関する知見のみを報告する。VISinger 2、CSSinger、CoMelSinger、SingMOS-Pro、音声言語モデルの論文はarXiv版から引用しており、各自の著者がスコアをつけた。CoMelSingerとSingMOS-Proには査読付きの掲載先が記載されておらず、音声言語モデルの論文はワークショップに投稿されたものなので、最終的な数値は異なる可能性がある。人間のピッチ精度の研究はすべて2023年より前のもので、入手可能な最新データである。
最終更新日:2026年10月31日。当社はこのまとめを四半期ごとに更新しており、次回の更新は、ICASSP 2027の論文集と次回の歌声変換チャレンジの結果が公開された時点を予定している。