声質変換チャレンジ2020(VCC 2020)では、同一言語内の8システムが類似度テストで実際の目標話者と統計的に区別できず、変換サンプルの90%超が同一人物と判定された(Zhao 他, VCC 2020 概要)。その4年前、VCC 2016の最良システムの自然性は5段階評価で平均わずか3.0にとどまり、上位システムが聴取者を納得させた割合は約70%だった。自然性の差はここまで鮮やかには縮まっていない。VCC 2020では人間レベルの自然性に達したシステムはなく、歌声変換チャレンジ2025でも、上位システムのスコアは実録音の約3.9に対して約3.7だった。この記事は、声質変換がどう売られているかではなく、どう測定されているかを扱う。普及状況や市場データは当社のボイスクローニング統計を、音声合成の聴取スコアは当社の合成音声の自然性MOS統計をご覧ください。2016年、2018年、2020年の声質変換チャレンジ、2023年と2025年の歌声変換チャレンジ、Interspeech、ICLR、AAAI、IEEE JSTSPの査読付き論文、さらに話者類似度指標と聴取実験のバイアスに関する最近の研究からデータを集計した。
主なポイント
- VCC 2020の同一言語内の8システムは、類似度で目標話者と有意差がなかった(Zhao 他, VCC 2020 概要, 2020)。
- 2025年のゼロショットシステムは、自然性MOSが3.96で、正解データの4.33を下回った(Yao 他, StableVC, AAAI 2025)。
- 2026年のコーデック空間で動作するシステムの話者類似度は、英語の0.63から中国語から英語への変換の0.49に低下した(Zheng 他, X-VC 2026)。
- 自己教師あり特徴量を用いたシステムの類似度は、任意話者→特定話者変換から任意話者→任意話者変換に移ると59%から28%に低下した(Huang 他, IEEE JSTSP 2022)。
- VCC 2020の31システムのうち20システムが、90%超の確率で話者照合システムを欺いた(Das 他, VCC 2020 客観評価, 2020)。
- 話者埋め込みの類似度は、実際の音声では人間の評価と0.768の相関を示したが、VCC 2018の変換音声では0.512にとどまった(Ahn 他, VoxSim, Interspeech 2024)。
- VCC 2018の発話の約半数で、4人の聴取者の評価の標準偏差が1ポイントを超えた(Lo 他, MOSNet 2019)。
- より強いシステムとだけ並べて評価されると、システムのMOSは最大でおよそ丸1ポイント低下しうる(Cooper と Yamagishi, Interspeech 2023)。
- SVCC 2023の最上位歌声システムは、正解データと同等の自然性(約3.9)に達したが、類似度は80%に対して65%だった(Violeta 他, SVCC 2025 分析, 2025)。
- SVCC 2025で最も変換が難しかったのは息漏れ声の歌唱で、スタイル精度は37.3%だった(Violeta 他, SVCC 2025 分析, 2025)。
1. 10年間のチャレンジ結果:70%から目標話者並みの類似度へ
声質変換(VC)は、話している内容を保ったまま、録音が誰の声に聞こえるかを変える技術だ。この分野の共通の物差しが声質変換チャレンジ(VCC)で、すべてのチームが同じ話者間で同じ文を変換し、1つの大規模な聴取実験がすべてを採点する。自然性は5段階の平均オピニオン評点(MOS)で評価され、類似度は、変換クリップと実際のクリップが同じ話者のものかどうかを聴取者に尋ねて判定される。
軌跡は急峻だ。VCC 2016の最良システムの自然性は平均3.0だったが、VCC 2020までに8システムが類似度で実際の目標話者と統計的に並んだ(Zhao 他, VCC 2020 概要)。興味深いのは進歩の順序で、人間レベルの自然性に達したシステムが現れる前に、クリーンな同一言語の英語で、聴取者が変換クリップと目標話者を区別できなくなった。
| 指標 | 値 | 出典 |
|---|---|---|
| VCC 2016に参加した研究グループ | 17 | Toda 他, The Voice Conversion Challenge 2016, Interspeech 2016 |
| 管理された環境で実施したVCC 2016テストの聴取者 | 200 | Toda 他, The Voice Conversion Challenge 2016, Interspeech 2016 |
| VCC 2016の上位システム、目標話者と同一と判定されたサンプルの割合 | 約70% | Wester 他, Analysis of the VCC 2016 Evaluation Results, Interspeech 2016 |
| VCC 2016の最良システム、5段階評価での平均自然性 | 3.0 | Zhao 他, VCC 2020 概要, 2020 |
| VCC 2018の最良システム(N10):自然性 / 目標話者と同一と判定された割合 | 約4.1 / 約80% | Lorenzo-Trueba 他, VCC 2018 論文 |
| VCC 2020で類似度が目標話者と有意差のなかった同一言語システム | 8 | Zhao 他, VCC 2020 概要, 2020 |
背景メモ:VCC 2018の優勝システムは、数百時間の外部音声で学習した内容抽出器と、話者依存のWaveNetボコーダーに依拠していた(Lorenzo-Trueba 他, VCC 2018)。外部データの選択肢を使ったVCC 2018のチームは3チームのみだった。音声チャレンジで入手できる最新のデータはVCC 2020で、2023年の第4回は歌声に移行して名称も変わった(第6節を参照)。
2. 自然性のギャップ:最良システムは実際の音声からどれだけ離れているか
「同一話者」という判定は、そのクリップが人間らしく聞こえることを意味しない。どのチャレンジでも、テスト内に自然な録音が基準として残されており、それらの基準が根強いギャップを示している。2022年の比較は、VCC 2020の同一言語タスクで最上位だったUSTC-2020の自然性MOSを4.41、実際の目標話者の録音を4.57としており、そのギャップは0.16ポイント(4.57から4.41を引いた値)である(Huang 他, IEEE JSTSP 2022)。このシステムは類似度テストでも82%に達した。
ギャップは、学習時に聞いたことのない声へ短い参照クリップから変換するゼロショットシステムでさらに広がる。2025年のAAAI論文は、VCTK話者について自システムのMOSを3.96、正解データを4.33と測定し、ギャップは0.37ポイントだった。一方、自動MOS予測器では両者の差はわずか0.12だった(Yao 他, StableVC, AAAI 2025)。このテストでは自動予測器のほうが甘い審査員であり、こうしたスコアを聴取実験と並べて読むべき理由の1つになっている。
| 指標 | 値 | 出典 |
|---|---|---|
| VCC 2016の自然な録音:自然性 / 同一話者と判定された割合 | 4.5 / 90% | Violeta 他, SVCC 2025 分析, 2025 |
| 実際の変換元・目標話者より自然性が有意に低いと評価されたVCC 2016のシステム | 全システム | Wester 他, Analysis of the VCC 2016 Evaluation Results, Interspeech 2016 |
| VCC 2018の最良システム対実際の目標話者音声(ウィルコクソンの符号順位検定、ボンフェローニ補正、α = 0.01) | 自然性・類似度の両方で有意差あり | Lorenzo-Trueba 他, VCC 2018 論文 |
| VCC 2020の最上位システム(USTC-2020)対目標話者の録音、同一言語の自然性MOS | 4.41 対 4.57 | Huang 他, IEEE JSTSP 2022 |
| 自己教師あり特徴量を用いた最良システム対単純なメルスペクトログラムのベースライン、自然性MOS | 3.59 対 2.61 | Huang 他, IEEE JSTSP 2022 |
| ゼロショットシステム対正解データ、聴取者による自然性MOS(VCTK話者) | 3.96 ±0.04 対 4.33 ±0.04 | Yao 他, StableVC, AAAI 2025 |
| 自動の自然性予測器UTMOSを用いた同じ比較 | 4.12 対 4.24 | Yao 他, StableVC, AAAI 2025 |
| 公開済みの6つのゼロショットベースラインのうち最良のもの、聴取者による自然性MOS | 3.67 ±0.07 | Yao 他, StableVC, AAAI 2025 |
外れ値メモ:VCC 2020では、日本語話者の聴取者は上位システムT10の同一言語での自然性を目標話者と同等と評価したが、英語話者の聴取者はそう評価しなかった(Zhao 他, VCC 2020 概要)。このため、同等性の判定は誰が聞くかに左右されうる。報告される結果には、聴取者集団を明記すべきである。
3. 明瞭度とスペクトル指標:WERとMCDが教えてくれること、教えてくれないこと
客観指標は安価で再現性があるため、論文はこれに頼る。繰り返し使われるのは2系統で、1つは明瞭度で、変換音声を書き起こす自動音声認識器の単語誤り率(WER)または文字誤り率(CER)で測る。もう1つはスペクトル距離で、通常はメルケプストラム歪み(MCD)を使い、変換後のスペクトルが目標のスペクトルからどれだけ離れているかを測る。どちらも値が小さいほど良い。
VCCのデータは、WERが自然性とはそれなりに連動するが、類似度とはほとんど連動しないことを示している。VCC 2018では、WERはノンパラレルタスクで自然性と-0.7127の相関を示したが、話者類似度とは-0.2272にとどまった(Lorenzo-Trueba 他, VCC 2018)。MCDは自然性の代理指標としてさらに弱く見える。歌声変換チャレンジ2023では、どちらの聴取者グループのドメイン内自然性評価とも有意な相関を示さなかった(Huang 他, SVCC 2023)。音声認識器にも固有の失敗パターンがあり、当社の音声認識のハルシネーション統計で扱っているため、低いWERは言葉が残ったことを示すだけで、声が正しく聞こえることを意味しない。
| 指標 | 値 | 出典 |
|---|---|---|
| 自然な変換元音声に対するASRの単語誤り率、VCC 2018 | 6.40% | Lorenzo-Trueba 他, VCC 2018 論文 |
| VCC 2018のHub変換システムにおける最低 / 最高のWER | 8.60% / 35.60% | Lorenzo-Trueba 他, VCC 2018 論文 |
| WERと自然性MOS / 類似度との相関、VCC 2018のパラレルデータのHubタスクとノンパラレルのSpokeタスク | Hub -0.6587 / -0.3218; Spoke -0.7127 / -0.2272 | Lorenzo-Trueba 他, VCC 2018 論文 |
| WERが5%未満 / 50%超だったVCC 2020の同一言語チーム | 7 / 7 | Das 他, VCC 2020 客観評価, 2020 |
| MCD、単純なメルスペクトログラムのベースライン対VCC 2020の最上位システム(VCC 2020データ) | 8.47 対 6.98 | Huang 他, IEEE JSTSP 2022 |
| MCDとドメイン内自然性MOSのスピアマン相関、SVCC 2023(日本語話者 / 英語話者の聴取者) | -0.28 / -0.24(有意ではない) | Huang 他, SVCC 2023 論文 |
| Whisperベースのドメイン内自然性MOSとCERのスピアマン相関、SVCC 2023(日本語話者の聴取者) | -0.80 (p < 0.01) | Huang 他, SVCC 2023 論文 |
背景メモ:VCC 2020のばらつきは大きい。同一言語の最悪のエントリーはWERが96.17%で、認識器にとって変換後にほとんど何も残らなかったことを意味する一方、7チームは5%未満にとどまった(Das 他, VCC 2020 客観評価)。
4. 話者埋め込み類似度:有用で、広く使われ、そして脆い
標準的な自動類似度スコアが、話者埋め込みのコサイン類似度(SECSまたはSIMと呼ばれることが多い)である。2つのクリップを話者照合ネットワークに通し、得られたベクトル間の角度を比較する。チャレンジのデータでは、システムレベルで聴取者とよく一致する。VCC 2020では、話者照合の誤り率が2つのタスクで聴取者の類似度と0.89および0.90の相関を示し(Das 他, VCC 2020 客観評価)、同一言語内の31システムのうち20システムが、90%超の確率で照合システムに目標話者として受け入れられた。ここでの「誤受理」率とは、照合システムが変換クリップを実際の目標話者と誤って受け入れる割合であり、高いほど説得力のある変換を意味する。
発話単位の一致度は話が別だ。事前学習済みのECAPA-TDNN埋め込みは、実際の声のペアでは人間の評価と0.768の線形相関に達したが、VCC 2018の変換音声では0.512に低下した(Ahn 他, VoxSim, Interspeech 2024)。Ubisoft La Forgeとストレレンボッシュ大学による2025年の研究は、照合モデルが同一話者の短いクリップと長いクリップを偶然よりはるかに高い精度で区別すること、また雑音とイコライゼーションがスコアをずらすことを見いだしており、SIMの数値は録音条件も部分的に測っていることになる(Carbonneau 他 2025)。公開されたSIMの数値でボイスクローニングソフトを比較する場合は、同じ埋め込みモデル、テストセット、クリップ長が使われているかを確認すべきである。
| 指標 | 値 | 出典 |
|---|---|---|
| 話者照合システムに90%超の確率で目標話者として受け入れられたVCC 2020の同一言語システム | 31中20 | Das 他, VCC 2020 客観評価, 2020 |
| 同じ90%の誤受理水準を上回ったVCC 2020の言語間システム | 10 | Das 他, VCC 2020 客観評価, 2020 |
| 照合の誤り率と聴取者の類似度のピアソン相関、VCC 2020のタスク1 / タスク2 | 0.89 / 0.90 | Das 他, VCC 2020 客観評価, 2020 |
| 埋め込みのコサイン距離と聴取者の類似度のピアソン相関、VCC 2020のタスク1 / タスク2 | 0.85 / 0.82 | Das 他, VCC 2020 客観評価, 2020 |
| 事前学習済みECAPA-TDNN話者認識器対人間の類似度、実際の音声ペア(線形相関) | 0.768 | Ahn 他, VoxSim, Interspeech 2024 |
| 同じ事前学習済みモデルのVCC 2018変換音声での値(線形相関) | 0.512 | Ahn 他, VoxSim, Interspeech 2024 |
| ゼロショット合成研究における埋め込み類似度対人間の声の類似度評価(発話単位) | 0.55 | Li 他, DMOSpeech 2025 |
| 1人の話者の短いクリップをその長いクリップと比較した場合の照合の等価エラー率(ECAPA-TDNN; 0.50は区別不能を意味する) | 0.34 ±0.04 | Carbonneau 他 2025 |
外れ値メモ:信号対雑音比20 dBの雑音を加えると、1人の話者のクリーンなクリップと雑音入りクリップに対する同じECAPA-TDNNの等価エラー率は0.34になり、0 dBでは0.05になった(Carbonneau 他 2025)。平たく言えば、照合システムは雑音入りの声のコピーを別人として扱い始める。
5. ドメイン内と言語間、任意話者→任意話者:スコアが崩れる場所
ベンチマークの数値は、通常、最も有利な条件で報告される。同じ言語、スタジオ品質の音声、そしてモデルが学習済みの目標話者(任意話者→特定話者変換)である。そのどれかを変えるとスコアは下がる。VCC 2020の上位システムT10は、同一言語から言語間変換に移ると自然性MOSを0.75ポイント失い、そのタスクでは目標話者と判定されたサンプルが80%未満だった(Zhao 他, VCC 2020 概要)。また、参照クリップが英語ではなく話者の第二言語だった場合、聴取者はより低い類似度スコアを付けた。
最も急な低下は、未知の目標話者(任意話者→任意話者変換)で生じる。IEEE JSTSPの比較では、自己教師あり特徴量を用いたシステムは自然性がほぼ変わらなかったが、類似度は半分になった(Huang 他, IEEE JSTSP 2022)。最近のゼロショットシステムにも、このギャップは残っている。アクセントや感情のある音声で、ICLR 2025の著者らは話者類似度を、正解録音で0.762、最良の変換出力で0.517と測定した(Zhang 他, Vevo, ICLR 2025)。
| 指標 | 値 | 出典 |
|---|---|---|
| USTC-2020の目標話者と同一と判定された割合、同一言語対言語間 | 82% 対 43% | Huang 他, IEEE JSTSP 2022 |
| 自己教師あり特徴量を用いたシステム、既知の目標話者(任意話者→特定話者)対未知の目標話者(任意話者→任意話者):類似度 / 自然性MOS | 59% 対 28% / 3.59 対 3.58 | Huang 他, IEEE JSTSP 2022 |
| 優勝システム以外のVCC 2018のHubシステム、同性ペア対異性ペアの自然性MOS | 3.08 対 2.78 | Lorenzo-Trueba 他, VCC 2018 論文 |
| コーデック空間で動作するゼロショットシステムの話者類似度、同一言語(英語 / 中国語)対言語間(英語から中国語 / 中国語から英語) | 0.63 / 0.73 対 0.52 / 0.49 | Zheng 他, X-VC 2026 |
| アクセントや感情のある音声の話者類似度、実際の録音対最良の変換出力 | 0.762 対 0.517 | Zhang 他, Vevo, ICLR 2025 |
背景メモ:2026年のコーデック空間の論文は、言語間ペアを別のサブセット(言語ごとの最初の1,000発話)で評価しているため、同一言語と言語間の数値は目安であり、統制された比較ではない(Zheng 他, X-VC 2026)。そのストリーミング版のモデル遅延は240 msだった。
6. 歌声変換:自然性は同等、同一性にはギャップ
歌声は、音声にはない形で声質変換に負荷をかける。音域が広く、音が長く保持され、ビブラートのような技法がある。歌声変換チャレンジ(SVCC)は2023年にチャレンジの枠組みを引き継いだ。SVCC 2023の最上位システムは、正解データと同等の約3.9の自然性に達したが、類似度は実際の歌手の80%に対して65%にとどまった(Violeta 他, SVCC 2025 分析)。これは、同一性が先に追いついた音声の場合とは逆の結果である。
SVCC 2025は歌唱スタイルの変換を加え、人間レベルの自然性に達したシステムはなかった。難しかったのはスタイルで、息漏れ声、グリッサンド(音から音へ滑らかに移ること)、ビブラートが最も正確に再現されなかった技法だった。著者らは、標準的な類似度テストがスタイルの判定に適切かどうかについても疑問を呈している。歌手の同一性も採点が難しく、正解データのサンプルでさえ、そのテストでは約70%にとどまった。
| 指標 | 値 | 出典 |
|---|---|---|
| SVCC 2023の提出システムとベースライン | 24 + 2 | Huang 他, SVCC 2023 論文 |
| SVCC 2023の聴取者、英語話者 / 日本語話者 | 40 / 319 | Huang 他, SVCC 2023 論文 |
| 自然性が3.0を超えたSVCC 2023のチーム、ドメイン内タスク対ドメイン間タスク | 14 対 8 | Huang 他, SVCC 2023 論文 |
| SVCC 2023の最上位システム対正解データ:自然性 / 類似度 | 約3.9 / 65% 対 約3.9 / 80% | Violeta 他, SVCC 2025 分析, 2025 |
| SVCC 2025の上位システム対正解データ:自然性 / スタイル類似度 | 約3.7 / 70% 対 約3.9 / 90% | Violeta 他, SVCC 2025 分析, 2025 |
| SVCC 2025の息漏れ声 / グリッサンド / ビブラートの歌唱におけるスタイル精度 | 37.3% / 42.6% / 43.9% | Violeta 他, SVCC 2025 分析, 2025 |
| 客観指標と主観スコアの間のスピアマン相関の最大値、SVCC 2025 | 約0.8 | Violeta 他, SVCC 2025 分析, 2025 |
背景メモ:SVCC 2023では、目標話者と最上位システムの類似度のギャップは、両タスクとも4段階評価で約0.4ポイントだった(Huang 他, SVCC 2023)。また、類似度と最も相関した客観指標は話者埋め込み距離だった(日本語話者の聴取者、ドメイン内タスクでスピアマン-0.83)。
7. 評価の信頼性:聴取者数、分散、バイアス
上記の数値はすべて人間の評価に基づいており、その評価にはノイズがある。VCC 2018の発話の約半数で、4人の聴取者の評価の標準偏差が5段階評価で1ポイントを超えていた(Lo 他, MOSNet)。平均化によって、システムレベルではそのほとんどが解消される。自動予測器がそこでは強く(相関0.957)、発話単位では弱い(0.642)ように見えるのはそのためだ。
テストの設計もスコアを動かす。CooperとYamagishiは、最も強いシステムだけをまとめて評価すると、聴取者は品質の範囲に関係なくスケール全体にスコアを広げるため、システムのMOSが最大でおよそ丸1ポイント下がりうることを示した(Cooper と Yamagishi, Interspeech 2023)。Interspeech 2022の音声合成論文80本を調べた調査では、51本が聴取者への指示を示していなかった(Chiang 他 2023)。同じ研究では、英国のクラウドワーカーが評価したあるシステムは2.64、米国のワーカーが評価した同じシステムは3.73だった。
| 指標 | 値 | 出典 |
|---|---|---|
| VCC 2018のユニーク聴取者数 / 評価された発話数 | 267 / 113,168 | Lorenzo-Trueba 他, VCC 2018 論文 |
| 4つの評価の標準偏差が1を超えたVCC 2018の発話 | 約半数 | Lo 他, MOSNet 2019 |
| VCC 2018における自動MOS予測器対人間のMOS、発話単位対システム単位(線形相関) | 0.642 対 0.957 | Lo 他, MOSNet 2019 |
| VCC 2020の2回の聴取実験(英語話者と日本語話者の聴取者)の費用 | 738,128円(約6,900 USD) | Zhao 他, VCC 2020 概要, 2020 |
| 日本語話者と英語話者の聴取者スコアの一致度、VCC 2020 | 相関0.965〜0.984 | Zhao 他, VCC 2020 概要, 2020 |
| 上位6%のシステムとだけ並べて評価した場合の、1システムのMOS最大低下幅 | 1.28ポイント | Cooper と Yamagishi, Interspeech 2023 |
| 聴取者への指示を示さなかったInterspeech 2022の音声合成論文(80本中) | 51 | Chiang 他, Interspeech 2023 |
| 501人のワーカーによる聴取実験で無効とされたクラウド回答 | 約30% | Li 他, DMOSpeech 2025 |
背景メモ:個々の論文が行うテストは、チャレンジよりはるかに小規模だ。最近傍法による変換を扱った2023年のInterspeech論文は、61人の聴取者から自然性評価2,144件、208人の聴取者から類似度評価1,636件を集めた(Baas 他, Interspeech 2023)。報告された区間は約±0.1ポイントだったため、近い2システム間のそれより小さな差はほとんど何も語らない。
数字で見る声質変換の話者類似度と自然性ベンチマーク(まとめ)
| 指標 | 値 | 出典 |
|---|---|---|
| VCC 2016の最良システムの自然性 / 最高の類似度 | 3.0 / 約70% | Zhao 他, VCC 2020 概要, 2020; Wester 他, Interspeech 2016 |
| VCC 2018の最良システムの自然性 / 類似度 | 約4.1 / 約80% | Lorenzo-Trueba 他, VCC 2018 論文 |
| VCC 2016の自然な録音:自然性 / 類似度 | 4.5 / 90% | Violeta 他, SVCC 2025 分析, 2025 |
| USTC-2020対目標話者の録音、自然性MOS | 4.41 対 4.57 | Huang 他, IEEE JSTSP 2022 |
| ゼロショットシステム対正解データ、聴取者による自然性MOS | 3.96 対 4.33 | Yao 他, StableVC, AAAI 2025 |
| MCDとドメイン内自然性の相関、SVCC 2023 | -0.28 / -0.24(有意ではない) | Huang 他, SVCC 2023 論文 |
| 90%超の確率で話者照合システムを欺いたVCC 2020の同一言語システム | 31中20 | Das 他, VCC 2020 客観評価, 2020 |
| 埋め込み類似度対人間の評価、実際の音声対変換音声 | 0.768 対 0.512 | Ahn 他, VoxSim, Interspeech 2024 |
| 同一話者の短いクリップ対長いクリップでの照合の誤り率(0.50 = 区別不能) | 0.34 | Carbonneau 他 2025 |
| 類似度、任意話者→特定話者変換対任意話者→任意話者変換 | 59% 対 28% | Huang 他, IEEE JSTSP 2022 |
| 類似度、同一言語対中国語から英語への変換(2026年のシステム) | 0.63 対 0.49 | Zheng 他, X-VC 2026 |
| アクセントや感情のある音声の話者類似度、実際の録音対最良の変換出力 | 0.762 対 0.517 | Zhang 他, Vevo, ICLR 2025 |
| SVCC 2023の最上位システム対正解データの類似度 | 65% 対 80% | Violeta 他, SVCC 2025 分析, 2025 |
| 評価の標準偏差が1を超えたVCC 2018の発話 | 約半数 | Lo 他, MOSNet 2019 |
| 範囲均等化バイアスによるMOSの最大低下幅 | 1.28ポイント | Cooper と Yamagishi, Interspeech 2023 |
方法論と出典
- Toda 他: The Voice Conversion Challenge 2016, Interspeech 2016 (ISCA Archive)
- Wester、Wu、Yamagishi: Analysis of the Voice Conversion Challenge 2016 Evaluation Results, Interspeech 2016
- Lorenzo-Trueba 他: The Voice Conversion Challenge 2018: Promoting Development of Parallel and Nonparallel Methods (2018)
- Zhao 他: Voice Conversion Challenge 2020: Intra-lingual semi-parallel and cross-lingual voice conversion (2020)
- Das 他: Predictions of Subjective Ratings and Spoofing Assessments of Voice Conversion Challenge 2020 Submissions (2020)
- Huang、Yang、Hayashi、Toda: A Comparative Study of Self-supervised Speech Representation Based Voice Conversion, IEEE JSTSP 2022
- Huang 他: The Singing Voice Conversion Challenge 2023
- Violeta 他: An Extensive Analysis of the Singing Voice Conversion Challenge 2025 Evaluation Results (2025年、2026年改訂)
- Lo 他: MOSNet: Deep Learning-based Objective Assessment for Voice Conversion (2019)
- Ahn 他(KAISTとSamsung Research): VoxSim: A perceptual voice similarity dataset, Interspeech 2024
- Carbonneau 他(Ubisoft La Forgeとストレレンボッシュ大学): Analyzing and Improving Speaker Similarity Assessment for Speech Synthesis (2025)
- Li、Kumar、Jin(コロンビア大学とAdobe Research): DMOSpeech (2025)
- Cooper と Yamagishi(NII): Investigating Range-Equalizing Bias in Mean Opinion Score Ratings of Synthesized Speech, Interspeech 2023
- Chiang、Huang、Lee(国立台湾大学): Why We Should Report the Details in Subjective Evaluation of TTS More Rigorously (2023)
- Yao 他(西北工業大学とXimalaya): StableVC, AAAI 2025
- Zhang 他(CUHK-ShenzhenとMeta AI): Vevo: Controllable Zero-Shot Voice Imitation, ICLR 2025
- Zheng 他: X-VC: Zero-shot Streaming Voice Conversion in Codec Space (2026年4月)
- Baas、van Niekerk、Kamper(ストレレンボッシュ大学): Voice Conversion With Just Nearest Neighbors, Interspeech 2023
- データウォッチ:SVCC 2025の分析は、VCC 2020の言語間の結果を自然性約4.0、類似度約90%と記述しているが、VCC 2020の主催者自身の論文は、言語間サンプルの80%未満しか目標話者と同一と判定されなかったとしている。本記事では主催者の数値を採用した。いくつかの論文は内部でわずかに食い違っている(MOSNetは本文0.624に対して表0.642の発話単位相関で、表を採用した。VoxSimは1つの事前学習済みモデルについて本文0.733に対して表0.752。DMOSpeechはWER相関で-0.15対-0.16)。また、SVCC 2025論文のシステム数は版によって異なる(旧版26、現行版33)。JSTSP論文は、USTC-2020を自らのシステムと同じ表に載せているが、そのスコアが自らの聴取実験によるものかどうかを述べていない。SVCC 2025論文は、スタイルごとの「スタイル精度」スコアを定義しておらず、どのシステムを平均したのかも示していないため、絶対値ではなく難易度の順位として読むべきである。異なる論文の話者類似度スコアは、異なる埋め込みモデル、テストセット、聴取者集団を使っているため、行をまたいで比較できず、2026年の言語間の数値は同一言語の数値とは別のテストサブセットを使っている。音声のみのチャレンジで入手できる最新のデータはVCC 2020であり、より新しい音声の声質変換の証拠は、共通の聴取実験ではなく個々の論文から得られている。
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、次の声質変換チャレンジまたは歌声変換チャレンジの聴取実験結果が公表された時点を予定している。