Opencpop 코퍼스로 학습한 최고의 가창 음성 합성 모델은 5점 척도의 평균 의견 점수(MOS)에서 3.70을 기록한 반면, 전문 가수 본인의 녹음은 4.51이었다(Wang 외, Opencpop 논문, Interspeech 2022). 다른 네 개 벤치마크 논문에서는 최고 모델이 3.81에서 4.01 사이였고, 실제 녹음은 4.30에서 4.54였다(섹션 4 참조). 사람도 완벽하지는 않다. 성인 24명이 기억에 의존해 생일 축하 노래를 불렀을 때 목표 음표를 벗어난 정도의 중앙값은 19센트, 즉 반음의 약 5분의 1이었고(Mauch, Frieler, Dixon, JASA 2014), 중앙값 청취자가 음정이 어긋난 보컬을 알아채는 것은 약 55센트부터다(Larrouy-Maestri, Harrison, Müllensiefen, Behavior Research Methods 2019). 음성 합성은 여러 벤치마크에서 사람과 동등한 수준에 도달했으며, 이는 저희의 합성 음성 MOS 통계 정리에서 확인할 수 있지만, 노래는 아직 그렇지 않다. 저희는 Opencpop, M4Singer, GTSinger, ACE-Opencpop 코퍼스 논문, 2023년과 2025년의 가창 음성 변환 챌린지, SVDD 2024 딥페이크 탐지 챌린지, SingMOS-Pro 평가 벤치마크, 그리고 JASA, Frontiers in Psychology, PLoS One, Journal of Research in Music Education에 실린 동료 심사 가창 연구의 데이터를 종합했다.
요약
- Opencpop 최고 기준 모델의 MOS는 3.70으로, 원본 녹음의 4.51에 못 미쳤다(Wang 외, Opencpop 논문, Interspeech 2022).
- 성인 가수 24명은 음표 오차 중앙값 19센트로 음을 맞췄다(Mauch, Frieler, Dixon, JASA 2014).
- 비전문 가창자 50명 중 28%가 음정이 부정확한 가창자로 분류되었다(Berkowska, Dalla Bella, Frontiers in Psychology 2013).
- 1,046명 중 50센트라는 엄격한 기준에서 음정을 정확히 맞춘 사람은 37%에 그쳤다(Pfordresher, Demorest, JRME 2021).
- 중앙값 청취자는 54.989센트의 이동에서 음정 어긋남을 알아챈다(Larrouy-Maestri, Harrison, Müllensiefen, Behavior Research Methods 2019).
- DiffSinger에 실제 가수의 피치 곡선을 주자 운율 MOS는 3.72에서 4.02로 올랐지만, 음질 MOS는 3.92에서 3.97로만 올랐다(Zhang 외, M4Singer, NeurIPS 2022).
- VISinger 2는 DSP 합성기를 빼면 MOS가 3.96에서 3.02로 떨어졌다(Zhang 외, VISinger 2 논문, 2022).
- CoMelSinger는 학습에서 보지 못한 가수에 대해 녹음과의 자연스러움 차이를 0.24점까지 좁혔다(Zhao 외, CoMelSinger 2026).
- ACE-Opencpop은 30개 목소리의 합성 노래 128.9시간을 더한다(Shi 외, ACE-Opencpop 논문, 2024).
- SVCC 2025에서 사람 수준의 자연스러움에 도달한 시스템은 없었고, 상위 시스템은 약 3.7, 실제 노래는 약 3.9였다(SVCC 2025 분석 논문).
- SingMOS-Pro는 평가자 78명으로부터 품질 평가 44,247건을 수집했다(SingMOS-Pro 벤치마크 논문, 2026).
- SVDD 2024 최고의 탐지기는 동일 오류율 1.65%에 도달했다(Zhang 외, SVDD 2024 챌린지 논문).
1. 사람의 기준선: 사람은 실제로 얼마나 정확하게 노래하는가
음정 정확도는 센트로 측정한다. 100센트가 반음 하나이며, 피아노에서 이웃한 두 건반 사이의 간격이다. 반주 없이 노래한 24명의 음표 오차 중앙값 19센트(Mauch, Frieler, Dixon, JASA 2014)가 합성 가수에게 현실적인 목표이며, 0이 아니다. 훈련받은 목소리도 흔들린다. 전문 가수는 오페라 창법으로 바꾸자 음정 간격의 정확도가 높아지기는커녕 오히려 낮아졌다.
인구 전체에서의 편차는 크다. 같은 데이터셋에서 전체 표본의 37%가 음정을 정확히 맞춘 반면, 훈련받지 않은 참가자는 24%뿐이었다(Pfordresher, Demorest, JRME 2021). 차이의 상당 부분은 템포로 설명된다. 가끔 노래하는 62명을 대상으로 한 고전적인 연구에서는, 더 느린 템포로 재시험을 본 비음악가 15명 중 대부분이 전문가와 동등한 정확도를 보였고, 음정 오류를 많이 내는 상태가 계속된 사람은 2명뿐이었다(Dalla Bella, Giguère, Peretz, JASA 2007).
| 지표 | 값 | 출처 |
|---|---|---|
| 음표 오차 중앙값, 반주 없이 생일 축하 노래를 부른 성인 24명 | 19센트 | Mauch, Frieler, Dixon, JASA 2014 |
| 약 50초 길이 연주에서 피치 드리프트 절댓값의 중앙값 | 11센트 | Mauch, Frieler, Dixon, JASA 2014 |
| 음정 간격 편차 평균, 오페라 창법 없이 노래한 전문 가수 14명 | 32.81센트 | Larrouy-Maestri, Morsomme, Logopedics Phoniatrics Vocology 2014 |
| 음정 간격 편차 평균, 정규 훈련을 받지 않은 비전문 가창자 63명 | 50.83센트 | Larrouy-Maestri, Morsomme, Logopedics Phoniatrics Vocology 2014 |
| 음정 간격 편차 평균, 같은 전문 가수가 오페라(서정적) 창법을 사용한 경우 | 62.13센트 | Larrouy-Maestri, Morsomme, Logopedics Phoniatrics Vocology 2014 |
| 음정이 부정확한 가창자로 분류된 비전문 가창자(집단 평균에서 표준편차 2개 이상) | 28% (50명 중 14명) | Berkowska, Dalla Bella, Frontiers in Psychology 2013 |
| 음정을 정확히 맞춘 사람(음표의 90% 이상이 50센트 이내), 합산 표본 1,046명 | 37% | Pfordresher, Demorest, JRME 2021 |
| 기준을 100센트로 완화했을 때 정확하다고 분류된 노래 | 94% | Pfordresher, Demorest, JRME 2021 |
입수 가능한 최신 데이터: Pfordresher, Demorest, Journal of Research in Music Education 2021. 음정이 부정확한 가창자의 비율은 기준선에 따라 크게 달라진다. 단일 가창 음에서는 같은 비전문 가창자 50명 중 2 SD 기준선을 벗어난 사람은 6%였지만 50센트를 벗어난 사람은 58%였으므로, 어떤 대표 유병률 수치든 그 신뢰도는 임계값에 달려 있다.
2. 청취자 허용 범위: 귀는 얼마나 큰 음정 오차를 용서하는가
합성 가수는 튜너를 이길 필요가 없고, 청취자를 이기면 된다. 중앙값 청취자의 음정 어긋남 탐지 능력은 보컬 피치를 54.989센트 이동시킨 경우에 해당했다. 이는 Mistuning Perception Test의 333명 보정에서 나온 결과이며, 청취자의 95%는 36.309센트에서 82.589센트 사이였다(Larrouy-Maestri, Harrison, Müllensiefen, Behavior Research Methods 2019). 이는 대략 반음의 절반으로, 섹션 1의 음표 오차 중앙값 19센트보다 훨씬 크지만 두 테스트는 서로 다른 것을 측정한다.
일반 청취자도 음정을 일관되게 판단한다. 일반 평가자의 점수는 측정된 음정 간격 편차를 전문가의 점수와 거의 비슷하게 밀접하게 따라갔고, 전반적으로는 더 엄격했다(Larrouy-Maestri 외, PLoS One 2015). 합성 모델에 이것이 의미하는 바는, 보컬 코치 패널뿐 아니라 일반 청중도 음정 오차에 대한 유효한 시험 패널이 된다는 것이다.
| 지표 | 값 | 출처 |
|---|---|---|
| 탐지 임계값, 음악 훈련 낮음 대 높음(Gold-MSI 훈련 점수 10 대 40) | 65.173 대 43.219센트 | Larrouy-Maestri, Harrison, Müllensiefen, Behavior Research Methods 2019 |
| 음정 어긋남 정답 탐지율, 시험한 가장 작은 이동 대 가장 큰 이동(10~100센트, 우연 = 50%) | 51.2%에서 81.5% | Larrouy-Maestri, Harrison, Müllensiefen, Behavior Research Methods 2019 |
| 측정된 음정 간격 편차와의 상관: 전문가 평가자 3명 대 일반 평가자 | 약 .83 대 약 .79 | Larrouy-Maestri 외, PLoS One 2015 |
| 평가된 생일 축하 노래 166회 연주의 음정 간격 편차 평균 | 55.97센트 (범위 10.10~383) | Larrouy-Maestri 외, PLoS One 2015 |
| 음높이 변별과 음정 맞추기 사이의 상관, 자원자 632명 | r(630) = -.31, p < .001 | Pfordresher, Demorest, JRME 2021 |
입수 가능한 최신 데이터: Larrouy-Maestri, Harrison, Müllensiefen, 2019. 이 테스트는 보컬 트랙 전체를 일정한 양만큼 이동시켰으므로, 계속 음정이 어긋나는 가수에 대한 허용 범위를 측정하는 것이지 음표마다 달라지는 오차를 측정하는 것이 아니다. 후자는 저자들이 향후 과제로 남겨 두었다.
3. 객관적 음정 지표: SVS 논문이 측정하는 것
가창 음성 합성(SVS) 논문은 생성된 기본 주파수와 실제 기본 주파수(F0, 피치 곡선) 사이의 제곱평균제곱근 오차인 F0 RMSE로 음정을 채점한다. 검토한 SVS 논문 중 이 오차를 센트로 보고한 곳은 없었다. Opencpop, VISinger 2, CSSinger의 표에는 단위가 전혀 없고, ACE-Opencpop은 로그 F0 척도를 쓴다. 사람 연구는 센트를 쓰므로, 기계와 사람을 나란히 놓은 깔끔한 음정 점수는 아직 존재하지 않는다.
숫자가 실제로 보여주는 것은 하나의 벤치마크 안에서의 순위다. Opencpop에서 Conformer 모델은 기준 Transformer와 비교해 F0 RMSE를 29.99에서 26.72로 낮췄고(Wang 외, Opencpop 논문, Interspeech 2022), VISinger 2는 25.7M 파라미터로 26.0에 도달한 반면 CpopSing은 137.5M 파라미터였다(Zhang 외, VISinger 2 논문, 2022). 백분율로 보고되는 반음 정확도는 사람 방식의 점수에 가장 가까운 지표이지만, ACE-Opencpop 논문은 그 공식을 명시하지 않는다.
| 지표 | 값 | 출처 |
|---|---|---|
| Opencpop 테스트 세트의 F0 RMSE, 기준 Transformer 대 Conformer (단위 명시 없음) | 29.99 대 26.72 | Wang 외, Opencpop 논문, Interspeech 2022 |
| 실제 가수와의 F0 상관, Opencpop 기준 모델 | 0.893에서 0.904 | Wang 외, Opencpop 논문, Interspeech 2022 |
| 22 kHz에서의 F0 RMSE: VISinger 2 대 VISinger 대 CpopSing | 26.0 대 33.7 대 28.5 | Zhang 외, VISinger 2 논문, 2022 |
| 모델 크기: VISinger 2 대 CpopSing | 25.7M 대 137.5M 파라미터 | Zhang 외, VISinger 2 논문, 2022 |
| VISinger2의 반음 정확도: 중국어 ACE-Opencpop 대 일본어 Kiritan 코퍼스 | 65.19% 대 49.33% | Shi 외, ACE-Opencpop 논문, 2024 |
| Opencpop에서 CSSinger-FS의 F0 RMSE, F0 상관, 유성/무성 오류 | 28.601, 0.919, 0.107 | Cui 외, CSSinger 2024 |
| ACE-Opencpop의 F0 RMSE: 음성 언어 모델 SVS 대 TokSing 대 XiaoiceSing | 62.79 대 55.83 대 71.67 | Zhao 외, 음성 언어 모델 SVS 논문, 2025 |
유성/무성 오류는 모델이 유성음(성대가 진동하므로 음높이가 존재함)과 무성음을 혼동하는 빈도를 추적한다. 같은 아키텍처에서 반음 정확도가 49.33%에서 65.19%까지 벌어지는 것은 점수가 코퍼스에 크게 좌우된다는 것을 시사하므로, 서로 다른 코퍼스의 결과를 놓고 순위를 매길 수는 없다.
4. 자연스러움: 합성 노래와 실제 노래의 MOS 격차
MOS는 청취 패널이 1에서 5 척도로 매기는 평균 평가이며, 여기에 나오는 모든 논문이 모델과 함께 실제 녹음을 시험했다. 다섯 개 벤치마크 논문 전체에서 최고 모델과 실제 노래의 격차는 0.45에서 0.81 MOS 포인트 범위였다(PopCS에서는 4.30 빼기 3.85, Opencpop에서는 4.51 빼기 3.70). 음성 합성은 여러 벤치마크에서 녹음과의 동등성이 보고되었지만, 노래는 여전히 약 0.5점 이상 뒤처져 있다.
가장 최근의 제로샷 연구가 이 격차를 좁히고 있다. 제로샷은 모델이 학습 중에 한 번도 들어보지 못한 목소리로 노래한다는 뜻이다. 2026년 4월에 개정된 CoMelSinger는 한 번도 들어보지 못한 가수에 대해 실제 녹음과의 자연스러움 차이를 0.24점까지 좁혔고(4.35 빼기 4.11), 이는 이 세트에서 가장 작은 격차다(Zhao 외, CoMelSinger 2026). 다만 패널이 작아서 흔히 청취자 10~20명이므로, 0.1점 차이의 우위가 결정적인 경우는 드물다.
| 지표 | 값 | 출처 |
|---|---|---|
| Opencpop의 MOS: 최고 기준 모델(CpopSing) 대 녹음 | 3.70 대 4.51 | Wang 외, Opencpop 논문, Interspeech 2022 |
| PopCS의 MOS: DiffSinger 대 녹음 | 3.85 대 4.30 | Liu 외, DiffSinger, AAAI 2022 |
| M4Singer의 음질 MOS: DiffSinger 대 녹음 | 3.92 대 4.52 | Zhang 외, M4Singer, NeurIPS 2022 |
| 44.1 kHz에서의 MOS: VISinger 2 대 녹음 | 3.81 대 4.32 | Zhang 외, VISinger 2 논문, 2022 |
| GTSinger의 음질 MOS: StyleSinger 대 녹음 | 4.01 대 4.54 | Zhang 외, GTSinger, NeurIPS 2024 |
| 자연스러움 MOS, 학습에서 본 가수: CoMelSinger 대 녹음 | 4.02 대 4.38 | Zhao 외, CoMelSinger 2026 |
| 자연스러움 MOS, 학습에 없던 가수(제로샷): CoMelSinger 대 녹음 | 4.11 대 4.35 | Zhao 외, CoMelSinger 2026 |
이 코퍼스들에 대해 입수 가능한 최신 데이터: Opencpop, PopCS, M4Singer, VISinger 2 행은 2022년 것이므로, 현재의 최첨단이 아니라 각 코퍼스의 기준선을 나타낸다. AI 음악 도구의 보급에 관한 더 넓은 수치는 저희의 AI 음악 생성 통계를 참고하세요.
5. 음정이 중요한 곳: 모델이 F0를 정확히 맞출 때 달라지는 것
가장 깔끔한 시험은 모델에 실제 가수의 피치 곡선을 쥐여 주고 무엇이 개선되는지 측정하는 것이다. DiffSinger가 실제 F0를 받았을 때 운율 MOS는 0.30점 올랐고(3.72에서 4.02) 음질은 0.05점만 올랐다(3.92에서 3.97) (Zhang 외, M4Singer, NeurIPS 2022). 여기서 운율은 선율 표현의 일관성과 자연스러움을 뜻한다. 더 나은 음정은 그 격차의 일부를 메우지만, 실제 F0를 주어도 두 점수 모두 녹음(4.47과 4.52)에는 못 미치므로, 음정은 여러 한계 중 하나다.
동적인 기법이 가장 어렵다. 악보 기반 합성이 아니라 변환 과제였던 가창 음성 변환 챌린지 2025에서, 주최 측이 강한 동적 성분이 있다고 설명한 스타일(브레시, 글리산도, 비브라토)이 가장 낮은 스타일 정확도를 보였고, 가성처럼 대부분 정적인 스타일이 가장 높았다(SVCC 2025 분석 논문).
| 지표 | 값 | 출처 |
|---|---|---|
| F0 평균 절대 오차와 유성/무성 정확도, DiffSinger의 예측 F0 대 실제 F0 | 8.9990 대 1.7061; 0.9406 대 0.9856 | Zhang 외, M4Singer, NeurIPS 2022 |
| VISinger 2의 MOS, 전체 모델 대 DSP 합성기 없음 | 3.96 대 3.02 | Zhang 외, VISinger 2 논문, 2022 |
| 보조 멜 스펙트럼 모듈이 없는 VISinger 2의 MOS | 3.85 | Zhang 외, VISinger 2 논문, 2022 |
| SVCC 2025 스타일 정확도: 브레시, 글리산도, 비브라토 | 37.3%, 42.6%, 43.9% | SVCC 2025 분석 논문 |
| SVCC 2025 스타일 정확도: 인두음, 믹스 보이스, 가성 | 44.8%, 48.3%, 48.8% | SVCC 2025 분석 논문 |
Opencpop 저자들은 기준 모델이 학습 분포의 롱테일에 있는 드문 음높이에 대해 제한적인 능력만 보였다고 보고했는데, 가수 1명의 코퍼스로는 이 한계에서 벗어나기 어렵다.
6. 학습 데이터: 모델 뒤에 있는 노래의 시간
가창 모델은 여전히 녹음된 노래의 한 자릿수에서 두 자릿수 시간 분량으로 학습한다. 중국어 SVS 문헌의 상당수를 뒷받침하는 Opencpop 코퍼스에는 전문 여성 가수 1명의 약 5.2시간 분량의 노래가 들어 있다(Wang 외, Opencpop 논문, Interspeech 2022). Opencpop이나 M4Singer 같은 녹음 코퍼스는 음표 경계와 악보를 손으로 주석해야 하므로, 실제 노래 데이터는 느리게 늘어난다.
대안은 합성 데이터다. ACE-Opencpop은 Opencpop 악보에서 파생되어 ACE Studio 가창 합성기로 합성하고 피치 윤곽, 호흡, 비브라토를 수동으로 조정해 128.9시간을 만들었으며, 이로 사전 학습하자 실제 Opencpop에서 VISinger2의 반음 정확도가 64.50%에서 65.18%로 소폭 올랐다(Shi 외, ACE-Opencpop 논문, 2024). 대신 실제 M4Singer 코퍼스로 사전 학습했을 때는 60.54%로 낮아졌다. ACE-Opencpop은 대상 코퍼스와 곡을 공유하므로, 이 결과는 시간 수 자체보다 대상과의 일치 정도를 더 잘 말해 준다.
| 지표 | 값 | 출처 |
|---|---|---|
| Opencpop: 전문 가수 1명, 100곡 | 약 5.2시간, 발화 3,756개 | Wang 외, Opencpop 논문, Interspeech 2022 |
| M4Singer: 전문 가수 20명(남성 10명, 여성 10명), 700곡 | 29.77시간, 발화 20,942개 | Zhang 외, M4Singer, NeurIPS 2022 |
| GTSinger: 전문 가수 20명, 9개 언어, 6개 기법 | 노래 80.59시간과 짝지어진 음성 16.16시간 | Zhang 외, GTSinger, NeurIPS 2024 |
| 합성 코퍼스 ACE-Opencpop과 ACE-KiSing | 128.9시간(30개 목소리)과 32.5시간(34개 목소리) | Shi 외, ACE-Opencpop 논문, 2024 |
| Opencpop에서 VISinger2의 반음 정확도: 사전 학습 없음 대 ACE-Opencpop 대 M4Singer 사전 학습 | 64.50% 대 65.18% 대 60.54% | Shi 외, ACE-Opencpop 논문, 2024 |
| KiSing에서 VISinger2, 단독 학습 대 ACE-KiSing 추가: 반음 정확도와 MOS | 68.12%에서 72.51%; 3.58에서 3.83 | Shi 외, ACE-Opencpop 논문, 2024 |
| CtrSVDD 벤치마크를 위해 8개 공개 코퍼스에서 모은 실제 노래 | 47.64시간 | Zang 외, CtrSVDD 2024 |
GTSinger의 아홉 개 언어는 중국어, 영어, 일본어, 한국어, 러시아어, 스페인어, 프랑스어, 독일어, 이탈리아어이고, 레이블이 붙은 여섯 개 기법은 믹스 보이스, 가성, 브레시, 인두음, 비브라토, 글리산도로, 섹션 5에서 채점한 여섯 개 스타일과 같다.
7. 평가 방법과 벤치마크: 점수는 어떻게 만들어지는가
소규모 청취 패널이 표준이다. Opencpop은 클립당 청취자 20명을 썼고, VISinger 2 시험은 30개 구간에 청취자 10명, ACE-Opencpop 시험은 시스템당 30개 샘플에 청취자 30명을 썼다. Opencpop 녹음은 2024년의 한 논문 안에서 한 시험에서는 4.22 MOS, 다른 시험에서는 4.77을 기록했다(Cui 외, CSSinger 2024). 0.55점의 편차로, 모델 간 격차 상당수보다 크다.
자동 평가기는 시스템 수준에서는 도움이 되지만 클립 수준에서는 그렇지 않다. SingMOS-Pro에서 최고의 MOS 예측기는 시스템 순위를 매길 때 선형 상관 0.88에 도달했지만 개별 클립에서는 0.58에 그쳤다(SingMOS-Pro 벤치마크 논문, 2026). 탐지 쪽이 더 앞서 있다. 통제된 데이터에서 SVDD 2024 최고 팀은 동일 오류율을 1.65%까지 낮췄고(Zhang 외, SVDD 2024 챌린지 논문), 이 주제는 저희의 오디오 딥페이크 포렌식 통계에서 다룬다.
| 지표 | 값 | 출처 |
|---|---|---|
| SingMOS-Pro 규모 | 클립 7,981개, 평가 44,247건, 평가자 78명, 11.15시간 | SingMOS-Pro 벤치마크 논문, 2026 |
| SingMOS-Pro에서 평가된 시스템(합성, 변환, 재합성, 정답 데이터) | 141 (60, 17, 52, 12) | SingMOS-Pro 벤치마크 논문, 2026 |
| 최고의 자동 MOS 예측기, 시스템 수준 대 클립 수준 선형 상관 | 0.88 대 0.58 | SingMOS-Pro 벤치마크 논문, 2026 |
| SVCC 2023 제출물과 청취자 | 제출물 26건(기준 모델 2개 포함); 영어 청취자 40명과 일본어 청취자 319명 | Huang 외, SVCC 2023 논문 |
| UTMOS 예측기와 SVCC 2023 자연스러움 MOS의 스피어만 상관(과제 1, 일본어 청취자) | 0.77 | Huang 외, SVCC 2023 논문 |
| SVCC 2025 자연스러움, 상위 시스템 대 실제 노래 | 약 3.7 대 약 3.9 | SVCC 2025 분석 논문 |
| CtrSVDD 실제 노래 대 딥페이크 노래, 생성 방법 14개, 가수 정체성 164개 | 47.64 대 260.34시간 | Zang 외, CtrSVDD 2024 |
| SVDD 2024 동일 오류율: 최고 팀 대 기준선; 두 기준선을 모두 넘은 팀 | 1.65% 대 11.16%와 12.03%; 47개 중 37개 | Zhang 외, SVDD 2024 챌린지 논문 |
배경: SVCC 2023에서는 두 과제의 상위 시스템이 자연스러움에서 자연 샘플과 유의하게 다르지 않다고 판정되었지만, 노래 스타일도 채점한 SVCC 2025에서는 사람 수준의 자연스러움에 도달한 시스템이 없었다. 분석은 노래 스타일의 모델링이 여전히 과제로 남아 있다고 결론짓는다.
종합: 숫자로 보는 가창 음성 합성의 음정 정확도와 자연스러움
| 지표 | 값 | 출처 |
|---|---|---|
| 음표 오차 중앙값, 반주 없는 성인 가수 24명 | 19센트 | Mauch, Frieler, Dixon, JASA 2014 |
| 표본 1,046명에서 음정을 정확히 맞춘 사람 | 37% | Pfordresher, Demorest, JRME 2021 |
| 더 느슨한 100센트 기준에서 정확하다고 분류된 노래 | 94% | Pfordresher, Demorest, JRME 2021 |
| 음정이 부정확한 비전문 가창자(2 SD 기준) | 28% (50명 중 14명) | Berkowska, Dalla Bella, Frontiers in Psychology 2013 |
| 중앙값 청취자의 탐지 능력에 해당하는 피치 이동 | 54.989센트 | Larrouy-Maestri, Harrison, Müllensiefen, Behavior Research Methods 2019 |
| Opencpop 최고 기준 모델 대 녹음, MOS | 3.70 대 4.51 | Wang 외, Opencpop 논문, Interspeech 2022 |
| 44.1 kHz에서 VISinger 2 대 녹음, MOS | 3.81 대 4.32 | Zhang 외, VISinger 2 논문, 2022 |
| CoMelSinger 대 녹음, 학습에 없던 가수의 자연스러움 MOS | 4.11 대 4.35 | Zhao 외, CoMelSinger 2026 |
| 실제 F0로 인한 운율 MOS 상승폭 대 음질 MOS 상승폭 (DiffSinger) | +0.30 대 +0.05 | Zhang 외, M4Singer, NeurIPS 2022 |
| DSP 합성기가 없는 VISinger 2의 MOS | 3.02 (3.96 대비) | Zhang 외, VISinger 2 논문, 2022 |
| VISinger2의 반음 정확도, ACE-Opencpop 대 Kiritan | 65.19% 대 49.33% | Shi 외, ACE-Opencpop 논문, 2024 |
| 비브라토의 SVCC 2025 스타일 정확도 | 43.9% | SVCC 2025 분석 논문 |
| GTSinger 코퍼스 규모 | 80.59시간, 가수 20명, 9개 언어 | Zhang 외, GTSinger, NeurIPS 2024 |
| 합성 코퍼스 ACE-Opencpop 규모 | 128.9시간, 30개 목소리 | Shi 외, ACE-Opencpop 논문, 2024 |
| 한 논문 안의 두 별도 시험에서 Opencpop 녹음의 점수, MOS | 4.22 대 4.77 | Cui 외, CSSinger 2024 |
| 수집된 SingMOS-Pro 평가 | 평가자 78명이 매긴 44,247건 | SingMOS-Pro 벤치마크 논문, 2026 |
| SVDD 2024 최고 동일 오류율 | 1.65% | Zhang 외, SVDD 2024 챌린지 논문 |
방법론과 출처
- 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, 2025년 12월
- Zhao et al., CoMelSinger: Discrete Token-Based Zero-Shot Singing Synthesis, 2026년 4월 개정
- 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, 2026년 1월 개정
- 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
- 데이터 참고 사항: MOS 값은 논문 간에 비교할 수 없다. 청취 패널(10~30명), 샘플링 레이트, 지시문이 서로 다르고, CSSinger 논문에서는 Opencpop 녹음이 두 시험에서 4.22와 4.77을 기록했기 때문이다. F0 RMSE의 단위도 제각각이어서(대부분의 논문에서는 명시 없음, ACE-Opencpop에서는 로그) 서로 다른 논문의 F0 RMSE 수치를 직접 비교해서는 안 된다. 코퍼스 규모에 관해서는 출처 간에 상충이 있다. ACE-Opencpop은 자체 논문의 Table 1에서는 128.9시간, 서론에서는 약 130시간, 2025년 12월의 음성 언어 모델 논문에서는 135시간이다. ACE-KiSing은 가수 34명과 33명으로 모두 기재되어 있다. Opencpop은 자체 논문에서는 약 5.2시간이지만 M4Singer와 GTSinger의 비교표에서는 5.25시간이다. CSSinger-FS의 F0 RMSE는 한 표에서는 28.601, 다른 표에서는 28.101로 나온다. SVDD 2024의 동일 오류율에는 ACESinger 방법이 제외되어 있다. Pfordresher와 Demorest는 50센트를 반음 하나라고 설명하지만, 50센트는 반음의 절반이다. SVCC 2023의 정확한 자연스러움 점수는 그림에만 나오므로 유의성 결과만 보고한다. VISinger 2, CSSinger, CoMelSinger, SingMOS-Pro, 음성 언어 모델 논문은 arXiv 버전에서 인용했으며 각자의 저자가 점수를 매겼다. CoMelSinger와 SingMOS-Pro에는 동료 심사를 거친 게재지가 기재되어 있지 않고, 음성 언어 모델 논문은 워크숍에 제출되었으므로 최종 수치는 다를 수 있다. 사람의 음정 정확도 연구는 모두 2023년 이전의 것이며 입수 가능한 최신 데이터다.
마지막 업데이트: 2026년 10월 31일. 저희는 이 정리를 분기마다 업데이트하며, 다음 갱신은 ICASSP 2027 논문집과 다음 가창 음성 변환 챌린지 결과가 공개될 때 이루어질 것으로 예상한다.