Neuronowy detektor oparty na spektrogramie rozpoznał wokal przetworzony Auto-Tune z dokładnością 94,75%, wobec 79,33% dla modelu bazowego RawNet2, z którym go porównano (Gohari et al., IEEE WIFS 2024). Korekcja wysokości dźwięku zostawia ślad, który maszyny potrafią odczytać, choć ludzkie ucho jest wyrozumiałe: w nagraniach nieprzetworzonych fałszywą nutę śpiewaną ze słowami trudniej wychwycić niż taką samą nutę śpiewaną na neutralnej sylabie (Weiss i Trehub, Psychology of Music 2023). Akceptacja różni się wiekiem: w jednym sondażu z 2025 roku Auto-Tune akceptowało 78,4% respondentów z pokolenia Z wobec 31,2% pokolenia baby boomers (Xie i Kim, Journal of Computing and Biomedical Informatics 2025). A materiał, na którym pracują te narzędzia, jest daleki od doskonałości: w 22% nagrań bez akompaniamentu śpiewacy znacząco oddalali się od wysokości, od której zaczęli (Mauch, Frieler i Dixon, JASA 2014). Zebraliśmy dane z Billboard, Recording Academy i Antares Audio Technologies, z recenzowanych badań percepcji w Psychology of Music, Behavior Research Methods, Music and Science i JASA oraz z prac o przetwarzaniu sygnałów z IEEE WIFS, ICASSP i Data in Brief. Jeśli trafiasz tu z naszych statystyk stroju koncertowego i standardu strojenia A=440, to zestawienie przechodzi od dźwięku odniesienia, do którego stroi się orkiestra, do oprogramowania, które przyciąga do niego ludzki głos.
Krótka uwaga o jednostce używanej w całym tekście: odległości wysokości dźwięku mierzy się w centach, gdzie 100 centów to jeden półton (jeden klawisz fortepianu), a 50 centów to ćwierćton.
TL;DR
- ‘Believe’ Cher spędziło 4 tygodnie na pierwszym miejscu Billboard Hot 100 (Billboard Canada, 25. rocznica Believe 2023).
- Celemony, twórca Melodyne, powstało w 1997 roku i otrzymało Technical GRAMMY podczas 54. ceremonii GRAMMY Awards (Recording Academy, Technical GRAMMY: Celemony).
- Około 85-90% ludzi potrafi śpiewać czysto, natomiast około 10-15% jest wyjątkowo niedokładnych (Dalla Bella et al., Frontiers in Psychology 2011).
- Znaczący dryf wysokości dźwięku wystąpił w 22% z 72 nagrań bez akompaniamentu, przy p < 0,01 (Mauch, Frieler i Dixon, JASA 2014).
- Zdolności wykrywania rozstrojenia u 95% z 333 słuchaczy mieściły się między 36,309 a 82,589 centów (Larrouy-Maestri et al., Behavior Research Methods 2019).
- Dyrygenci chórów i nauczyciele śpiewu ocenili 11 z 16 w pełni skorygowanych gam poniżej 80 punktów na 120 za intonację (Michael i Gilman, Journal of Singing 2021).
- Słuchacze woleli automatyczny korektor w 79% porównań, gdy oryginał odbiegał o 40 do 60 centów (Wager et al., ICASSP 2020).
- 78,4% pokolenia Z wobec 31,2% pokolenia baby boomers akceptuje Auto-Tune w nagraniach (Xie i Kim, Journal of Computing and Biomedical Informatics 2025).
- Detektor zachował 87,55% dokładności dla wokalu przetworzonego Auto-Tune po kompresji MP3, wobec 56,67% dla modelu bazowego (Gohari et al., IEEE WIFS 2024).
- Zbiór danych ATDD zawiera 21.249 oznaczonych segmentów do wykrywania Auto-Tune w trzech językach (Gohari et al., Data in Brief 2026).
1. Kamienie milowe: jak korekcja wysokości dźwięku trafiła na listy przebojów
Korekcja wysokości dźwięku ma mniej niż 30 lat: premiera Auto-Tune i założenie Celemony przypadają na ten sam rok, 1997. Oprogramowanie stworzono po to, by po cichu poprawiać nuty; stało się sławne z odwrotnego powodu, gdy przebój sprawił, że korekcję było słychać. ‘Believe’ Cher spędziło 4 tygodnie na pierwszym miejscu Billboard Hot 100, a Billboard Canada przypisuje singlowi z 1999 roku zasługę, że “przedstawił światu cuda AutoTune” (Billboard Canada, 2023).
Wyróżnienia przyznawane przez branżę układają się w tę samą opowieść. Recording Academy przyznała Celemony, twórcy Melodyne, Technical GRAMMY podczas 54. ceremonii GRAMMY Awards i odnotowuje, że Peter Neubäcker zaprezentował Melodyne na zimowych targach NAMM Show w 2001 roku (Recording Academy, Technical GRAMMY Award: Celemony). Antares podaje, że jej założyciel Andy Hildebrand otrzymał Technical GRAMMY w 2023 roku (blog Antares, 2023), co jest ogłoszeniem samego producenta.
| Metryka | Wartość | Źródło |
|---|---|---|
| Data publicznej premiery Auto-Tune (deklaracja samego producenta) | 19 września 1997 | Antares Audio Technologies, The Science Behind Auto-Tune 2026 (deklaracja producenta) |
| Kraje, w których ‘Believe’ osiągnęło pierwsze miejsce (deklaracja samego producenta) | 23 | Antares Audio Technologies, wpis o Technical GRAMMY 2023 (deklaracja producenta) |
| Tygodnie, które ‘Believe’ Cher spędziło na pierwszym miejscu Billboard Hot 100 | 4 | Billboard Canada, 25. rocznica Believe 2023 |
| Nominacje do GRAMMY dla ‘Believe’ (singiel i album) wobec zwycięstw | 3 nominacje, 1 zwycięstwo (najlepsze nagranie taneczne) | Billboard Canada, 25. rocznica Believe 2023 |
| Rok założenia Celemony, firmy stojącej za Melodyne | 1997 | Recording Academy, Technical GRAMMY Award: Celemony |
| Rok premiery Melodyne (zimowe targi NAMM Show) | 2001 | Recording Academy, Technical GRAMMY Award: Celemony |
| Ceremonia GRAMMY, podczas której Celemony otrzymało Technical GRAMMY | 54. ceremonia GRAMMY Awards (Special Merit Awards 2012) | Recording Academy, Technical GRAMMY Award: Celemony |
Uwaga kontekstowa: ten sam wpis producenta datuje premierę ‘Believe’ na 22 października 1998 roku; liczba 23 krajów i ta data pochodzą z bloga samego producenta i nie są niezależnymi danymi z list przebojów. Nie znaleźliśmy weryfikowalnego, recenzowanego zliczenia tego, ile obecnych przebojów poddano korekcji wysokości dźwięku; zobacz uwagę o danych w metodologii.
2. Jak dokładnie ludzie śpiewają bez korekcji
Korekcja wysokości dźwięku istnieje, bo ludzki głos jest nieprecyzyjnym instrumentem, ale różnica jest mniejsza, niż sugeruje frazes “każdy potrzebuje Auto-Tune”. Większym problemem nie jest trafienie w nutę raz, lecz utrzymanie odniesienia w czasie: w 22% z 72 nagrań bez akompaniamentu śpiewacy znacząco oddalili się od wysokości początkowej (p < 0,01) (Mauch, Frieler i Dixon, JASA 2014). Dryf (powolne zsuwanie się całego wykonania w górę lub w dół) to dokładnie to, co usuwa korektor związany z tonacją, ponieważ przyciąga każdą nutę z powrotem do stałej skali.
Bodźcem w badaniu było ‘Happy Birthday’ śpiewane na sylabie “na” przez 24 śpiewaków o zróżnicowanych umiejętnościach. Szerszy przegląd stawia liczby populacyjne w perspektywie: większość ludzi potrafi zaśpiewać melodię, a prawdziwym słabym punktem jest konsekwencja (Dalla Bella, Berkowska i Sowiński, Frontiers in Psychology 2011). Najnowsze dostępne dane: przegląd w Frontiers in Psychology z 2011 roku i JASA 2014; nowsze badania populacyjne z tymi samymi miarami są nieliczne.
| Metryka | Wartość | Źródło |
|---|---|---|
| Mediana bezwzględnego dryfu wysokości dźwięku w trakcie około 50-sekundowego wykonania bez akompaniamentu (24 śpiewaków) | 11 centów | Mauch, Frieler i Dixon, JASA 2014 |
| Nagrania ze statystycznie istotnym dryfem (z 72) | 22% (16) przy p < 0,01; 38% (27) przy p < 0,05 | Mauch, Frieler i Dixon, JASA 2014 |
| Mediana błędu interwału między kolejnymi śpiewanymi nutami | 0,267 półtonu (około 27 centów) | Mauch, Frieler i Dixon, JASA 2014 |
| Odsetek ogólnej populacji, który jest wyjątkowo niedokładny w wytwarzaniu wysokości dźwięku | około 10-15% | Dalla Bella, Berkowska i Sowiński, Frontiers in Psychology 2011 |
| Odsetek ogólnej populacji, który w systematycznych ocenach potrafi śpiewać czysto | około 85-90% | Dalla Bella, Berkowska i Sowiński, Frontiers in Psychology 2011 |
| Odsetek uznany za niedokładny po uwzględnieniu spójności powtarzanych prób | około 55% | Pfordresher et al. 2010, w streszczeniu w Dalla Bella et al., Frontiers in Psychology 2011 |
| Średnie odchylenie od poprawnych interwałów muzycznych, śpiewacy okazjonalni wobec śpiewaków zawodowych | 0,6 półtonu wobec 0,3 półtonu | Dalla Bella et al. 2007, w streszczeniu w Dalla Bella et al., Frontiers in Psychology 2011 |
| O ile śpiewacy zawodowi mogą fałszować w interwałach, mierząc względem skali równomiernie temperowanej | 20-25 centów | Vurma i Ross 2006 oraz Zurbriggen et al. 2006, w streszczeniu w Dalla Bella et al., Frontiers in Psychology 2011 |
Uwaga o wartościach odstających: w tym badaniu dryf nie korelował z doświadczeniem śpiewaczym ani z innymi miarami dokładności, a większość istotnych dryfów szła w górę. Doświadczenie chóralne wiązało się z dokładniejszymi nutami i interwałami, ale nie powstrzymywało niezawodnie zsuwania się wysokości.
3. Ile rozstrojenia słuchacze faktycznie słyszą
Słuchacze są tolerancyjni, a ta tolerancja to ukryta ekonomia korekcji wysokości dźwięku: musi ona przesunąć nutę tylko na tyle, by przekroczyć próg słuchacza, a nie do perfekcji. W kalibracji Mistuning Perception Test użyto prawdziwych nagrań pop, przesuwając wokal prowadzący względem podkładu. Zdolności 95% z 333 słuchaczy odpowiadały przesunięciom wysokości między 36,309 a 82,589 centów (Larrouy-Maestri, Harrison i Müllensiefen, Behavior Research Methods 2019). Mówiąc prosto, u niemal wszystkich osób w tej próbie wokal musiał odbiegać od właściwej wysokości o więcej niż jedną trzecią półtonu, zanim błąd stał się wiarygodnie wykrywalny.
66-osobowa próba walidacyjna odróżniała dwa czyste tony przy medianie 24,0 centów, więc sam miks ukrywa błędy, które ucho wychwyciłoby w izolacji. Głosy są też trudniejsze do oceny niż instrumenty: muzycy ze słuchem absolutnym (zdolnością nazwania dźwięku bez wzorca) rzadziej trafnie nazywali dźwięki śpiewane niż dźwięki altówki (Gao i Oxenham, JASA 2022). Nasze statystyki dokładności wysokości dźwięku w syntezie głosu śpiewanego patrzą na te same progi z perspektywy śpiewu generowanego przez AI. Najnowsze dostępne dane: Behavior Research Methods 2019 i Music and Science 2018.
| Metryka | Wartość | Źródło |
|---|---|---|
| Zakres rozstrojenia wokalu testowany we fragmentach muzyki pop, w dół i w górę | od 10 do 100 centów, w krokach co 5 centów | Larrouy-Maestri, Harrison i Müllensiefen, Behavior Research Methods 2019 |
| Przesunięcie wysokości odpowiadające zdolnościom 95% z 333 słuchaczy kalibracyjnych | od 36,309 do 82,589 centów | Larrouy-Maestri, Harrison i Müllensiefen, Behavior Research Methods 2019 |
| Rzetelność test-retest 30-pytaniowego testu adaptacyjnego (66-osobowa próba walidacyjna) | r = 0,698 (95% CI od 0,544 do 0,806) | Larrouy-Maestri, Harrison i Müllensiefen, Behavior Research Methods 2019 |
| Mediana progu odróżniania dwóch czystych tonów, ta sama próba walidacyjna | 24,0 centów | Larrouy-Maestri, Harrison i Müllensiefen, Behavior Research Methods 2019 |
| Tolerancja słuchaczy na rozstrojenie w śpiewanych melodiach | połowa ćwierćtonu (25 centów, ponieważ ćwierćton to 50 centów) | Larrouy-Maestri, Music and Science 2018 |
| Błąd interwału, którego większość słuchaczy nie oceniała wiarygodnie jako fałszywego | 40 centów | Vurma i Ross 2006, w streszczeniu w Mauch, Frieler i Dixon, JASA 2014 |
| Najmniejsza zauważalna różnica częstotliwości przy typowych częstotliwościach śpiewu do 800 Hz | poniżej 17 centów | Henning 1955, w streszczeniu w Mauch, Frieler i Dixon, JASA 2014 |
| Szansa trafnego nazwania dźwięku śpiewanego wobec dźwięku altówki, muzycy ze słuchem absolutnym (n = 55) | iloraz szans 0,49 (95% CI od 0,34 do 0,71) | Gao i Oxenham, JASA 2022 |
Uwaga kontekstowa: dwie liczby tolerancji z tego samego zespołu badawczego mierzą różne rzeczy. Badanie z 2018 roku wykazało “zaskakująco małą tolerancję”, gdy słuchacze oceniali wyizolowane śpiewane melodie (Music and Science 2018), podczas gdy test z 2019 roku osadza głos w pełnym miksie pop, gdzie progi są wyższe.
4. Słowa, wokal przetworzony Auto-Tune i wykrywanie błędów wysokości dźwięku
Słowa są naturalnym kamuflażem dla fałszywych nut, a korekcja wysokości dźwięku usuwa część tego kamuflażu. W serii czterech eksperymentów ze studentami (autorzy zakładali próbę w większości kanadyjską) słuchacze słyszeli znane piosenki, w których jedną nutę przesunięto o 50 lub 100 centów. Słowa utrudniały wykrycie błędów w porównaniu z sylabą “la” z wielkością efektu d = 0,74, ale gdy Auto-Tune usunął naturalne drżenie wysokości wewnątrz każdej nuty, efekt słów spadł do d = 0,26 (Weiss i Trehub, Psychology of Music 2023). Autorzy wnioskują, że zmienne brzmienie słów, bardziej niż ich znaczenie, zakłóca śledzenie wysokości dźwięku.
Poniższe wyniki wykrywania to trafienia minus fałszywe alarmy, więc 1,0 oznaczałoby perfekcję, a 0 zgadywanie. To samo mikrodrżenie ma znaczenie dla uwagi: w pokrewnym nurcie badań wokal prowadzący był najłatwiejszym do wychwycenia elementem miksu pop dla studentów Uniwersytetu w Oldenburgu (Bürgel, Picinali i Siedenburg, Frontiers in Psychology 2021), a badanie uzupełniające, w którym wokal przetworzono Auto-Tune, wykazało, że te mikromodulacje częstotliwości są “ważną cechą akustyczną przyczyniającą się do wyrazistości wokalu” (Bürgel i Siedenburg, Music Perception 2023).
| Metryka | Wartość | Źródło |
|---|---|---|
| Wynik wykrywania rozstrojonej nuty śpiewanej ze słowami wobec śpiewanej na “la” (24 dorosłych, eksperyment 1) | 0,273 wobec 0,392 | Weiss i Trehub, Psychology of Music 2023 |
| Wynik wykrywania błędu 50 centów wobec błędu 100 centów (eksperyment 1) | 0,188 wobec 0,477 | Weiss i Trehub, Psychology of Music 2023 |
| Wpływ słów wobec “la” na wykrywanie, nagrania nieprzetworzone | d = 0,74 | Weiss i Trehub, Psychology of Music 2023 |
| Wpływ słów wobec “la” po usunięciu przez Auto-Tune wahań wysokości wewnątrz nuty (29 dorosłych, eksperyment 2) | d = 0,26 | Weiss i Trehub, Psychology of Music 2023 |
| Dokładność wykrywania wokalu prowadzącego w miksach pop po spektralnym odmaskowaniu (eksperyment 2) | 96% (93-99%) | Bürgel, Picinali i Siedenburg, Frontiers in Psychology 2021 |
| Zmiana dokładności wykrywania po odwróceniu kolejności prezentacji, wokal prowadzący wobec basu (eksperyment 1, niezmodyfikowane fragmenty) | -2% wobec -19% | Bürgel, Picinali i Siedenburg, Frontiers in Psychology 2021 |
Uwaga kontekstowa: wszystkie bodźce w badaniu o słowach zostały najpierw oczyszczone w Melodyne, co autorzy opisują jako dające “naturalnie brzmiące nagrania wysokiej jakości”. Badanie uzupełniające z 2023 roku w Music Perception przedstawia swoje efekty wyłącznie na rysunkach, do których nie mogliśmy uzyskać dostępu, więc nie podajemy z niego żadnych liczb.
5. Czy korekcja sprawia, że śpiew brzmi lepiej, i dla kogo?
Korekcja nie jest automatycznym ulepszeniem. Gdy 16 dyrygentów chórów i nauczycieli śpiewu oceniało gamy, które Melodyne przesunęło na dokładne wysokości, wersje “idealne” nie dostały idealnych ocen: 11 z 16 w pełni skorygowanych gam uzyskało średnio poniżej 80 na skali intonacji od 0 do 120, a 3 poniżej 60 (Michael i Gilman, Journal of Singing 2021). Eksperci oceniają intonację według czegoś więcej niż odległość od stroiku.
Testy odsłuchowe pokazują ten sam wzorzec. Dziesięciu wyszkolonych słuchaczy podzieliło się niemal po równo między neuronowy korektor a oryginalne nagranie karaoke, ale zdecydowanie wybierało korekcję, gdy śpiewak wyraźnie fałszował (Wager et al., Deep Autotuner, ICASSP 2020). Gust bywa też pokoleniowy: sondaż 847 osób opublikowany w 2025 roku wykazał, że akceptacja Auto-Tune jest znacznie wyższa wśród pokolenia Z niż wśród pokolenia baby boomers (Xie i Kim, Journal of Computing and Biomedical Informatics 2025). Najnowsze dostępne dane dla testów odsłuchowych: Journal of Singing 2021 i ICASSP 2020.
| Metryka | Wartość | Źródło |
|---|---|---|
| Doświadczeni nauczyciele śpiewu, którzy ocenili gamy 40 śpiewaków (badanie pierwsze) | 10 | Michael i Gilman, Journal of Singing 2021 |
| W pełni skorygowane gamy (wariant ‘Tempered’, każda wysokość przesunięta na dokładną nutę) ze średnią poniżej 80 na 120 za intonację | 11 z 16 | Michael i Gilman, Journal of Singing 2021 |
| W pełni skorygowane gamy ze średnią poniżej 60 na 120 | 3 z 16 | Michael i Gilman, Journal of Singing 2021 |
| Typowe odchylenie oryginalnych, nieskorygowanych śpiewanych gam | w większości w granicach 30 centów od zamierzonej wysokości | Michael i Gilman, Journal of Singing 2021 |
| Wybory słuchaczy, korektor neuronowy wobec oryginalnego nagrania karaoke | 33 wobec 35 (49%, p = 0,45) | Wager et al., ICASSP 2020 |
| Wybory słuchaczy, bazowy korektor przyciągający do półtonów wobec oryginalnego nagrania | 24 wobec 34 (41%, p = 0,12) | Wager et al., ICASSP 2020 |
| Preferencja dla wersji skorygowanej, gdy odchylenie nut oryginału (odchylenie standardowe) wynosiło 40 do 60 centów | 79% (19 z 24) | Wager et al., ICASSP 2020 |
| Akceptacja użycia Auto-Tune w nagraniach, pokolenie Z wobec pokolenia baby boomers (sondaż, n = 847) | 78,4% wobec 31,2% | Xie i Kim, Journal of Computing and Biomedical Informatics 2025 |
Uwaga kontekstowa: Deep Autotuner wytrenowano na 4.702 amatorskich wykonaniach karaoke zebranych przez aplikację do śpiewania Smule. W artykule o sondażu pokoleniowym Auto-Tune uzyskał 52,3% w “ogólnej grywalności” wobec 64,7% dla samplingu (wykorzystania próbek dźwiękowych), obok analizy akustycznej 240 piosenek R&B z lat 1980-2023; artykuł nie definiuje grywalności ani nie podaje, gdzie mieszkali respondenci.
6. Wykrywanie Auto-Tune: dokładność maszyn i charakterystyczne ustawienia
Słyszalne brzmienie “twardej korekcji” bierze się z jednego ustawienia. Antares podaje, że naturalnie brzmiąca korekcja używa szybkości korekty (retune speed, czyli tego, jak szybko oprogramowanie przyciąga nutę do celu) od 20 do 50 milisekund, podczas gdy klasyczny efekt mieści się w przedziale od 0 do 10 milisekund (Antares, The Science Behind Auto-Tune 2026); są to wartości wskazówkowe samego producenta. Detektory uczy się właśnie na takim natychmiastowym przyciąganiu: badacze tworzyli swoje przetworzone Auto-Tune fragmenty, przesuwając każdą klatkę do najbliższej nuty.
Najlepszy detektor oparty na spektrogramie osiągnął 94,75% dokładności na poziomie segmentów i zachował 87,55% po kompresji MP3, podczas gdy model bazowy RawNet2 spadł do 56,67% (Gohari et al., IEEE WIFS 2024). Ten sam zespół opublikował od tego czasu wielojęzyczny zbiór treningowy (Gohari et al., ATDD, Data in Brief 2026). Aby zobaczyć, jak daleko automatyzacja sięgnęła w innych miejscach toru sygnałowego, zajrzyj do naszych statystyk upowszechnienia masteringu audio z użyciem AI. Śledzenie wysokości dźwięku w czasie rzeczywistym napędza też efekty głosowe na żywo, takie jak te wymienione na naszej stronie efektów głosowych dla streamerów.
| Metryka | Wartość | Źródło |
|---|---|---|
| Dokładność na poziomie segmentów, detektor spektrogramowy (ResNet50) wobec modelu bazowego RawNet2 | 94,75% wobec 79,33% | Gohari et al., IEEE WIFS 2024 |
| Dokładność po kompresji MP3, najlepszy detektor (ResNeXt) wobec modelu bazowego | 87,55% wobec 56,67% | Gohari et al., IEEE WIFS 2024 |
| Dokładność przy dodanym szumie, zmianach prędkości i przesunięciach w czasie, najlepszy detektor (EfficientNet) | 90,72% | Gohari et al., IEEE WIFS 2024 |
| Pary treningowe 10-sekundowych fragmentów wokalnych z korpusu VocalSet (10,1 godziny, 20 śpiewaków) | 3.613 | Gohari et al., IEEE WIFS 2024 |
| Oznaczone 10-sekundowe segmenty w zbiorze danych ATDD do wykrywania Auto-Tune | 21.249 | Gohari et al., Data in Brief 2026 |
| Segmenty ATDD według języka: mandaryński / angielski / japoński | 12.560 / 6.321 / 2.368 | Gohari et al., Data in Brief 2026 |
| Część każdego segmentu ATDD przetworzona Auto-Tune | od 20% do 80% jego długości | Gohari et al., Data in Brief 2026 |
| Szybkość korekty dla klasycznego efektu twardej korekcji wobec korekcji naturalnej (deklaracja samego producenta) | 0-10 ms wobec 20-50 ms | Antares Audio Technologies, The Science Behind Auto-Tune 2026 (deklaracja producenta) |
Uwaga kontekstowa: obie prace o wykrywaniu tworzą przetworzony Auto-Tune dźwięk za pomocą otwartych technik (śledzenie wysokości PYIN i przesuwanie wysokości PSOLA), a nie komercyjnych wtyczek, i autorzy zauważają, że może to nie odpowiadać profesjonalnej obróbce Auto-Tune. Producent osobno deklaruje opóźnienie 2,5 ms (112 próbek przy 44,1 kHz) dla swojej wtyczki AutoTune 2026 (Antares, Auto-Tune for rap and hip-hop 2026), co ponownie jest liczbą producenta.
Podsumowanie: Auto-Tune i korekcja wysokości dźwięku w muzyce popularnej w liczbach
| Metryka | Wartość | Źródło |
|---|---|---|
| Data publicznej premiery Auto-Tune (deklaracja samego producenta) | 19 września 1997 | Antares Audio Technologies 2026 (deklaracja producenta) |
| Tygodnie, które ‘Believe’ Cher spędziło na pierwszym miejscu Billboard Hot 100 | 4 | Billboard Canada 2023 |
| Rok założenia Celemony, firmy stojącej za Melodyne | 1997 | Recording Academy, Technical GRAMMY Award: Celemony |
| Rok premiery Melodyne | 2001 | Recording Academy, Technical GRAMMY Award: Celemony |
| Nagrania ze znaczącym dryfem wysokości dźwięku, śpiew bez akompaniamentu | 22% z 72 (p < 0,01) | Mauch, Frieler i Dixon, JASA 2014 |
| Odsetek ludzi, którzy potrafią śpiewać czysto | około 85-90% | Dalla Bella et al., Frontiers in Psychology 2011 |
| Przesunięcie wysokości odpowiadające zdolnościom wykrywania rozstrojenia u 95% z 333 słuchaczy | od 36,309 do 82,589 centów | Larrouy-Maestri et al., Behavior Research Methods 2019 |
| Szansa trafnego nazwania dźwięku śpiewanego wobec dźwięku altówki, muzycy ze słuchem absolutnym | iloraz szans 0,49 | Gao i Oxenham, JASA 2022 |
| Wpływ słów wobec “la” na wykrywanie fałszywej nuty, wokal nieprzetworzony wobec przetworzonego Auto-Tune | d = 0,74 wobec d = 0,26 | Weiss i Trehub, Psychology of Music 2023 |
| Dokładność wykrywania wokalu prowadzącego w miksach pop po spektralnym odmaskowaniu | 96% | Bürgel et al., Frontiers in Psychology 2021 |
| W pełni skorygowane gamy ze średnią poniżej 80 na 120 w ocenach dyrygentów chórów i nauczycieli śpiewu | 11 z 16 | Michael i Gilman, Journal of Singing 2021 |
| Preferencja dla korektora neuronowego wobec oryginalnego nagrania, ogółem | 49% (p = 0,45) | Wager et al., ICASSP 2020 |
| Preferencja dla korekcji, gdy oryginał odbiegał o 40 do 60 centów | 79% (19 z 24) | Wager et al., ICASSP 2020 |
| Akceptacja Auto-Tune, pokolenie Z wobec pokolenia baby boomers | 78,4% wobec 31,2% | Xie i Kim 2025 |
| Dokładność detektora Auto-Tune wobec modelu bazowego RawNet2 | 94,75% wobec 79,33% | Gohari et al., IEEE WIFS 2024 |
| Oznaczone segmenty w zbiorze danych ATDD do wykrywania Auto-Tune | 21.249 | Gohari et al., Data in Brief 2026 |
Metodologia i źródła
Przeprowadziliśmy ukierunkowane wyszukiwania i czytaliśmy dokumenty źródłowe bezpośrednio (pełne teksty artykułów, preprinty, prace konferencyjne i strony samych organizacji). Każda liczba powyżej została odczytana w pobranym źródle podczas badania; liczby widoczne wyłącznie we fragmentach wyników wyszukiwania zostały odrzucone.
- Billboard Canada: Cher o 25. rocznicy Believe (2023): tygodnie na pierwszym miejscu, nominacje do GRAMMY i zwycięstwo.
- Recording Academy: Technical GRAMMY Award dla Celemony: rok założenia Celemony, premiera Melodyne, 54. ceremonia GRAMMY Awards.
- Strony Antares Audio Technologies The Science Behind Auto-Tune (2026), wpis o Technical GRAMMY 2023 i Auto-Tune for rap and hip-hop (2026): deklaracje producenta dotyczące daty premiery, zasięgu ‘Believe’ na listach, szybkości korekty i opóźnienia, oznaczone jako takie.
- Mauch, Frieler i Dixon, Intonation in unaccompanied singing, JASA 2014 (preprint autorów): dryf, błąd interwału i streszczone progi percepcji.
- Dalla Bella, Berkowska i Sowiński, Disorders of pitch production in tone deafness, Frontiers in Psychology 2011: dokładność śpiewu w populacji.
- Larrouy-Maestri, Harrison i Müllensiefen, The Mistuning Perception Test, Behavior Research Methods 2019: progi słuchaczy we fragmentach pop.
- Larrouy-Maestri, On listeners’ perception of mistuning, Music and Science 2018: tolerancja rozstrojenia w śpiewanych melodiach.
- Gao i Oxenham, Voice disadvantage effects in absolute and relative pitch judgments, JASA 2022: nazywanie dźwięków głosu wobec altówki.
- Weiss i Trehub, Detection of pitch errors in well-known songs, Psychology of Music 2023: słowa, Auto-Tune i wykrywanie fałszywych nut.
- Bürgel, Picinali i Siedenburg, Listening in the Mix, Frontiers in Psychology 2021 i Bürgel i Siedenburg, Salience of Frequency Micro-modulations in Popular Music, Music Perception 2023: wyrazistość wokalu w miksach.
- Michael i Gilman, The Myth of Intonation as an Objective Measure of Singing Quality, Journal of Singing 2021: oceny nauczycieli dla gam skorygowanych w Melodyne.
- Wager et al., Deep Autotuner, ICASSP 2020: preferencje słuchaczy wobec automatycznej korekcji wysokości dźwięku.
- Xie i Kim, From Sampling to Auto-Tune, Journal of Computing and Biomedical Informatics 2025: sondaż akceptacji w podziale na pokolenia.
- Gohari et al., Spectrogram-Based Detection of Auto-Tuned Vocals in Music Recordings, IEEE WIFS 2024 i Gohari et al., ATDD multilingual dataset, Data in Brief 2026: wykrywanie maszynowe.
- Uwaga o danych: żadne weryfikowalne badanie nie mierzy, jaki odsetek obecnych przebojów z list poddano korekcji wysokości dźwięku. Analiza Billboard Hot 100 z 16 marca 2025 roku dotycząca słyszalnego efektu, opublikowana w osobistym newsletterze, pokazywała swoje liczby wyłącznie jako obrazy, bez podanej metody, więc została pominięta. Liczby z sondażu Muse Group o korekcji wysokości dźwięku z użyciem AI oraz udziały zadań w badaniu Water and Music x Moises dla korekcji wysokości i strojenia wokalu nie dały się odczytać na opublikowanych stronach, więc zostały odrzucone. Sondaż o akceptacji Auto-Tune w podziale na pokolenia ukazał się w czasopiśmie informatycznym i biomedycznym, poza głównym nurtem literatury o percepcji muzyki, i nie podaje kraju badania, sposobu rekrutacji ani znaczenia słowa “grywalność”; traktuj go jako orientacyjny. Tekst Michaela i Gilmana podaje 72 gamy dla badania drugiego, choć 16 gam w 4 strojach daje 64, a podziały treningowy, walidacyjny i testowy Deep Autotuner sumują się do 4.674, a nie 4.702; żadna z tych niespójności nie wpływa na przytoczone tu liczby. Kilka badań nad śpiewem i percepcją pochodzi z lat 2011-2021 i w swoich sekcjach oznaczono je jako najnowsze dostępne dane; badanie uzupełniające z 2023 roku w Music Perception dotyczące wokalu przetworzonego Auto-Tune podaje wielkości efektów wyłącznie na rysunkach, do których nie mogliśmy uzyskać dostępu. Liczby Antares to deklaracje producenta. Dokładność wykrywania pochodzi z Auto-Tune symulowanego za pomocą PYIN i PSOLA, a nie komercyjnych wtyczek, więc dokładność w warunkach rzeczywistych może się różnić.
Ostatnia aktualizacja: 8 listopada 2026 roku. Aktualizujemy to zestawienie kwartalnie, a kolejnej aktualizacji spodziewamy się, gdy Recording Academy ogłosi laureatów Technical GRAMMY 2027 i ukażą się nowe wyniki porównawcze wykrywania na zbiorze danych ATDD.