Najlepszy model syntezy śpiewu wytrenowany na korpusie Opencpop uzyskał 3,70 na 5-punktowej skali średniej oceny opinii (MOS), podczas gdy nagrania samej zawodowej śpiewaczki dostały 4,51 (Wang i in., artykuł Opencpop, Interspeech 2022). W czterech innych pracach benchmarkowych najlepszy model mieścił się między 3,81 a 4,01, wobec 4,30 do 4,54 dla prawdziwych nagrań (zob. sekcja 4). Ludzie też nie są doskonali: 24 dorosłych śpiewających z pamięci Happy Birthday mijało docelowe nuty o medianę 19 centów, czyli około jednej piątej półtonu (Mauch, Frieler i Dixon, JASA 2014), a typowy słuchacz wychwytuje rozstrojony wokal dopiero przy około 55 centach (Larrouy-Maestri, Harrison i Müllensiefen, Behavior Research Methods 2019). Synteza mowy osiągnęła parytet w kilku benchmarkach, o czym świadczy nasze zestawienie statystyk MOS dla syntetycznej mowy, ale śpiew jeszcze nie. Zebraliśmy dane z prac o korpusach Opencpop, M4Singer, GTSinger i ACE-Opencpop, z konkursów konwersji głosu śpiewanego z lat 2023 i 2025, z konkursu wykrywania deepfake’ów SVDD 2024, z benchmarku ocen SingMOS-Pro oraz z recenzowanych badań nad śpiewem w JASA, Frontiers in Psychology, PLoS One i Journal of Research in Music Education.
TL;DR
- Najlepszy model bazowy na Opencpop uzyskał 3,70 MOS wobec 4,51 dla oryginalnych nagrań (Wang i in., artykuł Opencpop, Interspeech 2022).
- 24 dorosłych śpiewaków trafiało w nuty z medianą błędu 19 centów (Mauch, Frieler i Dixon, JASA 2014).
- 28% z 50 śpiewaków okazjonalnych zaklasyfikowano jako osoby śpiewające nieczysto (Berkowska i Dalla Bella, Frontiers in Psychology 2013).
- Tylko 37% z 1.046 osób dokładnie odtwarzało wysokość dźwięku według ścisłej reguły 50 centów (Pfordresher i Demorest, JRME 2021).
- Mediana słuchaczy wykrywa rozstrojenie przy przesunięciu o 54,989 centa (Larrouy-Maestri, Harrison i Müllensiefen, Behavior Research Methods 2019).
- Podanie DiffSingerowi krzywej wysokości dźwięku prawdziwego śpiewaka podniosło MOS prozodii z 3,72 do 4,02, ale MOS jakości dźwięku tylko z 3,92 do 3,97 (Zhang i in., M4Singer, NeurIPS 2022).
- VISinger 2 spadł z 3,96 do 3,02 MOS bez syntezatora DSP (Zhang i in., artykuł VISinger 2, 2022).
- CoMelSinger zbliżył się do nagrań na 0,24 punktu naturalności dla śpiewaków niewidzianych w treningu (Zhao i in., CoMelSinger 2026).
- ACE-Opencpop dodaje 128,9 godziny syntezowanego śpiewu z 30 głosów (Shi i in., artykuł ACE-Opencpop, 2024).
- Żaden system w SVCC 2025 nie osiągnął naturalności na poziomie człowieka, a najlepsze uzyskały około 3,7 wobec około 3,9 dla prawdziwego śpiewu (artykuł analityczny SVCC 2025).
- SingMOS-Pro zebrał 44.247 ocen jakości od 78 oceniających (artykuł o benchmarku SingMOS-Pro, 2026).
- Najlepszy detektor SVDD 2024 osiągnął równy współczynnik błędów 1,65% (Zhang i in., artykuł o konkursie SVDD 2024).
1. Ludzki punkt odniesienia: jak dokładnie ludzie naprawdę śpiewają
Dokładność wysokości dźwięku mierzy się w centach: 100 centów to jeden półton, czyli krok między dwoma sąsiednimi klawiszami fortepianu. Mediana błędu nuty wynosząca 19 centów u 24 śpiewaków bez akompaniamentu (Mauch, Frieler i Dixon, JASA 2014) to realistyczny cel dla syntetycznego śpiewaka, a nie zero. Nawet wyszkolone głosy się mylą: zawodowcy stawali się mniej dokładni w interwałach, a nie bardziej, gdy przechodzili na technikę operową.
Rozrzut w populacji jest szeroki. Tylko 24% nieprzeszkolonych uczestników dokładnie odtwarzało wysokość dźwięku w tym samym zbiorze danych, w którym robiło to 37% całej próby (Pfordresher i Demorest, JRME 2021). Dużą część różnicy wyjaśnia tempo: w klasycznym badaniu 62 śpiewaków okazjonalnych większość z 15 nie-muzyków, których przetestowano ponownie w wolniejszym tempie, dorównała dokładnością zawodowcom, a tylko dwóch nadal popełniało wiele błędów wysokości dźwięku (Dalla Bella, Giguère i Peretz, JASA 2007).
| Metryka | Wartość | Źródło |
|---|---|---|
| Mediana błędu nuty, 24 dorosłych śpiewających Happy Birthday bez akompaniamentu | 19 centów | Mauch, Frieler i Dixon, JASA 2014 |
| Mediana bezwzględnego dryfu wysokości dźwięku w trakcie wykonania trwającego około 50 sekund | 11 centów | Mauch, Frieler i Dixon, JASA 2014 |
| Średnie odchylenie interwałów, 14 zawodowych śpiewaków śpiewających bez techniki operowej | 32,81 centa | Larrouy-Maestri i Morsomme, Logopedics Phoniatrics Vocology 2014 |
| Średnie odchylenie interwałów, 63 śpiewaków okazjonalnych bez formalnego wykształcenia | 50,83 centa | Larrouy-Maestri i Morsomme, Logopedics Phoniatrics Vocology 2014 |
| Średnie odchylenie interwałów, ci sami zawodowcy stosujący technikę operową (liryczną) | 62,13 centa | Larrouy-Maestri i Morsomme, Logopedics Phoniatrics Vocology 2014 |
| Śpiewacy okazjonalni zaklasyfikowani jako śpiewający nieczysto (2 odchylenia standardowe od średniej grupy) | 28% (14 z 50) | Berkowska i Dalla Bella, Frontiers in Psychology 2013 |
| Osoby dokładnie odtwarzające wysokość dźwięku (90% lub więcej nut w granicach 50 centów), łączna próba 1.046 osób | 37% | Pfordresher i Demorest, JRME 2021 |
| Śpiew zaklasyfikowany jako dokładny, gdy kryterium poluzowano do 100 centów | 94% | Pfordresher i Demorest, JRME 2021 |
Najnowsze dostępne dane: Pfordresher i Demorest, Journal of Research in Music Education 2021. Odsetek śpiewających nieczysto zależy od progu odcięcia: dla pojedynczych śpiewanych dźwięków 6% tych samych 50 śpiewaków okazjonalnych wypadło poza linię 2 SD, ale 58% wypadło poza 50 centów, więc każda główna liczba dotycząca rozpowszechnienia jest tak dobra, jak jej próg.
2. Tolerancja słuchacza: ile błędu wysokości dźwięku wybacza ucho
Syntetyczni śpiewacy nie muszą pokonać stroika, muszą pokonać słuchacza. Zdolność mediany słuchaczy do wykrywania rozstrojenia odpowiadała przesunięciu wysokości wokalu o 54,989 centa w 333-osobowej kalibracji Mistuning Perception Test, przy czym 95% słuchaczy mieściło się między 36,309 a 82,589 centa (Larrouy-Maestri, Harrison i Müllensiefen, Behavior Research Methods 2019). To mniej więcej pół półtonu, czyli znacznie więcej niż mediana błędu nuty 19 centów z sekcji 1, choć oba testy mierzą różne rzeczy.
Zwykli słuchacze nadal oceniają wysokość dźwięku spójnie. Oceny sędziów laików niemal tak ściśle śledziły zmierzone odchylenie interwałów jak oceny ekspertów, a ogólnie byli oni bardziej surowi (Larrouy-Maestri i in., PLoS One 2015). Dla modelu syntezy oznacza to, że zwykła publiczność jest prawidłowym panelem testowym dla błędów wysokości dźwięku, a nie tylko panel trenerów wokalnych.
| Metryka | Wartość | Źródło |
|---|---|---|
| Próg detekcji, niskie vs wysokie wykształcenie muzyczne (wynik treningu Gold-MSI 10 vs 40) | 65,173 vs 43,219 centa | Larrouy-Maestri, Harrison i Müllensiefen, Behavior Research Methods 2019 |
| Poprawne wykrycie rozstrojenia, najmniejsze vs największe przesunięcie w teście (10 do 100 centów, szansa = 50%) | od 51,2% do 81,5% | Larrouy-Maestri, Harrison i Müllensiefen, Behavior Research Methods 2019 |
| Korelacja ze zmierzonym odchyleniem interwałów: 3 sędziów ekspertów vs sędziowie laicy | około .83 vs około .79 | Larrouy-Maestri i in., PLoS One 2015 |
| Średnie odchylenie interwałów w 166 ocenionych wykonaniach Happy Birthday | 55,97 centa (zakres od 10,10 do 383) | Larrouy-Maestri i in., PLoS One 2015 |
| Korelacja między różnicowaniem wysokości dźwięku a jej odtwarzaniem, 632 ochotników | r(630) = -.31, p < 0,001 | Pfordresher i Demorest, JRME 2021 |
Najnowsze dostępne dane: Larrouy-Maestri, Harrison i Müllensiefen, 2019. Test przesuwał całą ścieżkę wokalną o stałą wartość, więc mierzy tolerancję na śpiewaka fałszującego przez cały czas, a nie na błędy zmieniające się od nuty do nuty, co autorzy pozostawiają na przyszłe badania.
3. Obiektywne metryki wysokości dźwięku: co mierzą prace o SVS
Prace o syntezie śpiewu (SVS) oceniają wysokość dźwięku za pomocą F0 RMSE, czyli pierwiastka błędu średniokwadratowego między wygenerowaną a rzeczywistą częstotliwością podstawową (F0, krzywa wysokości dźwięku). Żadna z przeanalizowanych prac SVS nie podała tego błędu w centach: tabele Opencpop, VISinger 2 i CSSinger nie podają żadnej jednostki, a ACE-Opencpop używa logarytmicznej skali F0. Badania na ludziach używają centów, więc czysty wynik porównujący maszynę z człowiekiem jeszcze nie istnieje.
Liczby pokazują natomiast ranking w obrębie jednego benchmarku. Na Opencpop model Conformer obniżył F0 RMSE z 29,99 do 26,72 w porównaniu z bazowym modelem Transformer (Wang i in., artykuł Opencpop, Interspeech 2022), a VISinger 2 osiągnął 26,0 przy 25,7M parametrów wobec 137,5M u CpopSing (Zhang i in., artykuł VISinger 2, 2022). Dokładność półtonowa, podawana w procentach, jest metryką najbliższą wynikowi w stylu ludzkim, choć artykuł ACE-Opencpop nie podaje jej wzoru.
| Metryka | Wartość | Źródło |
|---|---|---|
| F0 RMSE na zbiorze testowym Opencpop, model bazowy Transformer vs Conformer (jednostka niepodana) | 29,99 vs 26,72 | Wang i in., artykuł Opencpop, Interspeech 2022 |
| Korelacja F0 z prawdziwym śpiewakiem, modele bazowe Opencpop | 0,893 do 0,904 | Wang i in., artykuł Opencpop, Interspeech 2022 |
| F0 RMSE przy 22 kHz: VISinger 2 vs VISinger vs CpopSing | 26,0 vs 33,7 vs 28,5 | Zhang i in., artykuł VISinger 2, 2022 |
| Rozmiar modelu: VISinger 2 vs CpopSing | 25,7M vs 137,5M parametrów | Zhang i in., artykuł VISinger 2, 2022 |
| Dokładność półtonowa VISinger2: mandaryński ACE-Opencpop vs japoński korpus Kiritan | 65,19% vs 49,33% | Shi i in., artykuł ACE-Opencpop, 2024 |
| F0 RMSE, korelacja F0 i błąd dźwięczne/bezdźwięczne dla CSSinger-FS na Opencpop | 28,601, 0,919 i 0,107 | Cui i in., CSSinger 2024 |
| F0 RMSE na ACE-Opencpop: SVS oparty na modelu językowym mowy vs TokSing vs XiaoiceSing | 62,79 vs 55,83 vs 71,67 | Zhao i in., artykuł o SVS opartym na modelu językowym mowy, 2025 |
Błąd dźwięczne/bezdźwięczne śledzi, jak często model myli dźwięk dźwięczny (struny głosowe drgają, więc istnieje wysokość dźwięku) z bezdźwięcznym. Rozstrzał od 49,33% do 65,19% dokładności półtonowej dla tej samej architektury sugeruje, że wynik silnie zależy od korpusu, więc wyników z różnych korpusów nie można porównywać w rankingu.
4. Naturalność: różnica MOS między syntetycznym a prawdziwym śpiewem
MOS to średnia ocena, jaką panel słuchaczy wystawia w skali od 1 do 5, a każda praca tutaj testowała prawdziwe nagrania obok modeli. W pięciu pracach benchmarkowych różnica między najlepszym modelem a prawdziwym śpiewem wahała się od 0,45 do 0,81 punktu MOS (4,30 minus 3,85 na PopCS, 4,51 minus 3,70 na Opencpop). Synteza mowy raportowała parytet z nagraniami w kilku benchmarkach; śpiew wciąż traci mniej więcej pół punktu lub więcej.
Najnowsze prace typu zero-shot zawężają tę różnicę. Zero-shot oznacza, że model śpiewa głosem, którego nigdy nie słyszał podczas treningu. CoMelSinger, zrewidowany w kwietniu 2026, zbliżył się do prawdziwych nagrań na 0,24 punktu naturalności dla śpiewaków, których nigdy nie słyszał (4,35 minus 4,11), co jest najmniejszą różnicą w tym zestawie (Zhao i in., CoMelSinger 2026). Panele są jednak małe, często 10 do 20 słuchaczy, więc przewaga 0,1 punktu rzadko bywa rozstrzygająca.
| Metryka | Wartość | Źródło |
|---|---|---|
| MOS na Opencpop: najlepszy model bazowy (CpopSing) vs nagrania | 3,70 vs 4,51 | Wang i in., artykuł Opencpop, Interspeech 2022 |
| MOS na PopCS: DiffSinger vs nagrania | 3,85 vs 4,30 | Liu i in., DiffSinger, AAAI 2022 |
| MOS jakości dźwięku na M4Singer: DiffSinger vs nagrania | 3,92 vs 4,52 | Zhang i in., M4Singer, NeurIPS 2022 |
| MOS przy 44,1 kHz: VISinger 2 vs nagrania | 3,81 vs 4,32 | Zhang i in., artykuł VISinger 2, 2022 |
| MOS jakości dźwięku na GTSinger: StyleSinger vs nagrania | 4,01 vs 4,54 | Zhang i in., GTSinger, NeurIPS 2024 |
| MOS naturalności, śpiewacy widziani w treningu: CoMelSinger vs nagrania | 4,02 vs 4,38 | Zhao i in., CoMelSinger 2026 |
| MOS naturalności, śpiewacy niewidziani (zero-shot): CoMelSinger vs nagrania | 4,11 vs 4,35 | Zhao i in., CoMelSinger 2026 |
Najnowsze dostępne dane dla tych korpusów: wiersze Opencpop, PopCS, M4Singer i VISinger 2 pochodzą z 2022 roku, więc wyznaczają punkt odniesienia dla każdego korpusu, a nie aktualny stan wiedzy. Szersze dane o przyjęciu narzędzi muzycznych AI znajdziesz w naszych statystykach generowania muzyki przez AI.
5. Gdzie liczy się wysokość dźwięku: co się zmienia, gdy model trafia w F0
Najczystszy test polega na podaniu modelowi krzywej wysokości dźwięku prawdziwego śpiewaka i zmierzeniu, co się poprawia. Gdy DiffSinger otrzymał prawdziwe F0, jego MOS prozodii wzrósł o 0,30 punktu (z 3,72 do 4,02), a jakość dźwięku tylko o 0,05 (z 3,92 do 3,97) (Zhang i in., M4Singer, NeurIPS 2022). Prozodia oznacza tu spójność i naturalność melodycznego przekazu. Lepsza wysokość dźwięku zamyka część tej różnicy, ale nawet z prawdziwym F0 oba wyniki pozostają poniżej nagrań (4,47 i 4,52), więc wysokość dźwięku jest jednym z kilku ograniczeń.
Techniki dynamiczne są najtrudniejsze. W Singing Voice Conversion Challenge 2025, czyli zadaniu konwersji, a nie syntezy opartej na partyturze, style opisane przez organizatorów jako mające silne komponenty dynamiczne (głos oddechowy, glissando, vibrato) uzyskały najniższą dokładność stylu, podczas gdy style w większości statyczne, takie jak falset, uzyskały najwyższą (artykuł analityczny SVCC 2025).
| Metryka | Wartość | Źródło |
|---|---|---|
| Średni błąd bezwzględny F0 i dokładność dźwięczne/bezdźwięczne, DiffSinger z przewidywanym vs prawdziwym F0 | 8,9990 vs 1,7061; 0,9406 vs 0,9856 | Zhang i in., M4Singer, NeurIPS 2022 |
| MOS VISinger 2, pełny model vs bez syntezatora DSP | 3,96 vs 3,02 | Zhang i in., artykuł VISinger 2, 2022 |
| MOS VISinger 2 bez pomocniczego modułu melspektrogramu | 3,85 | Zhang i in., artykuł VISinger 2, 2022 |
| Dokładność stylu w SVCC 2025: głos oddechowy, glissando, vibrato | 37,3%, 42,6%, 43,9% | artykuł analityczny SVCC 2025 |
| Dokładność stylu w SVCC 2025: głos gardłowy, głos mieszany, falset | 44,8%, 48,3%, 48,8% | artykuł analityczny SVCC 2025 |
Autorzy Opencpop zauważyli, że ich modele bazowe wykazywały ograniczone możliwości dla rzadkich wysokości dźwięku z długiego ogona rozkładu treningowego, a korpus jednego śpiewaka utrudnia pokonanie tego ograniczenia.
6. Dane treningowe: godziny śpiewu stojące za modelami
Modele śpiewu wciąż uczą się z jedno- lub dwucyfrowej liczby godzin nagranego śpiewu. Korpus Opencpop, na którym opiera się duża część literatury o mandaryńskim SVS, zawiera około 5,2 godziny śpiewu jednej zawodowej śpiewaczki (Wang i in., artykuł Opencpop, Interspeech 2022). Korpusy nagrane, takie jak Opencpop i M4Singer, wymagają ręcznego oznaczenia granic nut i partytur muzycznych, dlatego dane prawdziwego śpiewu rosną powoli.
Obejściem są dane syntetyczne. ACE-Opencpop wywodzi się z partytur Opencpop i został zsyntezowany syntezatorem śpiewu ACE Studio wraz z ręcznym dostrajaniem konturów wysokości dźwięku, oddechów i vibrato, co dało 128,9 godziny; wstępny trening na nim podniósł dokładność półtonową VISinger2 na prawdziwym Opencpop z 64,50% do 65,18% (Shi i in., artykuł ACE-Opencpop, 2024). Wstępny trening na prawdziwym korpusie M4Singer obniżył ją natomiast do 60,54%. ACE-Opencpop dzieli swoje utwory z korpusem docelowym, więc ten wynik mówi więcej o dopasowaniu do celu niż o samej liczbie godzin.
| Metryka | Wartość | Źródło |
|---|---|---|
| Opencpop: 1 zawodowa śpiewaczka, 100 utworów | około 5,2 godziny, 3.756 wypowiedzi | Wang i in., artykuł Opencpop, Interspeech 2022 |
| M4Singer: 20 zawodowych śpiewaków (10 mężczyzn, 10 kobiet), 700 utworów | 29,77 godziny, 20.942 wypowiedzi | Zhang i in., M4Singer, NeurIPS 2022 |
| GTSinger: 20 zawodowych śpiewaków, 9 języków, 6 technik | 80,59 godziny śpiewu plus 16,16 godziny sparowanej mowy | Zhang i in., GTSinger, NeurIPS 2024 |
| Syntezowane korpusy ACE-Opencpop i ACE-KiSing | 128,9 godziny (30 głosów) i 32,5 godziny (34 głosy) | Shi i in., artykuł ACE-Opencpop, 2024 |
| Dokładność półtonowa VISinger2 na Opencpop: bez wstępnego treningu vs ACE-Opencpop vs wstępny trening na M4Singer | 64,50% vs 65,18% vs 60,54% | Shi i in., artykuł ACE-Opencpop, 2024 |
| VISinger2 na KiSing, trenowany samodzielnie vs z dodanym ACE-KiSing: dokładność półtonowa i MOS | od 68,12% do 72,51%; od 3,58 do 3,83 | Shi i in., artykuł ACE-Opencpop, 2024 |
| Prawdziwy śpiew zebrany z 8 publicznych korpusów dla benchmarku CtrSVDD | 47,64 godziny | Zang i in., CtrSVDD 2024 |
Dziewięć języków GTSinger to chiński, angielski, japoński, koreański, rosyjski, hiszpański, francuski, niemiecki i włoski, a jego sześć oznaczonych technik to głos mieszany, falset, głos oddechowy, głos gardłowy, vibrato i glissando, czyli te same sześć stylów ocenianych w sekcji 5.
7. Metody oceny i benchmarki: jak powstają wyniki
Małe panele odsłuchowe to norma. Opencpop użył 20 słuchaczy na nagranie, test VISinger 2 dziesięciu słuchaczy na 30 fragmentach, a test ACE-Opencpop 30 słuchaczy na 30 próbkach na system. Nagrania Opencpop uzyskały 4,22 MOS w jednym teście i 4,77 w innym, w obrębie jednej pracy z 2024 roku (Cui i in., CSSinger 2024), czyli wahanie o 0,55 punktu, większe niż wiele różnic między modelami.
Automatyczni oceniający pomagają na poziomie systemu, ale nie pojedynczego nagrania. Najlepszy predyktor MOS na SingMOS-Pro osiągnął korelację liniową 0,88 przy rankingu systemów, ale tylko 0,58 na pojedynczych nagraniach (artykuł o benchmarku SingMOS-Pro, 2026). Wykrywanie jest bardziej zaawansowane: na kontrolowanych danych najlepszy zespół SVDD 2024 obniżył równy współczynnik błędów do 1,65% (Zhang i in., artykuł o konkursie SVDD 2024), a ten temat omawiamy w naszych statystykach kryminalistyki deepfake’ów audio.
| Metryka | Wartość | Źródło |
|---|---|---|
| Rozmiar SingMOS-Pro | 7.981 nagrań, 44.247 ocen, 78 oceniających, 11,15 godziny | artykuł o benchmarku SingMOS-Pro, 2026 |
| Systemy ocenione w SingMOS-Pro (synteza, konwersja, resynteza, ground truth) | 141 (60, 17, 52 i 12) | artykuł o benchmarku SingMOS-Pro, 2026 |
| Najlepszy automatyczny predyktor MOS, korelacja liniowa na poziomie systemu vs nagrania | 0,88 vs 0,58 | artykuł o benchmarku SingMOS-Pro, 2026 |
| Zgłoszenia i słuchacze SVCC 2023 | 26 zgłoszeń (w tym 2 modele bazowe); 40 słuchaczy anglojęzycznych i 319 japońskojęzycznych | Huang i in., artykuł SVCC 2023 |
| Korelacja Spearmana predyktora UTMOS z MOS naturalności SVCC 2023 (zadanie 1, słuchacze japońscy) | 0,77 | Huang i in., artykuł SVCC 2023 |
| Naturalność SVCC 2025, najlepsze systemy vs prawdziwy śpiew | około 3,7 vs około 3,9 | artykuł analityczny SVCC 2025 |
| CtrSVDD prawdziwy vs deepfake śpiew, 14 metod generowania, 164 tożsamości śpiewaków | 47,64 vs 260,34 godziny | Zang i in., CtrSVDD 2024 |
| Równy współczynnik błędów SVDD 2024: najlepszy zespół vs modele bazowe; zespoły pokonujące oba | 1,65% vs 11,16% i 12,03%; 37 z 47 | Zhang i in., artykuł o konkursie SVDD 2024 |
Kontekst: w SVCC 2023 najlepsze systemy w obu zadaniach oceniono jako nieróżniące się istotnie od próbek naturalnych pod względem naturalności, natomiast w SVCC 2025, który oceniał także styl śpiewu, żaden system nie osiągnął naturalności na poziomie człowieka. Analiza wnioskuje, że modelowanie stylu śpiewu wciąż pozostaje wyzwaniem.
Podsumowanie: dokładność wysokości dźwięku i naturalność syntezy śpiewu w liczbach
| Metryka | Wartość | Źródło |
|---|---|---|
| Mediana błędu nuty, 24 dorosłych śpiewaków bez akompaniamentu | 19 centów | Mauch, Frieler i Dixon, JASA 2014 |
| Osoby dokładnie odtwarzające wysokość dźwięku w próbie 1.046 osób | 37% | Pfordresher i Demorest, JRME 2021 |
| Śpiew zaklasyfikowany jako dokładny według luźniejszego kryterium 100 centów | 94% | Pfordresher i Demorest, JRME 2021 |
| Śpiewacy okazjonalni śpiewający nieczysto (kryterium 2 SD) | 28% (14 z 50) | Berkowska i Dalla Bella, Frontiers in Psychology 2013 |
| Przesunięcie wysokości dźwięku odpowiadające zdolności wykrywania mediany słuchaczy | 54,989 centa | Larrouy-Maestri, Harrison i Müllensiefen, Behavior Research Methods 2019 |
| Najlepszy model bazowy Opencpop vs nagrania, MOS | 3,70 vs 4,51 | Wang i in., artykuł Opencpop, Interspeech 2022 |
| VISinger 2 vs nagrania przy 44,1 kHz, MOS | 3,81 vs 4,32 | Zhang i in., artykuł VISinger 2, 2022 |
| CoMelSinger vs nagrania, MOS naturalności dla śpiewaków niewidzianych | 4,11 vs 4,35 | Zhao i in., CoMelSinger 2026 |
| Wzrost MOS prozodii vs wzrost MOS jakości dźwięku dzięki prawdziwemu F0 (DiffSinger) | +0,30 vs +0,05 | Zhang i in., M4Singer, NeurIPS 2022 |
| MOS VISinger 2 bez syntezatora DSP | 3,02 (vs 3,96) | Zhang i in., artykuł VISinger 2, 2022 |
| Dokładność półtonowa VISinger2, ACE-Opencpop vs Kiritan | 65,19% vs 49,33% | Shi i in., artykuł ACE-Opencpop, 2024 |
| Dokładność stylu SVCC 2025 dla vibrato | 43,9% | artykuł analityczny SVCC 2025 |
| Rozmiar korpusu GTSinger | 80,59 godziny, 20 śpiewaków, 9 języków | Zhang i in., GTSinger, NeurIPS 2024 |
| Rozmiar syntezowanego korpusu ACE-Opencpop | 128,9 godziny, 30 głosów | Shi i in., artykuł ACE-Opencpop, 2024 |
| Nagrania Opencpop ocenione w dwóch osobnych testach w jednej pracy, MOS | 4,22 vs 4,77 | Cui i in., CSSinger 2024 |
| Zebrane oceny SingMOS-Pro | 44.247 od 78 oceniających | artykuł o benchmarku SingMOS-Pro, 2026 |
| Najlepszy równy współczynnik błędów SVDD 2024 | 1,65% | Zhang i in., artykuł o konkursie SVDD 2024 |
Metodologia i źródła
- 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, grudzień 2025
- Zhao et al., CoMelSinger: Discrete Token-Based Zero-Shot Singing Synthesis, wersja zrewidowana w kwietniu 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, wersja zrewidowana w styczniu 2026
- Mauch, Frieler i Dixon, Intonation in Unaccompanied Singing: Accuracy, Drift, and a Model of Reference Pitch Memory, JASA 2014
- Larrouy-Maestri i Morsomme, Criteria and Tools for Objectively Analysing the Vocal Accuracy of a Popular Song, Logopedics Phoniatrics Vocology 2014
- Larrouy-Maestri, Harrison i 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 i Dalla Bella, Uncovering Phenotypes of Poor-Pitch Singing: the Sung Performance Battery, Frontiers in Psychology 2013
- Pfordresher i Demorest, The Prevalence and Correlates of Accurate Singing, Journal of Research in Music Education 2021
- Dalla Bella, Giguère i Peretz, Singing Proficiency in the General Population, JASA 2007
- Uwaga o danych: wartości MOS nie są porównywalne między pracami, ponieważ panele słuchaczy (od 10 do 30 osób), częstotliwości próbkowania i instrukcje się różnią, a nagrania Opencpop uzyskały 4,22 i 4,77 w dwóch testach w pracy o CSSinger. Jednostki F0 RMSE są różne (w większości prac niepodane, w ACE-Opencpop logarytmiczne), więc wartości F0 RMSE z różnych prac nie wolno porównywać bezpośrednio. Źródła są sprzeczne co do rozmiarów korpusów: ACE-Opencpop ma 128,9 godziny w Tabeli 1 własnej pracy, około 130 godzin we wstępie i 135 godzin w grudniowej pracy z 2025 roku o modelu językowym mowy; ACE-KiSing jest podawany z 34 i z 33 śpiewakami; Opencpop ma około 5,2 godziny we własnej pracy, ale 5,25 godziny w tabelach porównawczych M4Singer i GTSinger. F0 RMSE CSSinger-FS pojawia się jako 28,601 w jednej tabeli i 28,101 w innej. Współczynniki EER w SVDD 2024 nie obejmują metody ACESinger. Pfordresher i Demorest opisują 50 centów jako jeden półton, podczas gdy 50 centów to pół półtonu. Dokładne wyniki naturalności SVCC 2023 pojawiają się tylko na rysunkach, więc podajemy wyłącznie wnioski o istotności. VISinger 2, CSSinger, CoMelSinger, SingMOS-Pro i praca o modelu językowym mowy są cytowane z wersji arXiv i zostały ocenione przez własnych autorów; CoMelSinger i SingMOS-Pro nie podają recenzowanego miejsca publikacji, a praca o modelu językowym mowy została zgłoszona na warsztaty, więc ostateczne wartości mogą się różnić. Badania dokładności wysokości dźwięku u ludzi wszystkie poprzedzają rok 2023 i są najnowszymi dostępnymi danymi.
Ostatnia aktualizacja: 31 października 2026 roku. Aktualizujemy to zestawienie kwartalnie, a kolejnego odświeżenia można się spodziewać, gdy ukażą się materiały konferencji ICASSP 2027 i wyniki następnego Singing Voice Conversion Challenge.