O melhor modelo de síntese de voz cantada treinado no corpus Opencpop obteve 3,70 em uma escala de 5 pontos de pontuação média de opinião (MOS), enquanto as gravações da própria cantora profissional obtiveram 4,51 (Wang et al., artigo do Opencpop, Interspeech 2022). Em outros quatro artigos de referência, o melhor modelo ficou entre 3,81 e 4,01, contra 4,30 a 4,54 das gravações reais (veja a seção 4). Os humanos também não são perfeitos: 24 adultos cantando Parabéns pra Você de memória erraram as notas-alvo por uma mediana de 19 cents, cerca de um quinto de semitom (Mauch, Frieler e Dixon, JASA 2014), e o ouvinte mediano só detecta uma voz desafinada a partir de cerca de 55 cents (Larrouy-Maestri, Harrison e Müllensiefen, Behavior Research Methods 2019). A síntese de fala já atingiu paridade em vários benchmarks, como mostra nosso levantamento de estatísticas de MOS de fala sintética, mas o canto ainda não. Agregamos dados dos artigos dos corpora Opencpop, M4Singer, GTSinger e ACE-Opencpop, dos Singing Voice Conversion Challenges de 2023 e 2025, do desafio de detecção de deepfakes SVDD 2024, do benchmark de avaliação SingMOS-Pro e de pesquisas revisadas por pares sobre canto publicadas em JASA, Frontiers in Psychology, PLoS One e Journal of Research in Music Education.
TL;DR
- O melhor baseline do Opencpop obteve 3,70 de MOS contra 4,51 das gravações originais (Wang et al., artigo do Opencpop, Interspeech 2022).
- 24 cantores adultos acertaram as notas com erro mediano de 19 cents (Mauch, Frieler e Dixon, JASA 2014).
- 28% de 50 cantores ocasionais foram classificados como cantores desafinados (Berkowska e Dalla Bella, Frontiers in Psychology 2013).
- Apenas 37% de 1.046 pessoas tinham correspondência de altura precisa sob uma regra estrita de 50 cents (Pfordresher e Demorest, JRME 2021).
- O ouvinte mediano detecta a desafinação a partir de um deslocamento de 54,989 cents (Larrouy-Maestri, Harrison e Müllensiefen, Behavior Research Methods 2019).
- Dar ao DiffSinger a curva de altura do cantor real elevou o MOS de prosódia de 3,72 para 4,02, mas a qualidade de áudio apenas de 3,92 para 3,97 (Zhang et al., M4Singer, NeurIPS 2022).
- O VISinger 2 caiu de 3,96 para 3,02 de MOS sem seu sintetizador DSP (Zhang et al., artigo do VISinger 2, 2022).
- O CoMelSinger ficou a 0,24 ponto de naturalidade das gravações para cantores não vistos no treinamento (Zhao et al., CoMelSinger 2026).
- O ACE-Opencpop acrescenta 128,9 horas de canto sintetizado de 30 vozes (Shi et al., artigo do ACE-Opencpop, 2024).
- Nenhum sistema atingiu naturalidade de nível humano no SVCC 2025, com os melhores perto de 3,7 contra cerca de 3,9 do canto real (artigo de análise do SVCC 2025).
- O SingMOS-Pro reuniu 44.247 avaliações de qualidade feitas por 78 anotadores (artigo do benchmark SingMOS-Pro, 2026).
- O melhor detector do SVDD 2024 alcançou 1,65% de taxa de erro igual (Zhang et al., artigo do desafio SVDD 2024).
1. A Referência Humana: Com Que Precisão as Pessoas Realmente Cantam
A precisão de afinação é medida em cents: 100 cents equivalem a um semitom, o passo entre duas teclas vizinhas do piano. Um erro mediano por nota de 19 cents entre 24 cantores sem acompanhamento (Mauch, Frieler e Dixon, JASA 2014) é a meta realista para um cantor sintético, não zero. Até vozes treinadas se desviam: os profissionais ficaram menos exatos nos intervalos, e não mais, quando passaram para a técnica lírica.
A dispersão na população é grande. Apenas 24% dos participantes sem treino tinham correspondência de altura precisa no mesmo conjunto de dados em que 37% da amostra completa tinham (Pfordresher e Demorest, JRME 2021). O andamento explica boa parte da diferença: em um estudo clássico com 62 cantores ocasionais, a maioria dos 15 não músicos retestados em andamento mais lento igualou a precisão dos profissionais, e apenas dois continuaram cometendo muitos erros de afinação (Dalla Bella, Giguère e Peretz, JASA 2007).
| Métrica | Valor | Fonte |
|---|---|---|
| Erro mediano por nota, 24 adultos cantando Parabéns pra Você sem acompanhamento | 19 cents | Mauch, Frieler e Dixon, JASA 2014 |
| Deriva absoluta mediana de afinação em uma execução de cerca de 50 segundos | 11 cents | Mauch, Frieler e Dixon, JASA 2014 |
| Desvio médio por intervalo, 14 cantores profissionais cantando sem técnica lírica | 32,81 cents | Larrouy-Maestri e Morsomme, Logopedics Phoniatrics Vocology 2014 |
| Desvio médio por intervalo, 63 cantores ocasionais sem formação formal | 50,83 cents | Larrouy-Maestri e Morsomme, Logopedics Phoniatrics Vocology 2014 |
| Desvio médio por intervalo, os mesmos profissionais usando técnica lírica (operística) | 62,13 cents | Larrouy-Maestri e Morsomme, Logopedics Phoniatrics Vocology 2014 |
| Cantores ocasionais classificados como cantores desafinados (2 desvios-padrão da média do grupo) | 28% (14 de 50) | Berkowska e Dalla Bella, Frontiers in Psychology 2013 |
| Cantores com correspondência de altura precisa (90% ou mais das notas dentro de 50 cents), amostra combinada de 1.046 | 37% | Pfordresher e Demorest, JRME 2021 |
| Canto classificado como preciso quando o critério é afrouxado para 100 cents | 94% | Pfordresher e Demorest, JRME 2021 |
Dados mais recentes disponíveis: Pfordresher e Demorest, Journal of Research in Music Education 2021. A parcela de cantores desafinados oscila conforme o ponto de corte: em notas isoladas cantadas, 6% dos mesmos 50 cantores ocasionais ficaram além da linha de 2 DP, mas 58% ficaram além de 50 cents, de modo que qualquer número de prevalência só vale o quanto vale o seu limiar.
2. Tolerância do Ouvinte: Quanto Erro de Afinação o Ouvido Perdoa
Cantores sintéticos não precisam superar um afinador, precisam superar um ouvinte. A capacidade do ouvinte mediano de detectar desafinação equivaleu a um deslocamento de altura vocal de 54,989 cents na calibração com 333 pessoas do Mistuning Perception Test, com 95% dos ouvintes entre 36,309 e 82,589 cents (Larrouy-Maestri, Harrison e Müllensiefen, Behavior Research Methods 2019). Isso é cerca de meio semitom, bem acima do erro mediano por nota de 19 cents da seção 1, embora os dois testes meçam coisas diferentes.
Ouvintes comuns ainda julgam a afinação de forma consistente. As notas dos juízes leigos acompanharam o desvio de intervalo medido quase tão de perto quanto as dos especialistas, e eles foram mais rigorosos no geral (Larrouy-Maestri et al., PLoS One 2015). Para um modelo de síntese, isso significa que um público casual é um painel de teste válido para erros de afinação, e não apenas um painel de professores de canto.
| Métrica | Valor | Fonte |
|---|---|---|
| Limiar de detecção, pouca vs muita formação musical (pontuação de formação do Gold-MSI 10 vs 40) | 65,173 vs 43,219 cents | Larrouy-Maestri, Harrison e Müllensiefen, Behavior Research Methods 2019 |
| Detecção correta de desafinação, menor vs maior deslocamento testado (10 a 100 cents, acaso = 50%) | 51,2% a 81,5% | Larrouy-Maestri, Harrison e Müllensiefen, Behavior Research Methods 2019 |
| Correlação com o desvio de intervalo medido: 3 juízes especialistas vs juízes leigos | cerca de 0,83 vs cerca de 0,79 | Larrouy-Maestri et al., PLoS One 2015 |
| Desvio médio de intervalo em 166 execuções de Parabéns pra Você avaliadas | 55,97 cents (variação de 10,10 a 383) | Larrouy-Maestri et al., PLoS One 2015 |
| Correlação entre discriminação de altura e correspondência de altura, 632 voluntários | r(630) = -.31, p < 0,001 | Pfordresher e Demorest, JRME 2021 |
Dados mais recentes disponíveis: Larrouy-Maestri, Harrison e Müllensiefen, 2019. O teste deslocou toda a faixa vocal por uma quantidade constante, de modo que mede a tolerância a um cantor desafinado do começo ao fim, e não a erros que variam de nota para nota, algo que os autores deixam para trabalhos futuros.
3. Métricas Objetivas de Afinação: O Que os Artigos de SVS Medem
Os artigos de síntese de voz cantada (SVS) pontuam a afinação com o F0 RMSE, o erro quadrático médio entre a frequência fundamental gerada e a real (F0, a curva de altura). Nenhum dos artigos de SVS que revisamos reportou esse erro em cents: as tabelas do Opencpop, do VISinger 2 e do CSSinger não informam unidade alguma, e o ACE-Opencpop usa uma escala logarítmica de F0. Os estudos com humanos usam cents, então ainda não existe uma pontuação de afinação limpa de “máquina vs humano”.
O que os números mostram é a classificação dentro de um mesmo benchmark. No Opencpop, um modelo Conformer reduziu o F0 RMSE de 29,99 para 26,72 em comparação com um baseline Transformer (Wang et al., artigo do Opencpop, Interspeech 2022), e o VISinger 2 chegou a 26,0 com 25,7M de parâmetros contra 137,5M do CpopSing (Zhang et al., artigo do VISinger 2, 2022). A precisão em semitons, reportada em porcentagem, é a métrica mais próxima de uma pontuação ao estilo humano, embora o artigo do ACE-Opencpop não explicite sua fórmula.
| Métrica | Valor | Fonte |
|---|---|---|
| F0 RMSE no conjunto de teste do Opencpop, baseline Transformer vs Conformer (unidade não informada) | 29,99 vs 26,72 | Wang et al., artigo do Opencpop, Interspeech 2022 |
| Correlação de F0 com o cantor real, baselines do Opencpop | 0,893 a 0,904 | Wang et al., artigo do Opencpop, Interspeech 2022 |
| F0 RMSE a 22 kHz: VISinger 2 vs VISinger vs CpopSing | 26,0 vs 33,7 vs 28,5 | Zhang et al., artigo do VISinger 2, 2022 |
| Tamanho do modelo: VISinger 2 vs CpopSing | 25,7M vs 137,5M de parâmetros | Zhang et al., artigo do VISinger 2, 2022 |
| Precisão em semitons do VISinger2: ACE-Opencpop em mandarim vs corpus Kiritan em japonês | 65,19% vs 49,33% | Shi et al., artigo do ACE-Opencpop, 2024 |
| F0 RMSE, correlação de F0 e erro sonoro/surdo do CSSinger-FS no Opencpop | 28,601, 0,919 e 0,107 | Cui et al., CSSinger 2024 |
| F0 RMSE no ACE-Opencpop: SVS com modelo de linguagem de fala vs TokSing vs XiaoiceSing | 62,79 vs 55,83 vs 71,67 | Zhao et al., artigo de SVS com modelo de linguagem de fala, 2025 |
O erro sonoro/surdo indica com que frequência um modelo confunde som sonoro (as pregas vocais vibram, então existe uma altura) com som surdo. A variação de 49,33% a 65,19% de precisão em semitons para a mesma arquitetura sugere que a pontuação depende muito do corpus, de modo que resultados de corpora diferentes não podem ser classificados entre si.
4. Naturalidade: A Diferença de MOS Entre Canto Sintético e Real
O MOS é a nota média que um painel de ouvintes atribui em uma escala de 1 a 5, e todos os artigos aqui testaram gravações reais junto com os modelos. Em cinco artigos de referência, a diferença entre o melhor modelo e o canto real variou de 0,45 a 0,81 ponto de MOS (4,30 menos 3,85 no PopCS, 4,51 menos 3,70 no Opencpop). A síntese de fala já reportou paridade com gravações em vários benchmarks; o canto ainda fica cerca de meio ponto ou mais atrás.
Os trabalhos zero-shot mais recentes reduzem essa diferença. Zero-shot significa que o modelo canta com uma voz que nunca ouviu durante o treinamento. O CoMelSinger, revisado em abril de 2026, chegou a 0,24 ponto de naturalidade das gravações reais para cantores que nunca tinha ouvido (4,35 menos 4,11), a menor diferença deste conjunto (Zhao et al., CoMelSinger 2026). Os painéis, porém, são pequenos, muitas vezes de 10 a 20 ouvintes, então uma vantagem de 0,1 ponto raramente é decisiva.
| Métrica | Valor | Fonte |
|---|---|---|
| MOS no Opencpop: melhor baseline (CpopSing) vs gravações | 3,70 vs 4,51 | Wang et al., artigo do Opencpop, Interspeech 2022 |
| MOS no PopCS: DiffSinger vs gravações | 3,85 vs 4,30 | Liu et al., DiffSinger, AAAI 2022 |
| MOS de qualidade de áudio no M4Singer: DiffSinger vs gravações | 3,92 vs 4,52 | Zhang et al., M4Singer, NeurIPS 2022 |
| MOS a 44,1 kHz: VISinger 2 vs gravações | 3,81 vs 4,32 | Zhang et al., artigo do VISinger 2, 2022 |
| MOS de qualidade de áudio no GTSinger: StyleSinger vs gravações | 4,01 vs 4,54 | Zhang et al., GTSinger, NeurIPS 2024 |
| MOS de naturalidade, cantores vistos no treinamento: CoMelSinger vs gravações | 4,02 vs 4,38 | Zhao et al., CoMelSinger 2026 |
| MOS de naturalidade, cantores não vistos (zero-shot): CoMelSinger vs gravações | 4,11 vs 4,35 | Zhao et al., CoMelSinger 2026 |
Dados mais recentes disponíveis para esses corpora: as linhas do Opencpop, PopCS, M4Singer e VISinger 2 datam de 2022, de modo que marcam a linha de base de cada corpus, e não o estado da arte atual. Dados mais amplos de adoção de ferramentas de música com IA estão em nossas estatísticas de geração de música por IA.
5. Onde a Afinação Importa: O Que Muda Quando o Modelo Acerta o F0
O teste mais limpo entrega ao modelo a curva de altura do cantor real e mede o que melhora. Quando o DiffSinger recebeu o F0 real, seu MOS de prosódia subiu 0,30 ponto (3,72 para 4,02), enquanto a qualidade de áudio subiu apenas 0,05 (3,92 para 3,97) (Zhang et al., M4Singer, NeurIPS 2022). Prosódia aqui significa a coerência e a naturalidade da execução melódica. Uma afinação melhor fecha parte dessa diferença, mas mesmo com o F0 real as duas pontuações ficam abaixo das gravações (4,47 e 4,52), de modo que a afinação é um limite entre vários.
As técnicas dinâmicas são as mais difíceis. No Singing Voice Conversion Challenge 2025, uma tarefa de conversão e não de síntese a partir de partitura, os estilos que os organizadores descrevem como tendo fortes componentes dinâmicos (soprosa, glissando, vibrato) obtiveram a menor precisão de estilo, enquanto os predominantemente estáticos, como o falsete, obtiveram a maior (artigo de análise do SVCC 2025).
| Métrica | Valor | Fonte |
|---|---|---|
| Erro absoluto médio de F0 e precisão sonoro/surdo, DiffSinger com F0 previsto vs F0 real | 8,9990 vs 1,7061; 0,9406 vs 0,9856 | Zhang et al., M4Singer, NeurIPS 2022 |
| MOS do VISinger 2, modelo completo vs sem o sintetizador DSP | 3,96 vs 3,02 | Zhang et al., artigo do VISinger 2, 2022 |
| MOS do VISinger 2 sem o módulo auxiliar de espectro mel | 3,85 | Zhang et al., artigo do VISinger 2, 2022 |
| Precisão de estilo no SVCC 2025: soprosa, glissando, vibrato | 37,3%, 42,6%, 43,9% | Artigo de análise do SVCC 2025 |
| Precisão de estilo no SVCC 2025: faríngea, voz mista, falsete | 44,8%, 48,3%, 48,8% | Artigo de análise do SVCC 2025 |
Os autores do Opencpop relataram que seus baselines mostraram capacidade limitada com alturas raras na cauda longa da distribuição de treinamento, um limite difícil de superar com um corpus de um único cantor.
6. Dados de Treinamento: Horas de Canto por Trás dos Modelos
Os modelos de canto ainda aprendem com algumas ou algumas dezenas de horas de canto gravado. O corpus Opencpop, que ancora boa parte da literatura de SVS em mandarim, reúne cerca de 5,2 horas de canto de uma única cantora profissional (Wang et al., artigo do Opencpop, Interspeech 2022). Corpora gravados como o Opencpop e o M4Singer exigem que os limites das notas e as partituras sejam anotados à mão, e é por isso que os dados de canto real crescem devagar.
A solução alternativa são os dados sintéticos. O ACE-Opencpop deriva das partituras do Opencpop e foi sintetizado com o sintetizador de canto ACE Studio, mais ajuste manual de contornos de altura, respirações e vibrato, resultando em 128,9 horas, e o pré-treinamento nele elevou a precisão em semitons do VISinger2 no Opencpop real de 64,50% para 65,18% (Shi et al., artigo do ACE-Opencpop, 2024). O pré-treinamento no corpus real M4Singer, em vez disso, a reduziu para 60,54%. O ACE-Opencpop compartilha suas canções com o corpus-alvo, então esse resultado diz mais sobre a correspondência com o alvo do que sobre as horas em si.
| Métrica | Valor | Fonte |
|---|---|---|
| Opencpop: 1 cantora profissional, 100 canções | cerca de 5,2 horas, 3.756 enunciados | Wang et al., artigo do Opencpop, Interspeech 2022 |
| M4Singer: 20 cantores profissionais (10 homens, 10 mulheres), 700 canções | 29,77 horas, 20.942 enunciados | Zhang et al., M4Singer, NeurIPS 2022 |
| GTSinger: 20 cantores profissionais, 9 idiomas, 6 técnicas | 80,59 horas de canto mais 16,16 horas de fala pareada | Zhang et al., GTSinger, NeurIPS 2024 |
| Corpora sintetizados ACE-Opencpop e ACE-KiSing | 128,9 horas (30 vozes) e 32,5 horas (34 vozes) | Shi et al., artigo do ACE-Opencpop, 2024 |
| Precisão em semitons do VISinger2 no Opencpop: sem pré-treinamento vs ACE-Opencpop vs pré-treinamento no M4Singer | 64,50% vs 65,18% vs 60,54% | Shi et al., artigo do ACE-Opencpop, 2024 |
| VISinger2 no KiSing, treinado sozinho vs com o ACE-KiSing adicionado: precisão em semitons e MOS | 68,12% para 72,51%; 3,58 para 3,83 | Shi et al., artigo do ACE-Opencpop, 2024 |
| Canto real reunido de 8 corpora públicos para o benchmark CtrSVDD | 47,64 horas | Zang et al., CtrSVDD 2024 |
Os nove idiomas do GTSinger são chinês, inglês, japonês, coreano, russo, espanhol, francês, alemão e italiano, e suas seis técnicas rotuladas são voz mista, falsete, soprosa, faríngea, vibrato e glissando, os mesmos seis estilos pontuados na seção 5.
7. Métodos de Avaliação e Benchmarks: Como as Pontuações São Produzidas
Painéis de escuta pequenos são a norma. O Opencpop usou 20 ouvintes por trecho, o teste do VISinger 2 usou dez ouvintes em 30 segmentos, e o teste do ACE-Opencpop usou 30 ouvintes em 30 amostras por sistema. As gravações do Opencpop obtiveram 4,22 de MOS em um teste e 4,77 em outro dentro de um único artigo de 2024 (Cui et al., CSSinger 2024), uma oscilação de 0,55 ponto maior do que muitas das diferenças entre modelos.
Avaliadores automáticos ajudam no nível do sistema, mas não por trecho. O melhor preditor de MOS no SingMOS-Pro alcançou correlação linear de 0,88 ao classificar sistemas, mas apenas 0,58 em trechos individuais (artigo do benchmark SingMOS-Pro, 2026). A detecção está mais avançada: em dados controlados, a melhor equipe do SVDD 2024 reduziu a taxa de erro igual para 1,65% (Zhang et al., artigo do desafio SVDD 2024), tema coberto em nossas estatísticas de perícia e detecção de deepfakes de áudio.
| Métrica | Valor | Fonte |
|---|---|---|
| Tamanho do SingMOS-Pro | 7.981 trechos, 44.247 avaliações, 78 anotadores, 11,15 horas | Artigo do benchmark SingMOS-Pro, 2026 |
| Sistemas avaliados no SingMOS-Pro (síntese, conversão, ressíntese, referência real) | 141 (60, 17, 52 e 12) | Artigo do benchmark SingMOS-Pro, 2026 |
| Melhor preditor automático de MOS, correlação linear no nível de sistema vs nível de trecho | 0,88 vs 0,58 | Artigo do benchmark SingMOS-Pro, 2026 |
| Submissões e ouvintes do SVCC 2023 | 26 submissões (incl. 2 baselines); 40 ouvintes de inglês e 319 de japonês | Huang et al., artigo do SVCC 2023 |
| Correlação de Spearman do preditor UTMOS com o MOS de naturalidade do SVCC 2023 (Tarefa 1, ouvintes de japonês) | 0,77 | Huang et al., artigo do SVCC 2023 |
| Naturalidade no SVCC 2025, melhores sistemas vs canto real | cerca de 3,7 vs cerca de 3,9 | Artigo de análise do SVCC 2025 |
| CtrSVDD canto real vs canto deepfake, 14 métodos de geração, 164 identidades de cantores | 47,64 vs 260,34 horas | Zang et al., CtrSVDD 2024 |
| Taxa de erro igual no SVDD 2024: melhor equipe vs baselines; equipes que superaram ambos os baselines | 1,65% vs 11,16% e 12,03%; 37 de 47 | Zhang et al., artigo do desafio SVDD 2024 |
Contexto: no SVCC 2023, os melhores sistemas nas duas tarefas foram considerados não significativamente diferentes das amostras naturais em naturalidade, enquanto no SVCC 2025, que também pontuou o estilo de canto, nenhum sistema atingiu naturalidade de nível humano. A análise conclui que a modelagem do estilo de canto continua sendo um desafio.
Resumo: Precisão de Afinação e Naturalidade da Síntese de Voz Cantada em Números
| Métrica | Valor | Fonte |
|---|---|---|
| Erro mediano por nota, 24 cantores adultos sem acompanhamento | 19 cents | Mauch, Frieler e Dixon, JASA 2014 |
| Cantores com correspondência de altura precisa em uma amostra de 1.046 | 37% | Pfordresher e Demorest, JRME 2021 |
| Canto classificado como preciso sob um critério mais frouxo de 100 cents | 94% | Pfordresher e Demorest, JRME 2021 |
| Cantores ocasionais desafinados (critério de 2 DP) | 28% (14 de 50) | Berkowska e Dalla Bella, Frontiers in Psychology 2013 |
| Deslocamento de altura equivalente à capacidade de detecção do ouvinte mediano | 54,989 cents | Larrouy-Maestri, Harrison e Müllensiefen, Behavior Research Methods 2019 |
| Melhor baseline do Opencpop vs gravações, MOS | 3,70 vs 4,51 | Wang et al., artigo do Opencpop, Interspeech 2022 |
| VISinger 2 vs gravações a 44,1 kHz, MOS | 3,81 vs 4,32 | Zhang et al., artigo do VISinger 2, 2022 |
| CoMelSinger vs gravações, MOS de naturalidade para cantores não vistos | 4,11 vs 4,35 | Zhao et al., CoMelSinger 2026 |
| Ganho de MOS de prosódia vs ganho de MOS de qualidade de áudio com o F0 real (DiffSinger) | +0,30 vs +0,05 | Zhang et al., M4Singer, NeurIPS 2022 |
| MOS do VISinger 2 sem seu sintetizador DSP | 3,02 (vs 3,96) | Zhang et al., artigo do VISinger 2, 2022 |
| Precisão em semitons do VISinger2, ACE-Opencpop vs Kiritan | 65,19% vs 49,33% | Shi et al., artigo do ACE-Opencpop, 2024 |
| Precisão de estilo do SVCC 2025 para vibrato | 43,9% | Artigo de análise do SVCC 2025 |
| Tamanho do corpus GTSinger | 80,59 horas, 20 cantores, 9 idiomas | Zhang et al., GTSinger, NeurIPS 2024 |
| Tamanho do corpus sintetizado ACE-Opencpop | 128,9 horas, 30 vozes | Shi et al., artigo do ACE-Opencpop, 2024 |
| Gravações do Opencpop avaliadas em dois testes separados dentro de um artigo, MOS | 4,22 vs 4,77 | Cui et al., CSSinger 2024 |
| Avaliações coletadas no SingMOS-Pro | 44.247 de 78 anotadores | Artigo do benchmark SingMOS-Pro, 2026 |
| Melhor taxa de erro igual do SVDD 2024 | 1,65% | Zhang et al., artigo do desafio SVDD 2024 |
Metodologia e Fontes
- 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, dezembro de 2025
- Zhao et al., CoMelSinger: Discrete Token-Based Zero-Shot Singing Synthesis, revisado em abril de 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, revisado em janeiro de 2026
- Mauch, Frieler e Dixon, Intonation in Unaccompanied Singing: Accuracy, Drift, and a Model of Reference Pitch Memory, JASA 2014
- Larrouy-Maestri e Morsomme, Criteria and Tools for Objectively Analysing the Vocal Accuracy of a Popular Song, Logopedics Phoniatrics Vocology 2014
- Larrouy-Maestri, Harrison e 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 e Dalla Bella, Uncovering Phenotypes of Poor-Pitch Singing: the Sung Performance Battery, Frontiers in Psychology 2013
- Pfordresher e Demorest, The Prevalence and Correlates of Accurate Singing, Journal of Research in Music Education 2021
- Dalla Bella, Giguère e Peretz, Singing Proficiency in the General Population, JASA 2007
- Nota sobre os dados: os valores de MOS não são comparáveis entre artigos, porque os painéis de ouvintes (10 a 30 pessoas), as taxas de amostragem e as instruções diferem, e as gravações do Opencpop obtiveram 4,22 e 4,77 em dois testes no artigo do CSSinger. As unidades do F0 RMSE variam (não informadas na maioria dos artigos, logarítmicas no ACE-Opencpop), então os números de F0 RMSE de artigos diferentes não devem ser comparados diretamente. As fontes divergem quanto ao tamanho dos corpora: o ACE-Opencpop tem 128,9 horas em sua própria Tabela 1, cerca de 130 horas na introdução e 135 horas no artigo de dezembro de 2025 sobre modelo de linguagem de fala; o ACE-KiSing aparece com 34 e com 33 cantores; o Opencpop tem cerca de 5,2 horas em seu próprio artigo, mas 5,25 horas nas tabelas comparativas do M4Singer e do GTSinger. O F0 RMSE do CSSinger-FS aparece como 28,601 em uma tabela e 28,101 em outra. As taxas de erro igual do SVDD 2024 excluem o método ACESinger. Pfordresher e Demorest descrevem 50 cents como um semitom, quando 50 cents é meio semitom. As pontuações exatas de naturalidade do SVCC 2023 aparecem apenas em figuras, então reportamos somente os resultados de significância. VISinger 2, CSSinger, CoMelSinger, SingMOS-Pro e o artigo de modelo de linguagem de fala são citados a partir de versões do arXiv e foram avaliados por seus próprios autores; CoMelSinger e SingMOS-Pro não indicam veículo revisado por pares, e o artigo de modelo de linguagem de fala foi submetido a um workshop, então os números finais podem diferir. Todos os estudos de precisão de afinação em humanos são anteriores a 2023 e são os dados mais recentes disponíveis.
Última atualização: 31 de outubro de 2026. Atualizamos este levantamento trimestralmente, e a próxima revisão é esperada quando forem publicados os anais do ICASSP 2027 e os resultados do próximo Singing Voice Conversion Challenge.