Лучшая модель синтеза певческого голоса, обученная на корпусе Opencpop, получила 3,70 по 5-балльной шкале средней оценки мнений (MOS), тогда как записи самой профессиональной певицы получили 4,51 (Wang и др., статья Opencpop, Interspeech 2022). В четырёх других эталонных работах лучшая модель получила от 3,81 до 4,01 против значений от 4,30 до 4,54 у настоящих записей (см. раздел 4). Люди тоже не идеальны: 24 взрослых, певших «С днём рождения» по памяти, промахивались мимо целевых нот в среднем (по медиане) на 19 центов, около пятой части полутона (Mauch, Frieler и Dixon, JASA 2014), а медианный слушатель замечает расстроенный вокал лишь примерно при 55 центах (Larrouy-Maestri, Harrison и Müllensiefen, Behavior Research Methods 2019). Синтез речи достиг паритета на ряде эталонных тестов, как показывает наш обзор статистики MOS синтетической речи, а пение пока нет. Мы свели данные из работ по корпусам Opencpop, M4Singer, GTSinger и ACE-Opencpop, из конкурсов Singing Voice Conversion Challenge 2023 и 2025, конкурса по обнаружению дипфейков SVDD 2024, эталонного набора оценок SingMOS-Pro и рецензируемых исследований пения в JASA, Frontiers in Psychology, PLoS One и Journal of Research in Music Education.
Кратко (TL;DR)
- Лучшая базовая модель Opencpop получила 3,70 MOS против 4,51 у исходных записей (Wang и др., статья Opencpop, Interspeech 2022).
- 24 взрослых певца попадали в ноты с медианной ошибкой 19 центов (Mauch, Frieler и Dixon, JASA 2014).
- 28% из 50 певцов-любителей были отнесены к плохо интонирующим певцам (Berkowska и Dalla Bella, Frontiers in Psychology 2013).
- Лишь 37% из 1 046 человек точно воспроизводили высоту тона по строгому правилу в 50 центов (Pfordresher и Demorest, JRME 2021).
- Медианный слушатель обнаруживает расстройку при сдвиге в 54,989 цента (Larrouy-Maestri, Harrison и Müllensiefen, Behavior Research Methods 2019).
- Передача DiffSinger настоящей кривой высоты тона певца подняла MOS просодии с 3,72 до 4,02, а качество звука лишь с 3,92 до 3,97 (Zhang и др., M4Singer, NeurIPS 2022).
- VISinger 2 упал с 3,96 до 3,02 MOS без своего DSP-синтезатора (Zhang и др., статья VISinger 2, 2022).
- CoMelSinger приблизился к записям на 0,24 балла естественности для неизвестных при обучении певцов (Zhao и др., CoMelSinger 2026).
- ACE-Opencpop добавляет 128,9 часа синтезированного пения 30 голосов (Shi и др., статья ACE-Opencpop, 2024).
- Ни одна система не достигла человеческого уровня естественности в SVCC 2025: лучшие показали около 3,7 против примерно 3,9 у настоящего пения (аналитическая статья SVCC 2025).
- SingMOS-Pro собрал 44 247 оценок качества от 78 разметчиков (статья об эталонном наборе SingMOS-Pro, 2026).
- Лучший детектор SVDD 2024 достиг равного уровня ошибок 1,65% (Zhang и др., статья конкурса SVDD 2024).
1. Человеческий ориентир: насколько точно люди действительно поют
Точность высоты тона измеряется в центах: 100 центов равны одному полутону, шагу между двумя соседними клавишами пианино. Медианная ошибка по ноте в 19 центов у 24 певцов без аккомпанемента (Mauch, Frieler и Dixon, JASA 2014) - это реалистичная цель для синтетического певца, а не ноль. Даже обученные голоса отклоняются: профессионалы стали менее точны в интервалах, а не более, когда перешли на оперную технику.
Разброс в популяции велик. Только 24% участников без подготовки точно воспроизводили высоту тона в том же наборе данных, где это делали 37% всей выборки (Pfordresher и Demorest, JRME 2021). Темп объясняет большую часть различия: в классическом исследовании 62 певцов-любителей большинство из 15 немузыкантов, повторно протестированных в более медленном темпе, сравнялось по точности с профессионалами, и лишь двое продолжали делать много ошибок высоты тона (Dalla Bella, Giguère и Peretz, JASA 2007).
| Показатель | Значение | Источник |
|---|---|---|
| Медианная ошибка по ноте, 24 взрослых поют «С днём рождения» без аккомпанемента | 19 центов | Mauch, Frieler и Dixon, JASA 2014 |
| Медианный абсолютный дрейф высоты тона за выступление примерно в 50 секунд | 11 центов | Mauch, Frieler и Dixon, JASA 2014 |
| Среднее отклонение по интервалу, 14 профессиональных певцов без оперной техники | 32,81 цента | Larrouy-Maestri и Morsomme, Logopedics Phoniatrics Vocology 2014 |
| Среднее отклонение по интервалу, 63 певца-любителя без формальной подготовки | 50,83 цента | Larrouy-Maestri и Morsomme, Logopedics Phoniatrics Vocology 2014 |
| Среднее отклонение по интервалу, те же профессионалы с оперной (лирической) техникой | 62,13 цента | Larrouy-Maestri и Morsomme, Logopedics Phoniatrics Vocology 2014 |
| Певцы-любители, отнесённые к плохо интонирующим (2 стандартных отклонения от среднего по группе) | 28% (14 из 50) | Berkowska и Dalla Bella, Frontiers in Psychology 2013 |
| Точно воспроизводящие высоту тона (90% и более нот в пределах 50 центов), объединённая выборка из 1 046 человек | 37% | Pfordresher и Demorest, JRME 2021 |
| Пение, признанное точным при смягчении критерия до 100 центов | 94% | Pfordresher и Demorest, JRME 2021 |
Самые свежие доступные данные: Pfordresher и Demorest, Journal of Research in Music Education 2021. Доля плохо интонирующих певцов зависит от порога: на отдельных спетых звуках 6% тех же 50 певцов-любителей оказались за линией 2 стандартных отклонений, но 58% оказались за пределом 50 центов, поэтому любая оценка распространённости настолько надёжна, насколько надёжен её порог.
2. Терпимость слушателя: сколько ошибок высоты тона прощает ухо
Синтетическим певцам не нужно обыгрывать тюнер, им нужно обыграть слушателя. Способность медианного слушателя обнаруживать расстройку соответствовала сдвигу высоты вокала на 54,989 цента в калибровке теста Mistuning Perception Test на 333 людях, при этом 95% слушателей оказались в диапазоне от 36,309 до 82,589 цента (Larrouy-Maestri, Harrison и Müllensiefen, Behavior Research Methods 2019). Это примерно полполутона, заметно больше медианной ошибки по ноте в 19 центов из раздела 1, хотя два теста измеряют разное.
Обычные слушатели всё же оценивают высоту тона последовательно. Оценки неспециалистов следовали за измеренным отклонением по интервалу почти так же тесно, как оценки экспертов, и в целом были строже (Larrouy-Maestri и др., PLoS One 2015). Для модели синтеза это значит, что обычная аудитория - валидная тестовая группа для ошибок высоты тона, а не только группа преподавателей вокала.
| Показатель | Значение | Источник |
|---|---|---|
| Порог обнаружения, низкая против высокой музыкальной подготовки (балл подготовки Gold-MSI 10 против 40) | 65,173 против 43,219 цента | Larrouy-Maestri, Harrison и Müllensiefen, Behavior Research Methods 2019 |
| Правильное обнаружение расстройки, наименьший против наибольшего проверенного сдвига (от 10 до 100 центов, случайное угадывание = 50%) | от 51,2% до 81,5% | Larrouy-Maestri, Harrison и Müllensiefen, Behavior Research Methods 2019 |
| Корреляция с измеренным отклонением по интервалу: 3 судьи-эксперта против судей-неспециалистов | около 0,83 против около 0,79 | Larrouy-Maestri и др., PLoS One 2015 |
| Среднее отклонение по интервалу в 166 оценённых исполнениях «С днём рождения» | 55,97 цента (диапазон от 10,10 до 383) | Larrouy-Maestri и др., PLoS One 2015 |
| Корреляция между различением высоты тона и воспроизведением высоты тона, 632 добровольца | r(630) = -.31, p < 0,001 | Pfordresher и Demorest, JRME 2021 |
Самые свежие доступные данные: Larrouy-Maestri, Harrison и Müllensiefen, 2019. Тест сдвигал всю вокальную дорожку на постоянную величину, поэтому он измеряет терпимость к певцу, который фальшивит на протяжении всего исполнения, а не к ошибкам, меняющимся от ноты к ноте, что авторы оставляют для будущих работ.
3. Объективные метрики высоты тона: что измеряют работы по SVS
Работы по синтезу певческого голоса (SVS) оценивают высоту тона с помощью F0 RMSE, среднеквадратичной ошибки между сгенерированной и реальной основной частотой (F0, кривой высоты тона). Ни одна из рассмотренных нами работ по SVS не приводила эту ошибку в центах: в таблицах Opencpop, VISinger 2 и CSSinger единица не указана вовсе, а ACE-Opencpop использует логарифмическую шкалу F0. Исследования с людьми используют центы, поэтому чистого показателя высоты тона «машина против человека» пока не существует.
Числа показывают ранжирование внутри одного эталонного набора. На Opencpop модель Conformer снизила F0 RMSE с 29,99 до 26,72 по сравнению с базовой моделью Transformer (Wang и др., статья Opencpop, Interspeech 2022), а VISinger 2 достиг 26,0 при 25,7 млн параметров против 137,5 млн у CpopSing (Zhang и др., статья VISinger 2, 2022). Точность по полутонам, выраженная в процентах, - ближайшая к человеческой оценке метрика, хотя в статье ACE-Opencpop её формула не раскрывается.
| Показатель | Значение | Источник |
|---|---|---|
| F0 RMSE на тестовой выборке Opencpop, базовая модель Transformer против Conformer (единица не указана) | 29,99 против 26,72 | Wang и др., статья Opencpop, Interspeech 2022 |
| Корреляция F0 с настоящим певцом, базовые модели Opencpop | от 0,893 до 0,904 | Wang и др., статья Opencpop, Interspeech 2022 |
| F0 RMSE при 22 кГц: VISinger 2 против VISinger против CpopSing | 26,0 против 33,7 против 28,5 | Zhang и др., статья VISinger 2, 2022 |
| Размер модели: VISinger 2 против CpopSing | 25,7 млн против 137,5 млн параметров | Zhang и др., статья VISinger 2, 2022 |
| Точность по полутонам VISinger2: китайский ACE-Opencpop против японского корпуса Kiritan | 65,19% против 49,33% | Shi и др., статья ACE-Opencpop, 2024 |
| F0 RMSE, корреляция F0 и ошибка вокализованных/невокализованных участков у CSSinger-FS на Opencpop | 28,601, 0,919 и 0,107 | Cui и др., CSSinger 2024 |
| F0 RMSE на ACE-Opencpop: SVS на основе речевой языковой модели против TokSing против XiaoiceSing | 62,79 против 55,83 против 71,67 | Zhao и др., статья о SVS на основе речевой языковой модели, 2025 |
Ошибка вокализации показывает, как часто модель путает вокализованный звук (голосовые связки колеблются, поэтому высота тона существует) с невокализованным. Разброс точности по полутонам от 49,33% до 65,19% для одной и той же архитектуры говорит о сильной зависимости оценки от корпуса, поэтому результаты на разных корпусах нельзя ранжировать друг относительно друга.
4. Естественность: разрыв MOS между синтетическим и настоящим пением
MOS - это средняя оценка, которую группа слушателей ставит по шкале от 1 до 5, и в каждой из рассмотренных здесь работ наряду с моделями проверялись настоящие записи. В пяти эталонных работах разрыв между лучшей моделью и настоящим пением составил от 0,45 до 0,81 балла MOS (4,30 минус 3,85 на PopCS, 4,51 минус 3,70 на Opencpop). Синтез речи сообщал о паритете с записями на ряде эталонных тестов; пение пока отстаёт примерно на полбалла и более.
Новейшие работы без обучающих примеров целевого голоса сокращают этот разрыв. Это означает, что модель поёт голосом, которого ни разу не слышала при обучении. CoMelSinger, пересмотренный в апреле 2026 года, приблизился к настоящим записям на 0,24 балла естественности для певцов, которых никогда не слышал (4,35 минус 4,11), что стало наименьшим разрывом в этом наборе (Zhao и др., CoMelSinger 2026). Группы слушателей при этом невелики, часто от 10 до 20 человек, поэтому преимущество в 0,1 балла редко бывает решающим.
| Показатель | Значение | Источник |
|---|---|---|
| MOS на Opencpop: лучшая базовая модель (CpopSing) против записей | 3,70 против 4,51 | Wang и др., статья Opencpop, Interspeech 2022 |
| MOS на PopCS: DiffSinger против записей | 3,85 против 4,30 | Liu и др., DiffSinger, AAAI 2022 |
| MOS качества звука на M4Singer: DiffSinger против записей | 3,92 против 4,52 | Zhang и др., M4Singer, NeurIPS 2022 |
| MOS при 44,1 кГц: VISinger 2 против записей | 3,81 против 4,32 | Zhang и др., статья VISinger 2, 2022 |
| MOS качества звука на GTSinger: StyleSinger против записей | 4,01 против 4,54 | Zhang и др., GTSinger, NeurIPS 2024 |
| MOS естественности, певцы, известные при обучении: CoMelSinger против записей | 4,02 против 4,38 | Zhao и др., CoMelSinger 2026 |
| MOS естественности, неизвестные при обучении певцы (без обучающих примеров): CoMelSinger против записей | 4,11 против 4,35 | Zhao и др., CoMelSinger 2026 |
Самые свежие доступные данные по этим корпусам: строки Opencpop, PopCS, M4Singer и VISinger 2 относятся к 2022 году, поэтому они задают исходный уровень для каждого корпуса, а не нынешний передовой рубеж. Более широкие данные о распространении ИИ-инструментов для музыки приведены в нашей статистике генерации музыки с помощью ИИ.
5. Где важна высота тона: что меняется, когда модель верно воспроизводит F0
Самый чистый тест передаёт модели настоящую кривую высоты тона певца и измеряет, что улучшается. Когда DiffSinger получил настоящий F0, его MOS просодии вырос на 0,30 балла (с 3,72 до 4,02), тогда как качество звука выросло лишь на 0,05 (с 3,92 до 3,97) (Zhang и др., M4Singer, NeurIPS 2022). Просодия здесь означает связность и естественность мелодической подачи. Более точная высота тона закрывает часть этого разрыва, но даже с настоящим F0 обе оценки остаются ниже записей (4,47 и 4,52), так что высота тона - лишь одно из нескольких ограничений.
Динамические приёмы даются тяжелее всего. В Singing Voice Conversion Challenge 2025, задаче конверсии, а не синтеза по нотам, стили, которые организаторы описывают как имеющие сильные динамические компоненты (придыхание, глиссандо, вибрато), получили наименьшую точность стиля, тогда как преимущественно статичные, такие как фальцет, получили наибольшую (аналитическая статья SVCC 2025).
| Показатель | Значение | Источник |
|---|---|---|
| Средняя абсолютная ошибка F0 и точность вокализованных/невокализованных участков, DiffSinger с предсказанным против настоящего F0 | 8,9990 против 1,7061; 0,9406 против 0,9856 | Zhang и др., M4Singer, NeurIPS 2022 |
| MOS VISinger 2, полная модель против модели без DSP-синтезатора | 3,96 против 3,02 | Zhang и др., статья VISinger 2, 2022 |
| MOS VISinger 2 без вспомогательного модуля мел-спектра | 3,85 | Zhang и др., статья VISinger 2, 2022 |
| Точность стиля в SVCC 2025: придыхание, глиссандо, вибрато | 37,3%, 42,6%, 43,9% | Аналитическая статья SVCC 2025 |
| Точность стиля в SVCC 2025: фарингальный, микст, фальцет | 44,8%, 48,3%, 48,8% | Аналитическая статья SVCC 2025 |
Авторы Opencpop сообщили, что их базовые модели показали ограниченные возможности на редких высотах тона в длинном хвосте обучающего распределения, и корпус одного певца затрудняет преодоление этого ограничения.
6. Обучающие данные: часы пения за моделями
Модели пения по-прежнему учатся на одно- или двузначном числе часов записанного пения. Корпус Opencpop, на котором держится значительная часть литературы по SVS на китайском языке, содержит около 5,2 часа пения одной профессиональной певицы (Wang и др., статья Opencpop, Interspeech 2022). Записанные корпуса, такие как Opencpop и M4Singer, требуют вручную размечать границы нот и нотные партитуры, поэтому объём данных реального пения растёт медленно.
Обходной путь - синтетические данные. ACE-Opencpop получен из партитур Opencpop и синтезирован с помощью певческого синтезатора ACE Studio с ручной настройкой контуров высоты тона, дыхания и вибрато, что дало 128,9 часа, а предварительное обучение на нём подняло точность по полутонам VISinger2 на настоящем Opencpop с 64,50% до 65,18% (Shi и др., статья ACE-Opencpop, 2024). Предварительное обучение на настоящем корпусе M4Singer, напротив, снизило её до 60,54%. ACE-Opencpop использует те же песни, что и целевой корпус, поэтому этот результат говорит больше о соответствии цели, чем о самом числе часов.
| Показатель | Значение | Источник |
|---|---|---|
| Opencpop: 1 профессиональная певица, 100 песен | около 5,2 часа, 3 756 высказываний | Wang и др., статья Opencpop, Interspeech 2022 |
| M4Singer: 20 профессиональных певцов (10 мужчин, 10 женщин), 700 песен | 29,77 часа, 20 942 высказывания | Zhang и др., M4Singer, NeurIPS 2022 |
| GTSinger: 20 профессиональных певцов, 9 языков, 6 приёмов | 80,59 часа пения плюс 16,16 часа парной речи | Zhang и др., GTSinger, NeurIPS 2024 |
| Синтезированные корпуса ACE-Opencpop и ACE-KiSing | 128,9 часа (30 голосов) и 32,5 часа (34 голоса) | Shi и др., статья ACE-Opencpop, 2024 |
| Точность по полутонам VISinger2 на Opencpop: без предварительного обучения против ACE-Opencpop против предварительного обучения на M4Singer | 64,50% против 65,18% против 60,54% | Shi и др., статья ACE-Opencpop, 2024 |
| VISinger2 на KiSing, обучение только на нём против добавления ACE-KiSing: точность по полутонам и MOS | с 68,12% до 72,51%; с 3,58 до 3,83 | Shi и др., статья ACE-Opencpop, 2024 |
| Настоящее пение, собранное из 8 публичных корпусов для эталонного набора CtrSVDD | 47,64 часа | Zang и др., CtrSVDD 2024 |
Девять языков GTSinger - китайский, английский, японский, корейский, русский, испанский, французский, немецкий и итальянский, а его шесть размеченных приёмов - микст, фальцет, придыхание, фарингальный звук, вибрато и глиссандо, те же шесть стилей, которые оценивались в разделе 5.
7. Методы оценки и эталонные наборы: как получают оценки
Нормой остаются небольшие группы слушателей. В Opencpop на каждый клип приходилось 20 слушателей, в тесте VISinger 2 было десять слушателей на 30 сегментах, а в тесте ACE-Opencpop 30 слушателей на 30 образцах на систему. Записи Opencpop получили 4,22 MOS в одном тесте и 4,77 в другом внутри одной работы 2024 года (Cui и др., CSSinger 2024), и этот разброс в 0,55 балла больше многих разрывов между моделями.
Автоматические оценщики помогают на уровне систем, но не на уровне отдельных клипов. Лучший предсказатель MOS на SingMOS-Pro достиг линейной корреляции 0,88 при ранжировании систем, но лишь 0,58 на отдельных клипах (статья об эталонном наборе SingMOS-Pro, 2026). Обнаружение продвинулось дальше: на контролируемых данных лучшая команда SVDD 2024 снизила равный уровень ошибок до 1,65% (Zhang и др., статья конкурса SVDD 2024), эта тема рассмотрена в нашей статистике криминалистики и обнаружения аудиодипфейков.
| Показатель | Значение | Источник |
|---|---|---|
| Размер SingMOS-Pro | 7 981 клип, 44 247 оценок, 78 разметчиков, 11,15 часа | Статья об эталонном наборе SingMOS-Pro, 2026 |
| Оценённые в SingMOS-Pro системы (синтез, конверсия, ресинтез, эталонные записи) | 141 (60, 17, 52 и 12) | Статья об эталонном наборе SingMOS-Pro, 2026 |
| Лучший автоматический предсказатель MOS, линейная корреляция на уровне систем против уровня клипов | 0,88 против 0,58 | Статья об эталонном наборе SingMOS-Pro, 2026 |
| Заявки и слушатели SVCC 2023 | 26 заявок (включая 2 базовые модели); 40 англоязычных и 319 японоязычных слушателей | Huang и др., статья SVCC 2023 |
| Корреляция Спирмена предсказателя UTMOS с MOS естественности SVCC 2023 (Задача 1, японоязычные слушатели) | 0,77 | Huang и др., статья SVCC 2023 |
| Естественность в SVCC 2025, лучшие системы против настоящего пения | около 3,7 против около 3,9 | Аналитическая статья SVCC 2025 |
| CtrSVDD, настоящее пение против дипфейк-пения, 14 методов генерации, 164 идентичности певцов | 47,64 против 260,34 часа | Zang и др., CtrSVDD 2024 |
| Равный уровень ошибок на SVDD 2024: лучшая команда против базовых моделей; команды, превзошедшие обе базовые модели | 1,65% против 11,16% и 12,03%; 37 из 47 | Zhang и др., статья конкурса SVDD 2024 |
Контекст: в SVCC 2023 лучшие системы в обеих задачах были признаны не отличающимися значимо от естественных образцов по естественности, тогда как в SVCC 2025, где оценивался и стиль пения, ни одна система не достигла человеческого уровня естественности. Анализ делает вывод, что моделирование стиля пения остаётся сложной задачей.
Итоги: точность высоты тона и естественность синтеза певческого голоса в цифрах
| Показатель | Значение | Источник |
|---|---|---|
| Медианная ошибка по ноте, 24 взрослых певца без аккомпанемента | 19 центов | Mauch, Frieler и Dixon, JASA 2014 |
| Точно воспроизводящие высоту тона в выборке из 1 046 человек | 37% | Pfordresher и Demorest, JRME 2021 |
| Пение, признанное точным по более мягкому критерию в 100 центов | 94% | Pfordresher и Demorest, JRME 2021 |
| Плохо интонирующие певцы-любители (критерий 2 стандартных отклонений) | 28% (14 из 50) | Berkowska и Dalla Bella, Frontiers in Psychology 2013 |
| Сдвиг высоты тона, соответствующий способности обнаружения у медианного слушателя | 54,989 цента | Larrouy-Maestri, Harrison и Müllensiefen, Behavior Research Methods 2019 |
| Лучшая базовая модель Opencpop против записей, MOS | 3,70 против 4,51 | Wang и др., статья Opencpop, Interspeech 2022 |
| VISinger 2 против записей при 44,1 кГц, MOS | 3,81 против 4,32 | Zhang и др., статья VISinger 2, 2022 |
| CoMelSinger против записей, MOS естественности для неизвестных при обучении певцов | 4,11 против 4,35 | Zhao и др., CoMelSinger 2026 |
| Прирост MOS просодии против прироста MOS качества звука от настоящего F0 (DiffSinger) | +0,30 против +0,05 | Zhang и др., M4Singer, NeurIPS 2022 |
| MOS VISinger 2 без DSP-синтезатора | 3,02 (против 3,96) | Zhang и др., статья VISinger 2, 2022 |
| Точность по полутонам VISinger2, ACE-Opencpop против Kiritan | 65,19% против 49,33% | Shi и др., статья ACE-Opencpop, 2024 |
| Точность стиля в SVCC 2025 для вибрато | 43,9% | Аналитическая статья SVCC 2025 |
| Размер корпуса GTSinger | 80,59 часа, 20 певцов, 9 языков | Zhang и др., GTSinger, NeurIPS 2024 |
| Размер синтезированного корпуса ACE-Opencpop | 128,9 часа, 30 голосов | Shi и др., статья ACE-Opencpop, 2024 |
| Записи Opencpop, оценённые в двух отдельных тестах внутри одной работы, MOS | 4,22 против 4,77 | Cui и др., CSSinger 2024 |
| Оценки, собранные в SingMOS-Pro | 44 247 от 78 разметчиков | Статья об эталонном наборе SingMOS-Pro, 2026 |
| Лучший равный уровень ошибок SVDD 2024 | 1,65% | Zhang и др., статья конкурса SVDD 2024 |
Методология и источники
- Wang и др., Opencpop: A High-Quality Open Source Chinese Popular Song Corpus for Singing Voice Synthesis, Interspeech 2022
- Zhang и др., M4Singer: A Multi-Style, Multi-Singer and Musical Score Provided Mandarin Singing Corpus, NeurIPS 2022 Datasets and Benchmarks
- Liu и др., DiffSinger: Singing Voice Synthesis via Shallow Diffusion Mechanism, AAAI 2022
- Zhang и др., VISinger 2: High-Fidelity End-to-End Singing Voice Synthesis Enhanced by Digital Signal Processing Synthesizer, 2022
- Zhang и др., GTSinger: A Global Multi-Technique Singing Corpus with Realistic Music Scores for All Singing Tasks, NeurIPS 2024
- Shi и др., Singing Voice Data Scaling-up: An Introduction to ACE-Opencpop and ACE-KiSing, 2024
- Cui и др., CSSinger: End-to-End Chunkwise Streaming Singing Voice Synthesis System, 2024
- Zhao и др., Adapting Speech Language Model to Singing Voice Synthesis, декабрь 2025
- Zhao и др., CoMelSinger: Discrete Token-Based Zero-Shot Singing Synthesis, пересмотрено в апреле 2026
- Huang и др., The Singing Voice Conversion Challenge 2023
- An Extensive Analysis of the Singing Voice Conversion Challenge 2025 Evaluation Results, 2025
- Zhang и др., SVDD 2024: The Inaugural Singing Voice Deepfake Detection Challenge
- Zang и др., CtrSVDD: A Benchmark Dataset and Baseline Analysis for Controlled Singing Voice Deepfake Detection, 2024
- SingMOS-Pro: A Comprehensive Benchmark for Singing Quality Assessment, пересмотрено в январе 2026
- Mauch, Frieler и Dixon, Intonation in Unaccompanied Singing: Accuracy, Drift, and a Model of Reference Pitch Memory, JASA 2014
- Larrouy-Maestri и Morsomme, Criteria and Tools for Objectively Analysing the Vocal Accuracy of a Popular Song, Logopedics Phoniatrics Vocology 2014
- Larrouy-Maestri, Harrison и Müllensiefen, The Mistuning Perception Test, Behavior Research Methods 2019
- Larrouy-Maestri и др., Layman versus Professional Musician: Who Makes the Better Judge?, PLoS One 2015
- Berkowska и Dalla Bella, Uncovering Phenotypes of Poor-Pitch Singing: the Sung Performance Battery, Frontiers in Psychology 2013
- Pfordresher и Demorest, The Prevalence and Correlates of Accurate Singing, Journal of Research in Music Education 2021
- Dalla Bella, Giguère и Peretz, Singing Proficiency in the General Population, JASA 2007
- Наблюдение по данным: значения MOS нельзя сравнивать между работами, поскольку группы слушателей (от 10 до 30 человек), частоты дискретизации и инструкции различаются, а записи Opencpop получили 4,22 и 4,77 в двух тестах в статье CSSinger. Единицы F0 RMSE различаются (в большинстве работ не указаны, в ACE-Opencpop логарифмические), поэтому значения F0 RMSE из разных работ нельзя сравнивать напрямую. Источники расходятся в размерах корпусов: ACE-Opencpop составляет 128,9 часа в собственной Таблице 1, около 130 часов во введении и 135 часов в статье о речевой языковой модели от декабря 2025 года; ACE-KiSing указан и с 34, и с 33 певцами; Opencpop составляет около 5,2 часа в собственной статье, но 5,25 часа в сравнительных таблицах M4Singer и GTSinger. F0 RMSE у CSSinger-FS в одной таблице равен 28,601, а в другой 28,101. Равные уровни ошибок SVDD 2024 не включают метод ACESinger. Pfordresher и Demorest описывают 50 центов как один полутон, тогда как 50 центов - это полполутона. Точные оценки естественности SVCC 2023 приведены только на рисунках, поэтому мы указываем лишь выводы о значимости. VISinger 2, CSSinger, CoMelSinger, SingMOS-Pro и статья о речевой языковой модели цитируются по версиям на arXiv и оценены их собственными авторами; для CoMelSinger и SingMOS-Pro рецензируемое издание не указано, а статья о речевой языковой модели была подана на семинар, поэтому итоговые значения могут отличаться. Все исследования точности высоты тона у людей относятся к периоду до 2023 года и являются самыми свежими доступными данными.
Последнее обновление: 31 октября 2026 года. Мы обновляем этот обзор ежеквартально, и следующее обновление ожидается после публикации трудов конференции ICASSP 2027 и результатов следующего конкурса Singing Voice Conversion Challenge.