ตัวตรวจจับแบบโครงข่ายประสาทที่ใช้สเปกโทรแกรมระบุเสียงร้องที่ผ่าน Auto-Tune ได้แม่นยำ 94.75% เทียบกับ 79.33% ของโมเดลเสียงพื้นฐาน RawNet2 ที่นำมาเปรียบเทียบ (Gohari และคณะ, IEEE WIFS 2024) การแก้ระดับเสียงทิ้งลายนิ้วมือที่เครื่องจักรอ่านได้ แม้หูของมนุษย์จะผ่อนปรนมาก: ในการบันทึกเสียงทั่วไป โน้ตผิดที่ร้องพร้อมเนื้อเพลงสังเกตได้ยากกว่าโน้ตที่ร้องบนพยางค์ที่เป็นกลาง (Weiss และ Trehub, Psychology of Music 2023) การยอมรับแบ่งตามอายุ โดยผู้ตอบเจเนอเรชัน Z 78.4% ยอมรับ Auto-Tune เทียบกับเบบี้บูมเมอร์ 31.2% ในแบบสำรวจปี 2025 ชิ้นหนึ่ง (Xie และ Kim, Journal of Computing and Biomedical Informatics 2025) และวัตถุดิบที่เครื่องมือเหล่านี้ทำงานด้วยก็ห่างไกลจากความสมบูรณ์แบบ: ใน 22% ของการบันทึกเสียงร้องไม่มีดนตรีประกอบ นักร้องเบี่ยงเบนจากระดับเสียงเริ่มต้นอย่างมีนัยสำคัญ (Mauch, Frieler และ Dixon, JASA 2014) เรารวบรวมข้อมูลจาก Billboard, Recording Academy, Antares Audio Technologies, งานวิจัยด้านการรับรู้ที่ผ่านการทบทวนโดยผู้เชี่ยวชาญใน Psychology of Music, Behavior Research Methods, Music and Science และ JASA รวมถึงบทความด้านการประมวลผลสัญญาณจาก IEEE WIFS, ICASSP และ Data in Brief หากคุณมาจากสถิติระดับเสียงมาตรฐานคอนเสิร์ตและการตั้งสาย A=440ของเรา สรุปนี้จะเดินทางจากโน้ตอ้างอิงที่วงออร์เคสตราใช้ตั้งเสียง ไปสู่ซอฟต์แวร์ที่ดึงเสียงร้องเข้าหาโน้ตนั้น
หมายเหตุสั้น ๆ เรื่องหน่วยที่ใช้ตลอดบทความ: ระยะห่างของระดับเสียงวัดเป็นเซนต์ โดย 100 เซนต์คือหนึ่งครึ่งเสียง (หนึ่งคีย์เปียโน) และ 50 เซนต์คือหนึ่งควอเตอร์โทน
สรุปโดยย่อ
- เพลง ‘Believe’ ของ Cher ครองอันดับ 1 บน Billboard Hot 100 นาน 4 สัปดาห์ (Billboard Canada, ครบรอบ 25 ปี Believe 2023)
- Celemony ผู้สร้าง Melodyne ก่อตั้งในปี 1997 และได้รับรางวัล Technical GRAMMY ในงาน GRAMMY Awards ครั้งที่ 54 (Recording Academy, Technical GRAMMY: Celemony)
- ประมาณ 85-90% ของผู้คนร้องเพลงตรงเสียงได้ ขณะที่ราว 10-15% ไม่แม่นยำเป็นพิเศษ (Dalla Bella และคณะ, Frontiers in Psychology 2011)
- พบการเบี่ยงเบนของระดับเสียงอย่างมีนัยสำคัญใน 22% จากการบันทึกเสียงร้องไม่มีดนตรีประกอบ 72 รายการ ที่ p < 0.01 (Mauch, Frieler และ Dixon, JASA 2014)
- ผู้ฟัง 95% จาก 333 คนมีความสามารถในการตรวจจับเสียงเพี้ยนอยู่ระหว่าง 36.309 ถึง 82.589 เซนต์ (Larrouy-Maestri และคณะ, Behavior Research Methods 2019)
- ผู้อำนวยเพลงคณะประสานเสียงและครูสอนร้องเพลงให้คะแนนบันไดเสียง 11 จาก 16 บันไดที่ผ่านการแก้ระดับเสียงเต็มรูปแบบต่ำกว่า 80 จาก 120 ด้านความตรงของระดับเสียง (Michael และ Gilman, Journal of Singing 2021)
- ผู้ฟังเลือกตัวแก้อัตโนมัติใน 79% ของการเปรียบเทียบเมื่อต้นฉบับเบี่ยงเบน 40 ถึง 60 เซนต์ (Wager และคณะ, ICASSP 2020)
- เจเนอเรชัน Z 78.4% เทียบกับเบบี้บูมเมอร์ 31.2% ยอมรับ Auto-Tune ในการบันทึกเสียง (Xie และ Kim, Journal of Computing and Biomedical Informatics 2025)
- ตัวตรวจจับตัวหนึ่งยังคงความแม่นยำ 87.55% กับเสียงร้องที่ผ่าน Auto-Tune หลังการบีบอัด MP3 เทียบกับ 56.67% ของโมเดลพื้นฐาน (Gohari และคณะ, IEEE WIFS 2024)
- ชุดข้อมูล ATDD มีช่วงเสียงที่มีป้ายกำกับ 21,249 ช่วงสำหรับการตรวจจับ Auto-Tune ใน 3 ภาษา (Gohari และคณะ, Data in Brief 2026)
1. จุดเปลี่ยนสำคัญ: การแก้ระดับเสียงเข้าสู่ชาร์ตได้อย่างไร
การแก้ระดับเสียงมีอายุไม่ถึง 30 ปี: การวางจำหน่าย Auto-Tune และการก่อตั้ง Celemony ต่างก็เกิดในปี 1997 ซอฟต์แวร์นี้สร้างขึ้นเพื่อแก้โน้ตอย่างเงียบ ๆ แต่กลับโด่งดังด้วยเหตุผลตรงข้าม คือเมื่อเพลงฮิตทำให้การแก้นั้นได้ยินชัด เพลง ‘Believe’ ของ Cher ครองอันดับ 1 บน Billboard Hot 100 นาน 4 สัปดาห์ และ Billboard Canada ยกให้ซิงเกิลปี 1999 นี้ว่า “แนะนำให้โลกรู้จักความมหัศจรรย์ของ AutoTune” (Billboard Canada, 2023)
รางวัลของวงการเองก็วาดเส้นทางเดียวกัน Recording Academy มอบรางวัล Technical GRAMMY ให้ Celemony ผู้สร้าง Melodyne ในงาน GRAMMY Awards ครั้งที่ 54 และบันทึกว่า Peter Neubäcker เปิดตัว Melodyne ในงาน NAMM Show ช่วงฤดูหนาวปี 2001 (Recording Academy, รางวัล Technical GRAMMY ของ Celemony) Antares ระบุว่า Andy Hildebrand ผู้ก่อตั้งได้รับรางวัล Technical GRAMMY ปี 2023 (บล็อกของ Antares, 2023) ซึ่งเป็นประกาศของผู้ผลิตเอง
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| วันวางจำหน่ายต่อสาธารณะของ Auto-Tune (ข้ออ้างของผู้ผลิตเอง) | 19 กันยายน 1997 | Antares Audio Technologies, ศาสตร์เบื้องหลัง Auto-Tune 2026 (ข้ออ้างของผู้ผลิต) |
| จำนวนประเทศที่ ‘Believe’ ขึ้นอันดับหนึ่ง (ข้ออ้างของผู้ผลิตเอง) | 23 | Antares Audio Technologies, โพสต์ Technical GRAMMY 2023 (ข้ออ้างของผู้ผลิต) |
| จำนวนสัปดาห์ที่ ‘Believe’ ของ Cher ครองอันดับ 1 บน Billboard Hot 100 | 4 | Billboard Canada, ครบรอบ 25 ปี Believe 2023 |
| การเข้าชิง GRAMMY ของ ‘Believe’ (ซิงเกิลและอัลบั้ม) เทียบกับรางวัลที่ชนะ | เข้าชิง 3 ครั้ง ชนะ 1 ครั้ง (บันทึกเสียงแดนซ์ยอดเยี่ยม) | Billboard Canada, ครบรอบ 25 ปี Believe 2023 |
| ปีที่ก่อตั้ง Celemony บริษัทเบื้องหลัง Melodyne | 1997 | Recording Academy, รางวัล Technical GRAMMY ของ Celemony |
| ปีที่เปิดตัว Melodyne (งาน NAMM Show ช่วงฤดูหนาว) | 2001 | Recording Academy, รางวัล Technical GRAMMY ของ Celemony |
| งานประกาศรางวัล GRAMMY ที่ Celemony ได้รับ Technical GRAMMY | GRAMMY Awards ครั้งที่ 54 (รางวัลเกียรติคุณพิเศษ ปี 2012) | Recording Academy, รางวัล Technical GRAMMY ของ Celemony |
หมายเหตุด้านบริบท: โพสต์ของผู้ผลิตรายเดียวกันระบุวันวางจำหน่าย ‘Believe’ เป็น 22 ตุลาคม 1998 ตัวเลข 23 ประเทศและวันที่นี้มาจากบล็อกของผู้ผลิตเอง ไม่ใช่ข้อมูลชาร์ตอิสระ เราไม่พบการนับที่ตรวจสอบยืนยันได้และผ่านการทบทวนโดยผู้เชี่ยวชาญว่าเพลงฮิตติดชาร์ตในปัจจุบันผ่านการแก้ระดับเสียงกี่เพลง ดูข้อสังเกตเกี่ยวกับข้อมูลในส่วนระเบียบวิธี
2. คนร้องเพลงแม่นยำแค่ไหนเมื่อไม่มีการแก้
การแก้ระดับเสียงมีอยู่เพราะเสียงมนุษย์เป็นเครื่องดนตรีที่ไม่แม่นยำ แต่ช่องว่างนี้เล็กกว่าที่คำพูดซ้ำ ๆ ว่า “ทุกคนต้องใช้ Auto-Tune” บอกเป็นนัย ปัญหาที่ใหญ่กว่าไม่ใช่การร้องให้ถูกโน้ตครั้งเดียว แต่คือการรักษาจุดอ้างอิงไว้ตลอดเวลา: ใน 22% จากการบันทึกเสียงร้องไม่มีดนตรีประกอบ 72 รายการ นักร้องเบี่ยงเบนจากระดับเสียงเริ่มต้นอย่างมีนัยสำคัญ (p < 0.01) (Mauch, Frieler และ Dixon, JASA 2014) การเบี่ยงเบนสะสม (การไหลช้า ๆ ของทั้งการแสดงขึ้นหรือลง) คือสิ่งที่ตัวแก้ที่ล็อกกับคีย์ขจัดออกได้พอดี เพราะมันดึงทุกโน้ตกลับเข้าบันไดเสียงที่ตายตัว
สิ่งเร้าของการศึกษานี้คือเพลง ‘Happy Birthday’ ร้องบนพยางค์ “na” โดยนักร้อง 24 คนที่มีความสามารถหลากหลาย การทบทวนในวงกว้างกว่าช่วยวางตัวเลขประชากรให้อยู่ในมุมมองที่เหมาะสม: คนส่วนใหญ่ร้องทำนองได้ และจุดอ่อนที่แท้จริงคือความสม่ำเสมอ (Dalla Bella, Berkowska และ Sowiński, Frontiers in Psychology 2011) ข้อมูลล่าสุดที่มี: งานทบทวนใน Frontiers in Psychology 2011 และ JASA 2014 ส่วนการศึกษาประชากรที่ใหม่กว่าซึ่งใช้การวัดเดียวกันนั้นมีน้อย
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ค่ามัธยฐานของการเบี่ยงเบนระดับเสียงสัมบูรณ์ตลอดการแสดงไม่มีดนตรีประกอบประมาณ 50 วินาที (นักร้อง 24 คน) | 11 เซนต์ | Mauch, Frieler และ Dixon, JASA 2014 |
| การบันทึกเสียงที่มีการเบี่ยงเบนอย่างมีนัยสำคัญทางสถิติ (จาก 72 รายการ) | 22% (16) ที่ p < 0.01 และ 38% (27) ที่ p < 0.05 | Mauch, Frieler และ Dixon, JASA 2014 |
| ค่ามัธยฐานของความคลาดเคลื่อนของช่วงห่างระหว่างโน้ตที่ร้องต่อเนื่องกัน | 0.267 ครึ่งเสียง (ประมาณ 27 เซนต์) | Mauch, Frieler และ Dixon, JASA 2014 |
| สัดส่วนของประชากรทั่วไปที่ไม่แม่นยำในการสร้างระดับเสียงเป็นพิเศษ | ประมาณ 10-15% | Dalla Bella, Berkowska และ Sowiński, Frontiers in Psychology 2011 |
| สัดส่วนของประชากรทั่วไปที่ร้องเพลงตรงเสียงได้ในการประเมินอย่างเป็นระบบ | ราว 85-90% | Dalla Bella, Berkowska และ Sowiński, Frontiers in Psychology 2011 |
| สัดส่วนที่จัดว่าไม่แม่นยำเมื่อนับความสม่ำเสมอของความพยายามซ้ำ | ประมาณ 55% | Pfordresher และคณะ 2010 ตามที่สรุปไว้ใน Dalla Bella และคณะ, Frontiers in Psychology 2011 |
| ค่าเฉลี่ยการเบี่ยงเบนจากช่วงห่างทางดนตรีที่ถูกต้อง ระหว่างผู้ร้องเป็นครั้งคราวกับนักร้องมืออาชีพ | 0.6 ครึ่งเสียง เทียบกับ 0.3 ครึ่งเสียง | Dalla Bella และคณะ 2007 ตามที่สรุปไว้ใน Dalla Bella และคณะ, Frontiers in Psychology 2011 |
| นักร้องมืออาชีพเพี้ยนในช่วงห่างได้มากเท่าใด เมื่อวัดเทียบกับบันไดเสียงเทมเปอร์เมนต์เท่ากัน | 20-25 เซนต์ | Vurma และ Ross 2006 และ Zurbriggen และคณะ 2006 ตามที่สรุปไว้ใน Dalla Bella และคณะ, Frontiers in Psychology 2011 |
หมายเหตุเรื่องค่าผิดปกติ: ในการศึกษานั้น การเบี่ยงเบนไม่สัมพันธ์กับประสบการณ์การร้องเพลงหรือกับการวัดความแม่นยำอื่น ๆ และการเบี่ยงเบนที่มีนัยสำคัญส่วนใหญ่ขยับขึ้น ประสบการณ์ในคณะประสานเสียงสัมพันธ์กับโน้ตและช่วงห่างที่แม่นยำกว่า แต่ไม่ได้ป้องกันการไหลของระดับเสียงได้อย่างน่าเชื่อถือ
3. ผู้ฟังได้ยินเสียงเพี้ยนมากแค่ไหนจริง ๆ
ผู้ฟังมีความอดทน และความอดทนนั้นคือเศรษฐศาสตร์ที่ซ่อนอยู่ของการแก้ระดับเสียง: มันต้องเลื่อนโน้ตให้ไกลพอที่จะข้ามเกณฑ์ของผู้ฟังเท่านั้น ไม่จำเป็นต้องสมบูรณ์แบบ การปรับเทียบแบบทดสอบการรับรู้เสียงเพี้ยน (Mistuning Perception Test) ใช้เพลงป๊อปจริง โดยเลื่อนเสียงร้องนำเทียบกับแทร็กดนตรีประกอบ ผู้ฟัง 95% จาก 333 คนมีความสามารถที่สอดคล้องกับการเลื่อนระดับเสียงระหว่าง 36.309 ถึง 82.589 เซนต์ (Larrouy-Maestri, Harrison และ Müllensiefen, Behavior Research Methods 2019) พูดง่าย ๆ คือ สำหรับเกือบทุกคนในกลุ่มตัวอย่างนั้น เสียงร้องต้องเพี้ยนเกินหนึ่งในสามของครึ่งเสียงก่อนที่ข้อผิดพลาดจะตรวจพบได้อย่างน่าเชื่อถือ
กลุ่มตัวอย่างตรวจสอบความถูกต้อง 66 คนแยกเสียงโทนธรรมดาสองเสียงออกจากกันได้ที่ค่ามัธยฐาน 24.0 เซนต์ ดังนั้นตัวมิกซ์เองซ่อนข้อผิดพลาดที่หูอาจจับได้เมื่อฟังแยกเดี่ยว เสียงร้องยังตัดสินยากกว่าเครื่องดนตรี: นักดนตรีที่มีหูแบบสัมบูรณ์ (ความสามารถในการบอกชื่อโน้ตโดยไม่มีเสียงอ้างอิง) บอกชื่อโน้ตที่ร้องได้แม่นยำน้อยกว่าโน้ตวิโอลา (Gao และ Oxenham, JASA 2022) สถิติความแม่นยำของระดับเสียงในการสังเคราะห์เสียงร้องเพลงของเรามองเกณฑ์เดียวกันนี้จากมุมของการร้องเพลงที่ AI สร้างขึ้น ข้อมูลล่าสุดที่มี: Behavior Research Methods 2019 และ Music and Science 2018
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ช่วงของเสียงร้องเพี้ยนที่ทดสอบในตัวอย่างเพลงป๊อป ทั้งต่ำกว่าและสูงกว่าโน้ต | 10 ถึง 100 เซนต์ ทีละ 5 เซนต์ | Larrouy-Maestri, Harrison และ Müllensiefen, Behavior Research Methods 2019 |
| การเลื่อนระดับเสียงที่ตรงกับความสามารถของผู้ฟังปรับเทียบ 95% จาก 333 คน | 36.309 ถึง 82.589 เซนต์ | Larrouy-Maestri, Harrison และ Müllensiefen, Behavior Research Methods 2019 |
| ความเชื่อมั่นแบบทดสอบซ้ำของแบบทดสอบปรับตามผู้ตอบ 30 ข้อ (กลุ่มตัวอย่างตรวจสอบ 66 คน) | r = 0.698 (ช่วงความเชื่อมั่น 95% 0.544 ถึง 0.806) | Larrouy-Maestri, Harrison และ Müllensiefen, Behavior Research Methods 2019 |
| เกณฑ์ค่ามัธยฐานในการแยกโทนธรรมดาสองเสียง กลุ่มตัวอย่างตรวจสอบเดียวกัน | 24.0 เซนต์ | Larrouy-Maestri, Harrison และ Müllensiefen, Behavior Research Methods 2019 |
| ความอดทนของผู้ฟังต่อเสียงเพี้ยนในทำนองที่ร้อง | ครึ่งหนึ่งของควอเตอร์โทน (25 เซนต์ เพราะหนึ่งควอเตอร์โทนคือ 50 เซนต์) | Larrouy-Maestri, Music and Science 2018 |
| ความคลาดเคลื่อนของช่วงห่างที่ผู้ฟังส่วนใหญ่ไม่ตัดสินว่าเพี้ยนได้อย่างน่าเชื่อถือ | 40 เซนต์ | Vurma และ Ross 2006 ตามที่สรุปไว้ใน Mauch, Frieler และ Dixon, JASA 2014 |
| ความต่างของความถี่ที่สังเกตได้น้อยที่สุดที่ความถี่การร้องเพลงทั่วไปจนถึง 800 Hz | ต่ำกว่า 17 เซนต์ | Henning 1955 ตามที่สรุปไว้ใน Mauch, Frieler และ Dixon, JASA 2014 |
| อัตราส่วนออดส์ของการบอกชื่อโน้ตที่ร้องถูกต้องเทียบกับโน้ตวิโอลา นักดนตรีที่มีหูแบบสัมบูรณ์ (n = 55) | อัตราส่วนออดส์ 0.49 (ช่วงความเชื่อมั่น 95% 0.34 ถึง 0.71) | Gao และ Oxenham, JASA 2022 |
หมายเหตุด้านบริบท: ตัวเลขความอดทนสองตัวจากกลุ่มวิจัยเดียวกันวัดสิ่งที่ต่างกัน การศึกษาปี 2018 พบ “ความอดทนที่น้อยอย่างน่าประหลาดใจ” เมื่อผู้ฟังตัดสินทำนองร้องที่แยกเดี่ยว (Music and Science 2018) ขณะที่การทดสอบปี 2019 ฝังเสียงร้องไว้ในมิกซ์เพลงป๊อปเต็มรูปแบบ ซึ่งเกณฑ์จะสูงกว่า
4. เนื้อเพลง เสียงร้องที่ผ่าน Auto-Tune และการตรวจจับข้อผิดพลาดของระดับเสียง
คำร้องเป็นการอำพรางโน้ตผิดตามธรรมชาติ และการแก้ระดับเสียงก็ขจัดการอำพรางส่วนหนึ่งนั้นออกไป ในการทดลอง 4 ชุดกับนักศึกษาระดับปริญญาตรี (ผู้เขียนสันนิษฐานว่ากลุ่มตัวอย่างส่วนใหญ่เป็นชาวแคนาดา) ผู้ฟังได้ฟังเพลงที่คุ้นเคยซึ่งมีโน้ตหนึ่งตัวถูกเลื่อนออกไป 50 หรือ 100 เซนต์ เนื้อเพลงทำให้ตรวจพบข้อผิดพลาดได้ยากกว่าพยางค์ “la” ด้วยขนาดอิทธิพล d = 0.74 แต่เมื่อ Auto-Tune ขจัดการสั่นไหวของระดับเสียงตามธรรมชาติภายในแต่ละโน้ต อิทธิพลของเนื้อเพลงลดลงเหลือ d = 0.26 (Weiss และ Trehub, Psychology of Music 2023) ผู้เขียนสรุปว่าเสียงที่หลากหลายของคำ มากกว่าความหมายของคำ เป็นตัวรบกวนการติดตามระดับเสียง
คะแนนการตรวจพบด้านล่างคือการตรวจพบถูกต้องลบด้วยสัญญาณเตือนผิดพลาด ดังนั้น 1.0 คือสมบูรณ์แบบ และ 0 คือการเดา การสั่นไหวระดับจุลภาคเดียวกันนี้สำคัญต่อความสนใจด้วย: ในงานวิจัยสายที่เกี่ยวข้อง เสียงร้องนำเป็นส่วนของมิกซ์เพลงป๊อปที่นักศึกษามหาวิทยาลัยโอลเดนบูร์กแยกแยะได้ง่ายที่สุด (Bürgel, Picinali และ Siedenburg, Frontiers in Psychology 2021) และงานต่อยอดที่ใช้ Auto-Tune กับเสียงร้องสรุปว่าการมอดูเลตความถี่ระดับจุลภาคเหล่านี้เป็น “ลักษณะทางเสียงสำคัญที่ช่วยให้เสียงร้องโดดเด่น” (Bürgel และ Siedenburg, Music Perception 2023)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| คะแนนการตรวจพบโน้ตเพี้ยนที่ร้องพร้อมเนื้อเพลงเทียบกับร้องบน “la” (ผู้ใหญ่ 24 คน การทดลองที่ 1) | 0.273 เทียบกับ 0.392 | Weiss และ Trehub, Psychology of Music 2023 |
| คะแนนการตรวจพบข้อผิดพลาด 50 เซนต์เทียบกับ 100 เซนต์ (การทดลองที่ 1) | 0.188 เทียบกับ 0.477 | Weiss และ Trehub, Psychology of Music 2023 |
| อิทธิพลของเนื้อเพลงเทียบกับ “la” ต่อการตรวจพบ การบันทึกเสียงที่ไม่ผ่านการประมวลผล | d = 0.74 | Weiss และ Trehub, Psychology of Music 2023 |
| อิทธิพลของเนื้อเพลงเทียบกับ “la” หลัง Auto-Tune ขจัดความผันผวนของระดับเสียงภายในโน้ต (ผู้ใหญ่ 29 คน การทดลองที่ 2) | d = 0.26 | Weiss และ Trehub, Psychology of Music 2023 |
| ความแม่นยำในการตรวจพบเสียงร้องนำในมิกซ์เพลงป๊อปหลังปลดการบดบังทางสเปกตรัม (การทดลองที่ 2) | 96% (93-99%) | Bürgel, Picinali และ Siedenburg, Frontiers in Psychology 2021 |
| การเปลี่ยนแปลงความแม่นยำในการตรวจพบเมื่อสลับลำดับการนำเสนอ เสียงร้องนำเทียบกับเบส (การทดลองที่ 1 ตัวอย่างที่ไม่ได้ดัดแปลง) | -2% เทียบกับ -19% | Bürgel, Picinali และ Siedenburg, Frontiers in Psychology 2021 |
หมายเหตุด้านบริบท: สิ่งเร้าทั้งหมดในการศึกษาเรื่องเนื้อเพลงถูกทำความสะอาดด้วย Melodyne ก่อน ซึ่งผู้เขียนอธิบายว่าให้ “การบันทึกเสียงคุณภาพสูงที่ฟังดูเป็นธรรมชาติ” งานต่อยอดใน Music Perception ปี 2023 รายงานผลเฉพาะในรูปภาพที่เราเข้าถึงไม่ได้ จึงไม่มีตัวเลขจากงานนั้นปรากฏในที่นี้
5. การแก้ทำให้การร้องเพลงฟังดีขึ้นหรือไม่ และสำหรับใคร?
การแก้ไม่ใช่การปรับปรุงโดยอัตโนมัติ เมื่อผู้อำนวยเพลงคณะประสานเสียงและครูสอนร้องเพลง 16 คนให้คะแนนบันไดเสียงที่ Melodyne เลื่อนไปอยู่บนระดับเสียงที่ตรงเป๊ะ เวอร์ชัน “สมบูรณ์แบบ” เหล่านั้นไม่ได้คะแนนสมบูรณ์แบบ: บันไดเสียงที่แก้เต็มรูปแบบ 11 จาก 16 บันไดมีคะแนนเฉลี่ยต่ำกว่า 80 บนสเกลความตรงของระดับเสียง 0 ถึง 120 และ 3 บันไดต่ำกว่า 60 (Michael และ Gilman, Journal of Singing 2021) ผู้เชี่ยวชาญตัดสินความตรงของระดับเสียงจากมากกว่าระยะห่างจากเครื่องจูนเสียง
การทดสอบการฟังแสดงรูปแบบเดียวกัน ผู้ฟังที่ผ่านการฝึก 10 คนแบ่งความเห็นเกือบเท่ากันระหว่างตัวแก้แบบโครงข่ายประสาทกับเทคคาราโอเกะต้นฉบับ แต่เลือกการแก้อย่างชัดเจนเมื่อนักร้องเพี้ยนชัดเจน (Wager และคณะ, Deep Autotuner, ICASSP 2020) รสนิยมก็แบ่งตามรุ่นด้วย: แบบสำรวจ 847 คนที่เผยแพร่ในปี 2025 พบว่าการยอมรับ Auto-Tune ในเจเนอเรชัน Z สูงกว่าเบบี้บูมเมอร์มาก (Xie และ Kim, Journal of Computing and Biomedical Informatics 2025) ข้อมูลล่าสุดที่มีสำหรับการทดสอบการฟัง: Journal of Singing 2021 และ ICASSP 2020
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ครูสอนร้องเพลงที่มีประสบการณ์ซึ่งให้คะแนนบันไดเสียงของนักร้อง 40 คน (การศึกษาที่หนึ่ง) | 10 | Michael และ Gilman, Journal of Singing 2021 |
| บันไดเสียงที่แก้เต็มรูปแบบ (‘เทมเปอร์’ คือทุกระดับเสียงถูกเลื่อนไปยังโน้ตที่ตรงเป๊ะ) ที่คะแนนเฉลี่ยความตรงของระดับเสียงต่ำกว่า 80 จาก 120 | 11 จาก 16 | Michael และ Gilman, Journal of Singing 2021 |
| บันไดเสียงที่แก้เต็มรูปแบบที่คะแนนเฉลี่ยต่ำกว่า 60 จาก 120 | 3 จาก 16 | Michael และ Gilman, Journal of Singing 2021 |
| ค่าเบี่ยงเบนโดยทั่วไปของบันไดเสียงที่ร้องต้นฉบับซึ่งไม่ได้แก้ | ส่วนใหญ่อยู่ภายใน 30 เซนต์จากแต่ละระดับเสียงที่ตั้งใจ | Michael และ Gilman, Journal of Singing 2021 |
| ตัวเลือกของผู้ฟัง ตัวแก้แบบโครงข่ายประสาทเทียบกับเทคคาราโอเกะต้นฉบับ | 33 เทียบกับ 35 (49%, p = 0.45) | Wager และคณะ, ICASSP 2020 |
| ตัวเลือกของผู้ฟัง ตัวแก้พื้นฐานที่ดึงเข้าครึ่งเสียงเทียบกับเทคต้นฉบับ | 24 เทียบกับ 34 (41%, p = 0.12) | Wager และคณะ, ICASSP 2020 |
| ความชอบเวอร์ชันที่แก้แล้วเมื่อค่าเบี่ยงเบนของโน้ตต้นฉบับ (ส่วนเบี่ยงเบนมาตรฐาน) อยู่ที่ 40 ถึง 60 เซนต์ | 79% (19 จาก 24) | Wager และคณะ, ICASSP 2020 |
| การยอมรับการใช้ Auto-Tune ในการบันทึกเสียง เจเนอเรชัน Z เทียบกับเบบี้บูมเมอร์ (แบบสำรวจ n = 847) | 78.4% เทียบกับ 31.2% | Xie และ Kim, Journal of Computing and Biomedical Informatics 2025 |
หมายเหตุด้านบริบท: Deep Autotuner ถูกฝึกด้วยการแสดงคาราโอเกะสมัครเล่น 4,702 รายการที่แอปร้องเพลง Smule รวบรวมไว้ ในบทความแบบสำรวจข้ามรุ่น Auto-Tune ได้ 52.3% ใน “ความเล่นได้โดยรวม” เทียบกับ 64.7% ของการสุ่มตัวอย่างเสียง พร้อมการวิเคราะห์เชิงเสียงของเพลง R&B 240 เพลงระหว่างปี 1980 ถึง 2023 บทความไม่ได้นิยามความเล่นได้และไม่ระบุว่าผู้ตอบอาศัยอยู่ที่ไหน
6. การตรวจจับ Auto-Tune: ความแม่นยำของเครื่องและการตั้งค่าที่เป็นพิรุธ
เสียง “ฮาร์ดจูน” ที่ได้ยินมาจากการตั้งค่าเพียงอย่างเดียว Antares ระบุว่าการแก้ที่ฟังดูเป็นธรรมชาติใช้ความเร็วในการปรับเสียงซ้ำ (ซอฟต์แวร์ดึงโน้ตเข้าหาเป้าหมายเร็วแค่ไหน) ที่ 20 ถึง 50 มิลลิวินาที ขณะที่เอฟเฟกต์แบบคลาสสิกอยู่ที่ 0 ถึง 10 มิลลิวินาที (Antares, ศาสตร์เบื้องหลัง Auto-Tune 2026) ค่าเหล่านี้เป็นค่าแนะนำของผู้ผลิตเอง ตัวตรวจจับถูกฝึกกับการดึงเข้าทันทีแบบนี้พอดี: นักวิจัยสร้างคลิปที่ผ่าน Auto-Tune ด้วยการเลื่อนทุกเฟรมไปยังโน้ตที่ใกล้ที่สุด
ตัวตรวจจับสเปกโทรแกรมที่ดีที่สุดให้ความแม่นยำระดับช่วงเสียง 94.75% และยังคง 87.55% หลังการบีบอัด MP3 ขณะที่โมเดลพื้นฐาน RawNet2 ลดลงเหลือ 56.67% (Gohari และคณะ, IEEE WIFS 2024) ทีมเดียวกันได้เผยแพร่ชุดข้อมูลฝึกหลายภาษาตามมา (Gohari และคณะ, ATDD, Data in Brief 2026) หากต้องการบริบทว่าระบบอัตโนมัติแพร่ไปไกลแค่ไหนในส่วนอื่นของสายสัญญาณ ดูสถิติการนำมาสเตอริงเสียงด้วย AI มาใช้ของเรา การติดตามระดับเสียงแบบเรียลไทม์ยังขับเคลื่อนเอฟเฟกต์เสียงสดประเภทที่ระบุไว้ในหน้าเอฟเฟกต์เสียงสำหรับสตรีมเมอร์ของเรา
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ความแม่นยำระดับช่วงเสียง ตัวตรวจจับสเปกโทรแกรม (ResNet50) เทียบกับโมเดลพื้นฐาน RawNet2 | 94.75% เทียบกับ 79.33% | Gohari และคณะ, IEEE WIFS 2024 |
| ความแม่นยำหลังการบีบอัด MP3 ตัวตรวจจับที่ดีที่สุด (ResNeXt) เทียบกับโมเดลพื้นฐาน | 87.55% เทียบกับ 56.67% | Gohari และคณะ, IEEE WIFS 2024 |
| ความแม่นยำเมื่อเพิ่มสัญญาณรบกวน เปลี่ยนความเร็ว และเลื่อนเวลา ตัวตรวจจับที่ดีที่สุด (EfficientNet) | 90.72% | Gohari และคณะ, IEEE WIFS 2024 |
| คู่ข้อมูลฝึกของคลิปเสียงร้อง 10 วินาทีที่นำมาจากคลังข้อมูล VocalSet (10.1 ชั่วโมง นักร้อง 20 คน) | 3,613 | Gohari และคณะ, IEEE WIFS 2024 |
| ช่วงเสียง 10 วินาทีที่มีป้ายกำกับในชุดข้อมูลตรวจจับ Auto-Tune ATDD | 21,249 | Gohari และคณะ, Data in Brief 2026 |
| ช่วงเสียง ATDD แยกตามภาษา: จีนกลาง / อังกฤษ / ญี่ปุ่น | 12,560 / 6,321 / 2,368 | Gohari และคณะ, Data in Brief 2026 |
| สัดส่วนของแต่ละช่วงเสียง ATDD ที่ผ่าน Auto-Tune | 20% ถึง 80% ของความยาว | Gohari และคณะ, Data in Brief 2026 |
| ความเร็วในการปรับเสียงซ้ำของเอฟเฟกต์ฮาร์ดจูนแบบคลาสสิกเทียบกับการแก้แบบธรรมชาติ (ข้ออ้างของผู้ผลิตเอง) | 0-10 ms เทียบกับ 20-50 ms | Antares Audio Technologies, ศาสตร์เบื้องหลัง Auto-Tune 2026 (ข้ออ้างของผู้ผลิต) |
หมายเหตุด้านบริบท: บทความตรวจจับทั้งสองชิ้นสร้างเสียงที่ผ่าน Auto-Tune ด้วยเทคนิคแบบเปิด (การติดตามระดับเสียง PYIN ร่วมกับการเลื่อนระดับเสียง PSOLA) ไม่ใช่ปลั๊กอินเชิงพาณิชย์ และผู้เขียนระบุว่าอาจไม่ตรงกับการทำ Auto-Tune ระดับมืออาชีพ ผู้ผลิตยังอ้างแยกต่างหากว่าปลั๊กอิน AutoTune 2026 มีความหน่วง 2.5 ms (112 ตัวอย่างที่ 44.1 kHz) (Antares, Auto-Tune สำหรับแร็ปและฮิปฮอป 2026) ซึ่งก็เป็นตัวเลขของผู้ผลิตอีกเช่นกัน
สรุป: Auto-Tune และการแก้ระดับเสียงในเพลงยอดนิยมในรูปแบบตัวเลข
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| วันวางจำหน่ายต่อสาธารณะของ Auto-Tune (ข้ออ้างของผู้ผลิตเอง) | 19 กันยายน 1997 | Antares Audio Technologies 2026 (ข้ออ้างของผู้ผลิต) |
| จำนวนสัปดาห์ที่ ‘Believe’ ของ Cher ครองอันดับ 1 บน Billboard Hot 100 | 4 | Billboard Canada 2023 |
| ปีที่ก่อตั้ง Celemony บริษัทเบื้องหลัง Melodyne | 1997 | Recording Academy, รางวัล Technical GRAMMY ของ Celemony |
| ปีที่เปิดตัว Melodyne | 2001 | Recording Academy, รางวัล Technical GRAMMY ของ Celemony |
| การบันทึกเสียงที่มีการเบี่ยงเบนของระดับเสียงอย่างมีนัยสำคัญ การร้องไม่มีดนตรีประกอบ | 22% จาก 72 (p < 0.01) | Mauch, Frieler และ Dixon, JASA 2014 |
| สัดส่วนของผู้ที่ร้องเพลงตรงเสียงได้ | ราว 85-90% | Dalla Bella และคณะ, Frontiers in Psychology 2011 |
| การเลื่อนระดับเสียงที่ตรงกับความสามารถตรวจจับเสียงเพี้ยนของผู้ฟัง 95% จาก 333 คน | 36.309 ถึง 82.589 เซนต์ | Larrouy-Maestri และคณะ, Behavior Research Methods 2019 |
| อัตราส่วนออดส์ของการบอกชื่อโน้ตที่ร้องถูกต้องเทียบกับโน้ตวิโอลา นักดนตรีที่มีหูแบบสัมบูรณ์ | อัตราส่วนออดส์ 0.49 | Gao และ Oxenham, JASA 2022 |
| อิทธิพลของเนื้อเพลงเทียบกับ “la” ต่อการตรวจพบโน้ตผิด เสียงร้องธรรมดาเทียบกับเสียงร้องที่ผ่าน Auto-Tune | d = 0.74 เทียบกับ d = 0.26 | Weiss และ Trehub, Psychology of Music 2023 |
| ความแม่นยำในการตรวจพบเสียงร้องนำในมิกซ์เพลงป๊อปหลังปลดการบดบังทางสเปกตรัม | 96% | Bürgel และคณะ, Frontiers in Psychology 2021 |
| บันไดเสียงที่แก้เต็มรูปแบบที่คะแนนเฉลี่ยต่ำกว่า 80 จาก 120 ตามการให้คะแนนของผู้อำนวยเพลงคณะประสานเสียงและครูสอนร้องเพลง | 11 จาก 16 | Michael และ Gilman, Journal of Singing 2021 |
| ความชอบตัวแก้แบบโครงข่ายประสาทเทียบกับเทคต้นฉบับ โดยรวม | 49% (p = 0.45) | Wager และคณะ, ICASSP 2020 |
| ความชอบการแก้เมื่อต้นฉบับเบี่ยงเบน 40 ถึง 60 เซนต์ | 79% (19 จาก 24) | Wager และคณะ, ICASSP 2020 |
| การยอมรับ Auto-Tune เจเนอเรชัน Z เทียบกับเบบี้บูมเมอร์ | 78.4% เทียบกับ 31.2% | Xie และ Kim 2025 |
| ความแม่นยำของตัวตรวจจับ Auto-Tune เทียบกับโมเดลพื้นฐาน RawNet2 | 94.75% เทียบกับ 79.33% | Gohari และคณะ, IEEE WIFS 2024 |
| ช่วงเสียงที่มีป้ายกำกับในชุดข้อมูลตรวจจับ Auto-Tune ATDD | 21,249 | Gohari และคณะ, Data in Brief 2026 |
ระเบียบวิธีและแหล่งที่มา
เราค้นหาแบบเจาะจงและอ่านเอกสารต้นทางโดยตรง (เนื้อหาฉบับเต็มของวารสาร ฉบับร่างก่อนตีพิมพ์ บทความการประชุม และหน้าเว็บขององค์กรเอง) ตัวเลขทุกตัวข้างต้นถูกอ่านจากแหล่งที่ดึงมาในระหว่างการวิจัย ส่วนตัวเลขที่เห็นเฉพาะในข้อความตัวอย่างของผลการค้นหาถูกตัดออก
- Billboard Canada: Cher พูดถึงครบรอบ 25 ปีของ ‘Believe’ (2023): จำนวนสัปดาห์ที่ครองอันดับ 1 การเข้าชิงและการชนะรางวัล GRAMMY
- Recording Academy: รางวัล Technical GRAMMY ของ Celemony: ปีที่ก่อตั้ง Celemony การเปิดตัว Melodyne และงาน GRAMMY Awards ครั้งที่ 54
- หน้าของ Antares Audio Technologies ได้แก่ ศาสตร์เบื้องหลัง Auto-Tune (2026) โพสต์ Technical GRAMMY 2023 และ Auto-Tune สำหรับแร็ปและฮิปฮอป (2026): ข้ออ้างของผู้ผลิตเรื่องวันวางจำหน่าย การไต่ชาร์ตของ ‘Believe’ ความเร็วในการปรับเสียงซ้ำ และความหน่วง ซึ่งระบุไว้ว่าเป็นข้ออ้างของผู้ผลิต
- Mauch, Frieler และ Dixon, ความตรงของระดับเสียงในการร้องเพลงไม่มีดนตรีประกอบ, JASA 2014 (ฉบับร่างของผู้เขียน): การเบี่ยงเบนสะสม ความคลาดเคลื่อนของช่วงห่าง และเกณฑ์การรับรู้ที่สรุปไว้
- Dalla Bella, Berkowska และ Sowiński, ความผิดปกติของการสร้างระดับเสียงในภาวะหูไม่รับรู้เสียงดนตรี, Frontiers in Psychology 2011: ความแม่นยำในการร้องเพลงของประชากร
- Larrouy-Maestri, Harrison และ Müllensiefen, แบบทดสอบการรับรู้เสียงเพี้ยน (Mistuning Perception Test), Behavior Research Methods 2019: เกณฑ์ของผู้ฟังในตัวอย่างเพลงป๊อป
- Larrouy-Maestri, การรับรู้เสียงเพี้ยนของผู้ฟัง, Music and Science 2018: ความอดทนต่อเสียงเพี้ยนในทำนองที่ร้อง
- Gao และ Oxenham, ผลเสียเปรียบของเสียงร้องในการตัดสินระดับเสียงสัมบูรณ์และสัมพัทธ์, JASA 2022: การบอกชื่อโน้ตเสียงร้องเทียบกับวิโอลา
- Weiss และ Trehub, การตรวจจับข้อผิดพลาดของระดับเสียงในเพลงที่คุ้นเคย, Psychology of Music 2023: เนื้อเพลง Auto-Tune และการตรวจพบโน้ตผิด
- Bürgel, Picinali และ Siedenburg, การฟังในมิกซ์, Frontiers in Psychology 2021 และ Bürgel และ Siedenburg, ความโดดเด่นของการมอดูเลตความถี่ระดับจุลภาคในเพลงยอดนิยม, Music Perception 2023: ความโดดเด่นของเสียงร้องในมิกซ์
- Michael และ Gilman, ตำนานเรื่องความตรงของระดับเสียงในฐานะมาตรวัดเชิงวัตถุวิสัยของคุณภาพการร้องเพลง, Journal of Singing 2021: คะแนนจากครูต่อบันไดเสียงที่แก้ด้วย Melodyne
- Wager และคณะ, Deep Autotuner, ICASSP 2020: ความชอบของผู้ฟังต่อการแก้ระดับเสียงอัตโนมัติ
- Xie และ Kim, จากการสุ่มตัวอย่างเสียงสู่ Auto-Tune, Journal of Computing and Biomedical Informatics 2025: แบบสำรวจการยอมรับข้ามรุ่น
- Gohari และคณะ, การตรวจจับเสียงร้องที่ผ่าน Auto-Tune ในการบันทึกเสียงดนตรีด้วยสเปกโทรแกรม, IEEE WIFS 2024 และ Gohari และคณะ, ชุดข้อมูลหลายภาษา ATDD, Data in Brief 2026: การตรวจจับด้วยเครื่อง
- ข้อสังเกตเกี่ยวกับข้อมูล: ไม่มีการศึกษาที่ตรวจสอบยืนยันได้ซึ่งวัดว่าเพลงฮิตติดชาร์ตในปัจจุบันผ่านการแก้ระดับเสียงเป็นสัดส่วนเท่าใด การวิเคราะห์ Billboard Hot 100 ลงวันที่ 16 มีนาคม 2025 เกี่ยวกับเอฟเฟกต์ที่ได้ยินในจดหมายข่าวส่วนบุคคลแสดงตัวเลขเป็นรูปภาพเท่านั้นโดยไม่ระบุวิธีการ จึงถูกตัดออก ตัวเลขแบบสำรวจของ Muse Group เกี่ยวกับการแก้ระดับเสียงด้วย AI และสัดส่วนงานของ Water and Music x Moises สำหรับการแก้ระดับเสียงและการจูนเสียงร้องไม่สามารถอ่านได้ในหน้าที่เผยแพร่ จึงถูกตัดออก แบบสำรวจ Auto-Tune ข้ามรุ่นตีพิมพ์ในวารสารด้านสารสนเทศคอมพิวเตอร์และชีวการแพทย์ ซึ่งอยู่นอกวรรณกรรมหลักด้านการรับรู้ดนตรี และไม่ระบุประเทศที่สำรวจ วิธีการคัดเลือก หรือความหมายของ “ความเล่นได้” ควรถือเป็นข้อมูลบ่งชี้ ข้อความของ Michael และ Gilman รายงานบันไดเสียง 72 บันไดสำหรับการศึกษาที่สอง ทั้งที่ 16 บันไดใน 4 การตั้งเสียงรวมเป็น 64 และการแบ่งชุดฝึก ตรวจสอบ และทดสอบของ Deep Autotuner รวมกันได้ 4,674 ไม่ใช่ 4,702 ความไม่สอดคล้องทั้งสองไม่กระทบตัวเลขที่อ้างถึงในที่นี้ การศึกษาด้านการร้องเพลงและการรับรู้หลายชิ้นมีอายุตั้งแต่ปี 2011 ถึง 2021 และถูกระบุไว้ในส่วนของตนว่าเป็นข้อมูลล่าสุดที่มี งานต่อยอดใน Music Perception ปี 2023 เรื่องเสียงร้องที่ผ่าน Auto-Tune รายงานขนาดอิทธิพลเฉพาะในรูปภาพที่เราเข้าถึงไม่ได้ ตัวเลขของ Antares เป็นข้ออ้างของผู้ผลิต ความแม่นยำในการตรวจจับมาจากเสียงที่จำลอง Auto-Tune ด้วย PYIN และ PSOLA ไม่ใช่ปลั๊กอินเชิงพาณิชย์ ความแม่นยำในโลกจริงจึงอาจแตกต่างออกไป
อัปเดตล่าสุด: 8 พฤศจิกายน 2026 เราจะอัปเดตสรุปนี้ทุกไตรมาส และคาดว่าการอัปเดตครั้งถัดไปจะเกิดขึ้นเมื่อ Recording Academy ประกาศผู้ได้รับรางวัล Technical GRAMMY ประจำปี 2027 และมีการเผยแพร่เกณฑ์เปรียบเทียบการตรวจจับใหม่บนชุดข้อมูล ATDD