Opencpop külliyatı üzerinde eğitilen en iyi şarkı sesi sentezi modeli, 5 puanlık ortalama görüş puanı (MOS) ölçeğinde 3,70 aldı; profesyonel şarkıcının kendi kayıtları ise 4,51 aldı (Wang et al., Opencpop makalesi, Interspeech 2022). Diğer dört kıyaslama makalesinde en iyi model 3,81 ile 4,01 arasında kalırken gerçek kayıtlar 4,30 ile 4,54 aldı (bkz. 4. bölüm). İnsanlar da kusursuz değil: İyi ki Doğdun şarkısını ezbere söyleyen 24 yetişkin hedef notaları medyan 19 cent, yani yarım tonun yaklaşık beşte biri kadar ıskaladı (Mauch, Frieler ve Dixon, JASA 2014) ve medyan dinleyici akortsuz bir vokali ancak yaklaşık 55 centte fark ediyor (Larrouy-Maestri, Harrison ve Müllensiefen, Behavior Research Methods 2019). Konuşma sentezi, sentetik konuşma MOS istatistikleri derlememizin gösterdiği gibi birçok kıyaslamada eşitliğe ulaştı, ancak şarkıda bu henüz olmadı. Opencpop, M4Singer, GTSinger ve ACE-Opencpop külliyat makalelerinden, 2023 ve 2025 Şarkı Sesi Dönüştürme Yarışmalarından, SVDD 2024 deepfake tespit yarışmasından, SingMOS-Pro puanlama kıyaslamasından ve JASA, Frontiers in Psychology, PLoS One ile Journal of Research in Music Education dergilerindeki hakemli şarkı araştırmalarından veri derledik.
TL;DR
- En iyi Opencpop taban modeli 3,70 MOS aldı, orijinal kayıtlar 4,51 aldı (Wang et al., Opencpop makalesi, Interspeech 2022).
- 24 yetişkin şarkıcı notaları medyan 19 cent hatayla tutturdu (Mauch, Frieler ve Dixon, JASA 2014).
- Ara sıra şarkı söyleyen 50 kişinin %28’i perdeyi tutturamayan şarkıcı olarak sınıflandırıldı (Berkowska ve Dalla Bella, Frontiers in Psychology 2013).
- 1.046 kişinin yalnızca %37’si, katı 50 cent kuralı altında perdeyi doğru eşleştirdi (Pfordresher ve Demorest, JRME 2021).
- Medyan dinleyici akortsuzluğu 54,989 centlik bir kaymada fark ediyor (Larrouy-Maestri, Harrison ve Müllensiefen, Behavior Research Methods 2019).
- DiffSinger’a gerçek şarkıcının perde eğrisini vermek prozodi MOS’unu 3,72’den 4,02’ye çıkardı, ses kalitesini ise yalnızca 3,92’den 3,97’ye (Zhang et al., M4Singer, NeurIPS 2022).
- VISinger 2, DSP sentezleyicisi olmadan 3,96 MOS’tan 3,02’ye düştü (Zhang et al., VISinger 2 makalesi 2022).
- CoMelSinger, görmediği şarkıcılarda doğallıkta kayıtlara 0,24 puan kadar yaklaştı (Zhao et al., CoMelSinger 2026).
- ACE-Opencpop, 30 sesten 128,9 saatlik sentezlenmiş şarkı ekliyor (Shi et al., ACE-Opencpop makalesi 2024).
- SVCC 2025’te hiçbir sistem insan düzeyinde doğallığa ulaşmadı; en iyi sistemler yaklaşık 3,7, gerçek şarkı ise yaklaşık 3,9 aldı (SVCC 2025 analiz makalesi).
- SingMOS-Pro, 78 değerlendiriciden 44.247 kalite puanı topladı (SingMOS-Pro kıyaslama makalesi 2026).
- En iyi SVDD 2024 algılayıcısı %1,65 eşit hata oranına ulaştı (Zhang et al., SVDD 2024 yarışma makalesi).
1. İnsan Referansı: İnsanlar Gerçekte Ne Kadar Doğru Söylüyor
Perde doğruluğu cent ile ölçülür: 100 cent bir yarım tona, yani piyanoda yan yana iki tuş arasındaki adıma eşittir. Eşliksiz söyleyen 24 şarkıcıda 19 centlik medyan nota hatası (Mauch, Frieler ve Dixon, JASA 2014), sentetik bir şarkıcı için sıfır değil, gerçekçi hedeftir. Eğitimli sesler bile sapıyor: profesyoneller operatik tekniğe geçtiklerinde aralıklarda daha isabetli değil, daha az isabetli hale geldi.
Nüfus genelindeki dağılım geniştir. Tüm örneklemin %37’sinin perdeyi doğru eşleştirdiği aynı veri setinde, eğitimsiz katılımcıların yalnızca %24’ü doğru eşleştirdi (Pfordresher ve Demorest, JRME 2021). Farkın büyük kısmını tempo açıklıyor: ara sıra şarkı söyleyen 62 kişiyle yapılan klasik bir çalışmada, daha yavaş tempoda yeniden test edilen 15 müzisyen olmayan kişinin çoğu profesyonel doğruluğa ulaştı ve yalnızca ikisi çok sayıda perde hatası yapmaya devam etti (Dalla Bella, Giguère ve Peretz, JASA 2007).
| Metrik | Değer | Kaynak |
|---|---|---|
| Eşliksiz İyi ki Doğdun söyleyen 24 yetişkinde medyan nota hatası | 19 cent | Mauch, Frieler ve Dixon, JASA 2014 |
| Yaklaşık 50 saniyelik bir icra boyunca medyan mutlak perde kayması | 11 cent | Mauch, Frieler ve Dixon, JASA 2014 |
| Ortalama aralık sapması, operatik teknik kullanmadan söyleyen 14 profesyonel şarkıcı | 32,81 cent | Larrouy-Maestri ve Morsomme, Logopedics Phoniatrics Vocology 2014 |
| Ortalama aralık sapması, resmi eğitimi olmayan 63 ara sıra şarkı söyleyen kişi | 50,83 cent | Larrouy-Maestri ve Morsomme, Logopedics Phoniatrics Vocology 2014 |
| Ortalama aralık sapması, aynı profesyoneller operatik (lirik) teknik kullandığında | 62,13 cent | Larrouy-Maestri ve Morsomme, Logopedics Phoniatrics Vocology 2014 |
| Perdeyi tutturamayan şarkıcı olarak sınıflandırılan ara sıra şarkı söyleyenler (grup ortalamasından 2 standart sapma) | %28 (50 kişiden 14’ü) | Berkowska ve Dalla Bella, Frontiers in Psychology 2013 |
| Perdeyi doğru eşleştirenler (notaların %90 veya fazlası 50 cent içinde), 1.046 kişilik birleşik örneklem | %37 | Pfordresher ve Demorest, JRME 2021 |
| Ölçüt 100 cente gevşetildiğinde doğru olarak sınıflandırılan şarkı söyleme | %94 | Pfordresher ve Demorest, JRME 2021 |
Mevcut en güncel veri: Pfordresher ve Demorest, Journal of Research in Music Education 2021. Perdeyi tutturamayanların payı kesme noktasına göre değişiyor: tek tek söylenen perdelerde aynı 50 ara sıra şarkı söyleyen kişinin %6’sı 2 SD çizgisinin ötesine düşerken %58’i 50 centin ötesine düştü; dolayısıyla manşet yaygınlık rakamları ancak eşikleri kadar güvenilirdir.
2. Dinleyici Toleransı: Kulaklar Ne Kadar Perde Hatasını Bağışlıyor
Sentetik şarkıcıların bir akort aletini yenmesi gerekmiyor, bir dinleyiciyi yenmesi gerekiyor. Medyan dinleyicinin akortsuzluk algılama yeteneği, 54,989 centlik bir vokal perde kaymasına denk geldi; bu sonuç Mistuning Perception Test’in 333 kişilik kalibrasyonundan geliyor ve dinleyicilerin %95’i 36,309 ile 82,589 cent arasında kaldı (Larrouy-Maestri, Harrison ve Müllensiefen, Behavior Research Methods 2019). Bu yaklaşık yarım ton eder ve 1. bölümdeki 19 centlik medyan nota hatasının çok üzerindedir, ancak iki test farklı şeyleri ölçüyor.
Sıradan dinleyiciler yine de perdeyi tutarlı biçimde yargılıyor. Uzman olmayan değerlendiricilerin puanları ölçülen aralık sapmasını uzmanlarınkine neredeyse aynı sıkılıkta izledi ve genel olarak daha katıydılar (Larrouy-Maestri et al., PLoS One 2015). Bir sentez modeli için bu, sıradan bir dinleyici kitlesinin yalnızca vokal koçlarından oluşan bir panel değil, perde hataları için geçerli bir test paneli olduğu anlamına geliyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| Algılama eşiği, düşük ve yüksek müzik eğitimi (Gold-MSI eğitim puanı 10 ve 40) | 65,173 ve 43,219 cent | Larrouy-Maestri, Harrison ve Müllensiefen, Behavior Research Methods 2019 |
| Doğru akortsuzluk algılama, test edilen en küçük ve en büyük kayma (10 ile 100 cent, şans düzeyi = %50) | %51,2 ile %81,5 | Larrouy-Maestri, Harrison ve Müllensiefen, Behavior Research Methods 2019 |
| Ölçülen aralık sapmasıyla korelasyon: 3 uzman değerlendirici ve uzman olmayan değerlendiriciler | yaklaşık .83 ve yaklaşık .79 | Larrouy-Maestri et al., PLoS One 2015 |
| Puanlanan 166 İyi ki Doğdun icrasında ortalama aralık sapması | 55,97 cent (aralık 10,10 ile 383) | Larrouy-Maestri et al., PLoS One 2015 |
| Perde ayırt etme ile perde eşleştirme arasındaki korelasyon, 632 gönüllü | r(630) = -.31, p < 0,001 | Pfordresher ve Demorest, JRME 2021 |
Mevcut en güncel veri: Larrouy-Maestri, Harrison ve Müllensiefen, 2019. Test, tüm vokal kanalını sabit bir miktarda kaydırdı; dolayısıyla baştan sona akortsuz olan bir şarkıcıya toleransı ölçüyor, notadan nota değişen hatalara toleransı değil; yazarlar bunu gelecekteki çalışmalara bırakıyor.
3. Nesnel Perde Metrikleri: SVS Makaleleri Neyi Ölçüyor
Şarkı sesi sentezi (SVS) makaleleri perdeyi F0 RMSE ile puanlar; bu, üretilen ve gerçek temel frekans (F0, perde eğrisi) arasındaki ortalama kare hatanın karekökü demektir. İncelediğimiz SVS makalelerinden hiçbiri bu hatayı cent cinsinden vermedi: Opencpop, VISinger 2 ve CSSinger tabloları hiçbir birim belirtmiyor, ACE-Opencpop ise logaritmik bir F0 ölçeği kullanıyor. İnsan çalışmaları cent kullanıyor, bu yüzden temiz bir ‘makine ve insan’ perde puanı henüz yok.
Sayıların gerçekten gösterdiği şey, bir kıyaslama içindeki sıralamadır. Opencpop’ta bir Conformer modeli, Transformer taban modeline göre F0 RMSE değerini 29,99’dan 26,72’ye düşürdü (Wang et al., Opencpop makalesi, Interspeech 2022) ve VISinger 2, CpopSing’in 137,5M parametresine karşı 25,7M parametreyle 26,0’a ulaştı (Zhang et al., VISinger 2 makalesi 2022). Yüzde olarak verilen yarım ton doğruluğu, insan tarzı bir puana en yakın metriktir, ancak ACE-Opencpop makalesi formülünü açıkça belirtmiyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| Opencpop test kümesinde F0 RMSE, Transformer ve Conformer taban modeli (birim belirtilmemiş) | 29,99 ve 26,72 | Wang et al., Opencpop makalesi, Interspeech 2022 |
| Gerçek şarkıcıyla F0 korelasyonu, Opencpop taban modelleri | 0,893 ile 0,904 | Wang et al., Opencpop makalesi, Interspeech 2022 |
| 22 kHz’de F0 RMSE: VISinger 2, VISinger ve CpopSing | 26,0, 33,7 ve 28,5 | Zhang et al., VISinger 2 makalesi 2022 |
| Model boyutu: VISinger 2 ve CpopSing | 25,7M ve 137,5M parametre | Zhang et al., VISinger 2 makalesi 2022 |
| VISinger2 yarım ton doğruluğu: Mandarin ACE-Opencpop ve Japonca Kiritan külliyatı | %65,19 ve %49,33 | Shi et al., ACE-Opencpop makalesi 2024 |
| CSSinger-FS’in Opencpop üzerinde F0 RMSE, F0 korelasyonu ve sesli/sessiz hatası | 28,601, 0,919 ve 0,107 | Cui et al., CSSinger 2024 |
| ACE-Opencpop üzerinde F0 RMSE: konuşma dili modeli tabanlı SVS, TokSing ve XiaoiceSing | 62,79, 55,83 ve 71,67 | Zhao et al., konuşma dili modeli SVS makalesi 2025 |
Sesli/sessiz hatası, bir modelin sesli sesi (ses telleri titreşir, dolayısıyla bir perde vardır) sessiz sesle ne sıklıkla karıştırdığını izler. Aynı mimari için yarım ton doğruluğunun %49,33 ile %65,19 arasında değişmesi, puanın külliyata büyük ölçüde bağlı olduğunu gösteriyor; bu yüzden farklı külliyatlardan çıkan sonuçlar birbirine karşı sıralanamaz.
4. Doğallık: Sentetik ve Gerçek Şarkı Arasındaki MOS Farkı
MOS, bir dinleme panelinin 1 ile 5 arası ölçekte verdiği ortalama puandır ve buradaki her makale modellerin yanında gerçek kayıtları da test etti. Beş kıyaslama makalesinde en iyi model ile gerçek şarkı arasındaki fark 0,45 ile 0,81 MOS puanı arasında değişti (PopCS’ta 4,30 eksi 3,85, Opencpop’ta 4,51 eksi 3,70). Konuşma sentezi birçok kıyaslamada kayıtlarla eşitlik bildirdi; şarkı hâlâ yaklaşık yarım puan veya daha fazla geride.
En yeni sıfır örnekli (zero-shot) çalışmalar bu farkı daraltıyor. Sıfır örnekli, modelin eğitim sırasında hiç duymadığı bir sesle şarkı söylemesi demektir. Nisan 2026’da revize edilen CoMelSinger, hiç duymadığı şarkıcılar için gerçek kayıtlara doğallıkta 0,24 puan kadar yaklaştı (4,35 eksi 4,11), bu da bu kümedeki en küçük farktır (Zhao et al., CoMelSinger 2026). Paneller yine de küçüktür, çoğu zaman 10 ile 20 dinleyici, bu yüzden 0,1 puanlık bir üstünlük nadiren belirleyicidir.
| Metrik | Değer | Kaynak |
|---|---|---|
| Opencpop üzerinde MOS: en iyi taban model (CpopSing) ve kayıtlar | 3,70 ve 4,51 | Wang et al., Opencpop makalesi, Interspeech 2022 |
| PopCS üzerinde MOS: DiffSinger ve kayıtlar | 3,85 ve 4,30 | Liu et al., DiffSinger, AAAI 2022 |
| M4Singer üzerinde ses kalitesi MOS: DiffSinger ve kayıtlar | 3,92 ve 4,52 | Zhang et al., M4Singer, NeurIPS 2022 |
| 44,1 kHz’de MOS: VISinger 2 ve kayıtlar | 3,81 ve 4,32 | Zhang et al., VISinger 2 makalesi 2022 |
| GTSinger üzerinde ses kalitesi MOS: StyleSinger ve kayıtlar | 4,01 ve 4,54 | Zhang et al., GTSinger, NeurIPS 2024 |
| Doğallık MOS, eğitimde görülen şarkıcılar: CoMelSinger ve kayıtlar | 4,02 ve 4,38 | Zhao et al., CoMelSinger 2026 |
| Doğallık MOS, görülmemiş şarkıcılar (zero-shot): CoMelSinger ve kayıtlar | 4,11 ve 4,35 | Zhao et al., CoMelSinger 2026 |
Bu külliyatlar için mevcut en güncel veri: Opencpop, PopCS, M4Singer ve VISinger 2 satırları 2022’ye ait, dolayısıyla her külliyat için güncel en iyi düzeyi değil, taban çizgisini gösteriyor. Yapay zekâ müzik araçlarına dair daha geniş benimsenme rakamları yapay zekâ müzik üretimi istatistiklerimizde yer alıyor.
5. Perdenin Önem Taşıdığı Yer: Model F0’ı Doğru Bulunca Ne Değişiyor
En temiz test, modele gerçek şarkıcının perde eğrisini verip neyin iyileştiğini ölçmektir. DiffSinger gerçek F0’ı aldığında prozodi MOS’u 0,30 puan arttı (3,72’den 4,02’ye), ses kalitesi ise yalnızca 0,05 arttı (3,92’den 3,97’ye) (Zhang et al., M4Singer, NeurIPS 2022). Burada prozodi, melodik icranın tutarlılığı ve doğallığı anlamına gelir. Daha iyi perde bu farkın bir kısmını kapatıyor, ama gerçek F0 ile bile iki puan da kayıtların (4,47 ve 4,52) altında kalıyor; yani perde, birçok sınırdan yalnızca biri.
Dinamik teknikler en zor olanlardır. Puan tabanlı sentez yerine bir dönüştürme görevi olan Şarkı Sesi Dönüştürme Yarışması 2025’te, organizatörlerin güçlü dinamik bileşenlere sahip olarak tanımladığı stiller (nefesli, glissando, vibrato) en düşük stil doğruluğunu aldı; falsetto gibi çoğunlukla statik olanlar ise en yüksek doğruluğu aldı (SVCC 2025 analiz makalesi).
| Metrik | Değer | Kaynak |
|---|---|---|
| F0 ortalama mutlak hatası ve sesli/sessiz doğruluğu, DiffSinger tahmin edilen ve gerçek F0 | 8,9990 ve 1,7061; 0,9406 ve 0,9856 | Zhang et al., M4Singer, NeurIPS 2022 |
| VISinger 2 MOS, tam model ve DSP sentezleyicisiz | 3,96 ve 3,02 | Zhang et al., VISinger 2 makalesi 2022 |
| Yardımcı mel-spektrum modülü olmadan VISinger 2 MOS | 3,85 | Zhang et al., VISinger 2 makalesi 2022 |
| SVCC 2025 stil doğruluğu: nefesli, glissando, vibrato | %37,3, %42,6, %43,9 | SVCC 2025 analiz makalesi |
| SVCC 2025 stil doğruluğu: faringeal, karma ses, falsetto | %44,8, %48,3, %48,8 | SVCC 2025 analiz makalesi |
Opencpop yazarları, taban modellerinin eğitim dağılımının uzun kuyruğundaki nadir perdelerde sınırlı yetenek gösterdiğini bildirdi; tek şarkıcılı bir külliyat bu sınırdan kurtulmayı zorlaştırıyor.
6. Eğitim Verisi: Modellerin Arkasındaki Şarkı Saatleri
Şarkı modelleri hâlâ tek veya çift haneli saatlerce kaydedilmiş şarkıdan öğreniyor. Mandarin SVS literatürünün büyük kısmının dayandığı Opencpop külliyatı, tek bir profesyonel kadın şarkıcıdan yaklaşık 5,2 saatlik şarkı içeriyor (Wang et al., Opencpop makalesi, Interspeech 2022). Opencpop ve M4Singer gibi kayıtlı külliyatlar, nota sınırlarının ve müzikal partisyonların elle etiketlenmesini gerektirir; gerçek şarkı verisinin yavaş büyümesinin nedeni budur.
Çözüm yolu sentetik veridir. ACE-Opencpop, Opencpop partisyonlarından türetilmiş ve ACE Studio şarkı sentezleyicisi ile perde konturları, nefesler ve vibratonun elle ayarlanmasıyla sentezlenmiştir; 128,9 saat üretmiştir ve bunun üzerinde ön eğitim, VISinger2’nin gerçek Opencpop üzerindeki yarım ton doğruluğunu %64,50’den %65,18’e çıkarmıştır (Shi et al., ACE-Opencpop makalesi 2024). Gerçek M4Singer külliyatı üzerinde ön eğitim ise bunu %60,54’e düşürmüştür. ACE-Opencpop şarkılarını hedef külliyatla paylaşıyor; dolayısıyla bu sonuç yalnızca saat sayısından çok hedefle eşleşme hakkında bilgi veriyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| Opencpop: 1 profesyonel şarkıcı, 100 şarkı | yaklaşık 5,2 saat, 3.756 söylem | Wang et al., Opencpop makalesi, Interspeech 2022 |
| M4Singer: 20 profesyonel şarkıcı (10 erkek, 10 kadın), 700 şarkı | 29,77 saat, 20.942 söylem | Zhang et al., M4Singer, NeurIPS 2022 |
| GTSinger: 20 profesyonel şarkıcı, 9 dil, 6 teknik | 80,59 saat şarkı artı 16,16 saat eşleştirilmiş konuşma | Zhang et al., GTSinger, NeurIPS 2024 |
| ACE-Opencpop ve ACE-KiSing sentezlenmiş külliyatları | 128,9 saat (30 ses) ve 32,5 saat (34 ses) | Shi et al., ACE-Opencpop makalesi 2024 |
| Opencpop üzerinde VISinger2 yarım ton doğruluğu: ön eğitimsiz, ACE-Opencpop ön eğitimi ve M4Singer ön eğitimi | %64,50, %65,18 ve %60,54 | Shi et al., ACE-Opencpop makalesi 2024 |
| KiSing üzerinde VISinger2, tek başına eğitilen ve ACE-KiSing eklenen: yarım ton doğruluğu ve MOS | %68,12 ile %72,51; 3,58 ile 3,83 | Shi et al., ACE-Opencpop makalesi 2024 |
| CtrSVDD kıyaslaması için 8 açık külliyattan birleştirilen gerçek şarkı | 47,64 saat | Zang et al., CtrSVDD 2024 |
GTSinger’ın dokuz dili Çince, İngilizce, Japonca, Korece, Rusça, İspanyolca, Fransızca, Almanca ve İtalyancadır; etiketli altı tekniği ise karma ses, falsetto, nefesli, faringeal, vibrato ve glissandodur; bunlar 5. bölümde puanlanan aynı altı stildir.
7. Değerlendirme Yöntemleri ve Kıyaslamalar: Puanlar Nasıl Üretiliyor
Küçük dinleme panelleri olağandır. Opencpop her klip için 20 dinleyici kullandı, VISinger 2 testi 30 segmentte on dinleyici kullandı ve ACE-Opencpop testi sistem başına 30 örnekte 30 dinleyici kullandı. Opencpop kayıtları, 2024 tarihli tek bir makalede bir testte 4,22, başka bir testte 4,77 MOS aldı (Cui et al., CSSinger 2024); bu, modeller arasındaki farkların çoğundan büyük, 0,55 puanlık bir salınımdır.
Otomatik değerlendiriciler sistem düzeyinde yardımcı olur, klip başına olmaz. SingMOS-Pro’daki en iyi MOS tahmincisi, sistemleri sıralarken 0,88 doğrusal korelasyona ulaştı, ancak tekil kliplerde yalnızca 0,58’e (SingMOS-Pro kıyaslama makalesi 2026). Tespit daha ileride: kontrollü veride en iyi SVDD 2024 ekibi eşit hata oranını %1,65’e indirdi (Zhang et al., SVDD 2024 yarışma makalesi); bu konu ses deepfake adli analizi istatistiklerimizde ele alınıyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| SingMOS-Pro boyutu | 7.981 klip, 44.247 puan, 78 değerlendirici, 11,15 saat | SingMOS-Pro kıyaslama makalesi 2026 |
| SingMOS-Pro’da puanlanan sistemler (sentez, dönüştürme, yeniden sentez, referans veri) | 141 (60, 17, 52 ve 12) | SingMOS-Pro kıyaslama makalesi 2026 |
| En iyi otomatik MOS tahmincisi, sistem düzeyinde ve klip düzeyinde doğrusal korelasyon | 0,88 ve 0,58 | SingMOS-Pro kıyaslama makalesi 2026 |
| SVCC 2023 gönderimleri ve dinleyicileri | 26 gönderim (2 taban model dahil); 40 İngilizce ve 319 Japonca dinleyici | Huang et al., SVCC 2023 makalesi |
| UTMOS tahmincisinin SVCC 2023 doğallık MOS’u ile Spearman korelasyonu (Görev 1, Japonca dinleyiciler) | 0,77 | Huang et al., SVCC 2023 makalesi |
| SVCC 2025 doğallığı, en iyi sistemler ve gerçek şarkı | yaklaşık 3,7 ve yaklaşık 3,9 | SVCC 2025 analiz makalesi |
| CtrSVDD gerçek ve deepfake şarkı, 14 üretim yöntemi, 164 şarkıcı kimliği | 47,64 ve 260,34 saat | Zang et al., CtrSVDD 2024 |
| SVDD 2024 eşit hata oranı: en iyi ekip ve taban modeller; iki taban modeli de geçen ekipler | %1,65 ve %11,16 ile %12,03; 47’den 37’si | Zhang et al., SVDD 2024 yarışma makalesi |
Bağlam: SVCC 2023’te her iki görevdeki en iyi sistemlerin doğallık açısından doğal örneklerden anlamlı biçimde farklı olmadığı değerlendirilirken, şarkı stilini de puanlayan SVCC 2025’te hiçbir sistem insan düzeyinde doğallığa ulaşmadı. Analiz, şarkı stilini modellemenin hâlâ bir zorluk olduğu sonucuna varıyor.
Özet: Rakamlarla Şarkı Sesi Sentezi Perde Doğruluğu ve Doğallığı
| Metrik | Değer | Kaynak |
|---|---|---|
| Eşliksiz söyleyen 24 yetişkin şarkıcıda medyan nota hatası | 19 cent | Mauch, Frieler ve Dixon, JASA 2014 |
| 1.046 kişilik örneklemde perdeyi doğru eşleştirenler | %37 | Pfordresher ve Demorest, JRME 2021 |
| Daha gevşek 100 cent ölçütüyle doğru olarak sınıflandırılan şarkı söyleme | %94 | Pfordresher ve Demorest, JRME 2021 |
| Perdeyi tutturamayan ara sıra şarkı söyleyenler (2 SD ölçütü) | %28 (50 kişiden 14’ü) | Berkowska ve Dalla Bella, Frontiers in Psychology 2013 |
| Medyan dinleyicinin algılama yeteneğine denk gelen perde kayması | 54,989 cent | Larrouy-Maestri, Harrison ve Müllensiefen, Behavior Research Methods 2019 |
| En iyi Opencpop taban modeli ve kayıtlar, MOS | 3,70 ve 4,51 | Wang et al., Opencpop makalesi, Interspeech 2022 |
| 44,1 kHz’de VISinger 2 ve kayıtlar, MOS | 3,81 ve 4,32 | Zhang et al., VISinger 2 makalesi 2022 |
| CoMelSinger ve kayıtlar, görülmemiş şarkıcılar için doğallık MOS’u | 4,11 ve 4,35 | Zhao et al., CoMelSinger 2026 |
| Gerçek F0’dan prozodi MOS kazancı ve ses kalitesi MOS kazancı (DiffSinger) | +0,30 ve +0,05 | Zhang et al., M4Singer, NeurIPS 2022 |
| DSP sentezleyicisi olmadan VISinger 2 MOS | 3,02 (3,96’ya karşı) | Zhang et al., VISinger 2 makalesi 2022 |
| VISinger2 yarım ton doğruluğu, ACE-Opencpop ve Kiritan | %65,19 ve %49,33 | Shi et al., ACE-Opencpop makalesi 2024 |
| Vibrato için SVCC 2025 stil doğruluğu | %43,9 | SVCC 2025 analiz makalesi |
| GTSinger külliyat boyutu | 80,59 saat, 20 şarkıcı, 9 dil | Zhang et al., GTSinger, NeurIPS 2024 |
| ACE-Opencpop sentezlenmiş külliyat boyutu | 128,9 saat, 30 ses | Shi et al., ACE-Opencpop makalesi 2024 |
| Tek bir makalede iki ayrı testte Opencpop kayıtlarının aldığı MOS | 4,22 ve 4,77 | Cui et al., CSSinger 2024 |
| Toplanan SingMOS-Pro puanları | 78 değerlendiriciden 44.247 | SingMOS-Pro kıyaslama makalesi 2026 |
| SVDD 2024 en iyi eşit hata oranı | %1,65 | Zhang et al., SVDD 2024 yarışma makalesi |
Metodoloji ve Kaynaklar
- 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, Aralık 2025
- Zhao et al., CoMelSinger: Discrete Token-Based Zero-Shot Singing Synthesis, Nisan 2026’da revize edildi
- 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, Ocak 2026’da revize edildi
- Mauch, Frieler ve Dixon, Intonation in Unaccompanied Singing: Accuracy, Drift, and a Model of Reference Pitch Memory, JASA 2014
- Larrouy-Maestri ve Morsomme, Criteria and Tools for Objectively Analysing the Vocal Accuracy of a Popular Song, Logopedics Phoniatrics Vocology 2014
- Larrouy-Maestri, Harrison ve 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 ve Dalla Bella, Uncovering Phenotypes of Poor-Pitch Singing: the Sung Performance Battery, Frontiers in Psychology 2013
- Pfordresher ve Demorest, The Prevalence and Correlates of Accurate Singing, Journal of Research in Music Education 2021
- Dalla Bella, Giguère ve Peretz, Singing Proficiency in the General Population, JASA 2007
- Veri notu: MOS değerleri makaleler arasında karşılaştırılabilir değildir, çünkü dinleyici panelleri (10 ile 30 kişi), örnekleme hızları ve yönergeler farklıdır; CSSinger makalesinde Opencpop kayıtları iki testte 4,22 ve 4,77 aldı. F0 RMSE birimleri değişiyor (çoğu makalede belirtilmemiş, ACE-Opencpop’ta logaritmik), bu yüzden farklı makalelerdeki F0 RMSE rakamları doğrudan karşılaştırılmamalıdır. Kaynaklar külliyat boyutları konusunda çelişiyor: ACE-Opencpop kendi Tablo 1’inde 128,9 saat, girişinde yaklaşık 130 saat, Aralık 2025 tarihli konuşma dili modeli makalesinde ise 135 saattir; ACE-KiSing hem 34 hem 33 şarkıcıyla listelenmiştir; Opencpop kendi makalesinde yaklaşık 5,2 saat, ancak M4Singer ve GTSinger karşılaştırma tablolarında 5,25 saattir. CSSinger-FS F0 RMSE değeri bir tabloda 28,601, diğerinde 28,101 olarak görünüyor. SVDD 2024 eşit hata oranları ACESinger yöntemini hariç tutar. Pfordresher ve Demorest 50 centi bir yarım ton olarak tanımlıyor, oysa 50 cent yarım tonun yarısıdır. SVCC 2023’ün kesin doğallık puanları yalnızca şekillerde göründüğü için biz yalnızca anlamlılık bulgularını aktarıyoruz. VISinger 2, CSSinger, CoMelSinger, SingMOS-Pro ve konuşma dili modeli makalesi arXiv sürümlerinden alıntılanmıştır ve kendi yazarları tarafından puanlanmıştır; CoMelSinger ve SingMOS-Pro hakemli bir yayın yeri belirtmiyor, konuşma dili modeli makalesi ise bir çalıştaya gönderilmiştir, bu yüzden nihai rakamlar farklı olabilir. İnsan perde doğruluğu çalışmalarının hepsi 2023’ten önceye aittir ve mevcut en güncel verilerdir.
Son güncelleme: 31 Ekim 2026. Bu derlemeyi üç ayda bir güncelliyoruz ve bir sonraki yenilemenin ICASSP 2027 bildirileri ile bir sonraki Şarkı Sesi Dönüştürme Yarışması sonuçları yayımlandığında yapılması bekleniyor.