Mô hình tổng hợp giọng hát tốt nhất được huấn luyện trên kho ngữ liệu Opencpop đạt 3,70 trên thang điểm ý kiến trung bình (MOS) 5 bậc, trong khi chính các bản ghi của ca sĩ chuyên nghiệp đạt 4,51 (Wang et al., bài báo Opencpop, Interspeech 2022). Trong bốn bài báo chuẩn đánh giá khác, mô hình tốt nhất nằm trong khoảng 3,81 đến 4,01, so với 4,30 đến 4,54 của bản ghi thật (xem phần 4). Con người cũng không hoàn hảo: 24 người trưởng thành hát bài Chúc mừng sinh nhật theo trí nhớ đã hát lệch nốt mục tiêu với trung vị 19 cent, khoảng một phần năm nửa cung (Mauch, Frieler và Dixon, JASA 2014), và người nghe trung vị chỉ phát hiện giọng hát bị lệch tông ở mức khoảng 55 cent (Larrouy-Maestri, Harrison và Müllensiefen, Behavior Research Methods 2019). Tổng hợp giọng nói đã đạt mức ngang bằng trên nhiều bộ chuẩn, như bài tổng hợp thống kê MOS giọng nói tổng hợp của chúng tôi cho thấy, nhưng giọng hát thì chưa. Chúng tôi tổng hợp dữ liệu từ các bài báo về kho ngữ liệu Opencpop, M4Singer, GTSinger và ACE-Opencpop, các cuộc thi Singing Voice Conversion Challenge 2023 và 2025, cuộc thi phát hiện deepfake SVDD 2024, bộ chuẩn chấm điểm SingMOS-Pro, cùng các nghiên cứu về giọng hát đã qua bình duyệt đăng trên JASA, Frontiers in Psychology, PLoS One và Journal of Research in Music Education.
Tóm tắt nhanh
- Mô hình cơ sở Opencpop tốt nhất đạt 3,70 MOS so với 4,51 của bản ghi gốc (Wang et al., bài báo Opencpop, Interspeech 2022).
- 24 ca sĩ trưởng thành hát đúng nốt với sai số trung vị 19 cent (Mauch, Frieler và Dixon, JASA 2014).
- 28% trong 50 người thỉnh thoảng hát bị xếp vào nhóm hát lệch cao độ (Berkowska và Dalla Bella, Frontiers in Psychology 2013).
- Chỉ 37% trong 1.046 người khớp cao độ chính xác theo quy tắc nghiêm ngặt 50 cent (Pfordresher và Demorest, JRME 2021).
- Người nghe trung vị phát hiện lệch tông ở độ dịch 54,989 cent (Larrouy-Maestri, Harrison và Müllensiefen, Behavior Research Methods 2019).
- Cung cấp cho DiffSinger đường cao độ của ca sĩ thật nâng MOS nhịp điệu biểu cảm từ 3,72 lên 4,02, nhưng chất lượng âm thanh chỉ từ 3,92 lên 3,97 (Zhang et al., M4Singer, NeurIPS 2022).
- VISinger 2 giảm từ 3,96 xuống 3,02 MOS khi không có bộ tổng hợp DSP (Zhang et al., bài báo VISinger 2 2022).
- CoMelSinger tiến sát bản ghi trong phạm vi 0,24 điểm về độ tự nhiên đối với các ca sĩ chưa từng nghe (Zhao et al., CoMelSinger 2026).
- ACE-Opencpop bổ sung 128,9 giờ giọng hát tổng hợp từ 30 giọng (Shi et al., bài báo ACE-Opencpop 2024).
- Không hệ thống nào đạt độ tự nhiên ngang con người trong SVCC 2025, với các hệ thống hàng đầu ở mức gần 3,7 so với khoảng 3,9 của giọng hát thật (bài báo phân tích SVCC 2025).
- SingMOS-Pro thu thập 44.247 lượt đánh giá chất lượng từ 78 người gán nhãn (bài báo bộ chuẩn SingMOS-Pro 2026).
- Bộ phát hiện SVDD 2024 tốt nhất đạt tỷ lệ lỗi cân bằng 1,65% (Zhang et al., bài báo cuộc thi SVDD 2024).
1. Mốc Chuẩn Của Con Người: Mọi Người Thực Sự Hát Chính Xác Đến Đâu
Độ chính xác cao độ được đo bằng cent: 100 cent bằng một nửa cung, tức khoảng cách giữa hai phím đàn piano liền kề. Sai số nốt trung vị 19 cent trên 24 ca sĩ hát không nhạc đệm (Mauch, Frieler và Dixon, JASA 2014) là mục tiêu thực tế cho một ca sĩ tổng hợp, chứ không phải bằng không. Ngay cả giọng đã qua đào tạo cũng lệch: các ca sĩ chuyên nghiệp trở nên kém chính xác hơn ở các quãng, chứ không chính xác hơn, khi chuyển sang kỹ thuật opera.
Mức phân tán trong dân số rất rộng. Chỉ 24% người tham gia chưa qua đào tạo khớp cao độ chính xác trong cùng bộ dữ liệu mà 37% toàn bộ mẫu làm được (Pfordresher và Demorest, JRME 2021). Nhịp độ giải thích phần lớn sự khác biệt: trong một nghiên cứu kinh điển với 62 người thỉnh thoảng hát, hầu hết trong 15 người không chuyên nhạc được kiểm tra lại ở nhịp chậm hơn đã đạt độ chính xác ngang các ca sĩ chuyên nghiệp, và chỉ hai người vẫn mắc nhiều lỗi cao độ (Dalla Bella, Giguère và Peretz, JASA 2007).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Sai số nốt trung vị, 24 người trưởng thành hát Chúc mừng sinh nhật không nhạc đệm | 19 cent | Mauch, Frieler và Dixon, JASA 2014 |
| Độ trôi cao độ tuyệt đối trung vị trong một phần trình diễn dài khoảng 50 giây | 11 cent | Mauch, Frieler và Dixon, JASA 2014 |
| Độ lệch quãng trung bình, 14 ca sĩ chuyên nghiệp hát không dùng kỹ thuật opera | 32,81 cent | Larrouy-Maestri và Morsomme, Logopedics Phoniatrics Vocology 2014 |
| Độ lệch quãng trung bình, 63 người thỉnh thoảng hát không qua đào tạo bài bản | 50,83 cent | Larrouy-Maestri và Morsomme, Logopedics Phoniatrics Vocology 2014 |
| Độ lệch quãng trung bình, cũng những ca sĩ chuyên nghiệp đó khi dùng kỹ thuật opera (trữ tình) | 62,13 cent | Larrouy-Maestri và Morsomme, Logopedics Phoniatrics Vocology 2014 |
| Người thỉnh thoảng hát bị xếp vào nhóm hát lệch cao độ (cách trung bình nhóm 2 độ lệch chuẩn) | 28% (14 trên 50) | Berkowska và Dalla Bella, Frontiers in Psychology 2013 |
| Người khớp cao độ chính xác (từ 90% số nốt trở lên nằm trong phạm vi 50 cent), mẫu gộp 1.046 | 37% | Pfordresher và Demorest, JRME 2021 |
| Giọng hát được xếp là chính xác khi tiêu chí được nới lỏng lên 100 cent | 94% | Pfordresher và Demorest, JRME 2021 |
Dữ liệu mới nhất hiện có: Pfordresher và Demorest, Journal of Research in Music Education 2021. Tỷ lệ người hát lệch cao độ dao động theo ngưỡng cắt: với các cao độ đơn được hát, 6% trong số 50 người thỉnh thoảng hát đó rơi ngoài đường 2 SD nhưng 58% rơi ngoài 50 cent, nên bất kỳ con số tỷ lệ phổ biến nào cũng chỉ đáng tin bằng ngưỡng của nó.
2. Ngưỡng Chịu Đựng Của Người Nghe: Tai Người Bỏ Qua Được Bao Nhiêu Lỗi Cao Độ
Ca sĩ tổng hợp không cần thắng máy lên dây, mà cần thắng người nghe. Khả năng phát hiện lệch tông của người nghe trung vị tương đương độ dịch cao độ giọng hát 54,989 cent trong lần hiệu chuẩn Mistuning Perception Test với 333 người, với 95% người nghe nằm trong khoảng từ 36,309 đến 82,589 cent (Larrouy-Maestri, Harrison và Müllensiefen, Behavior Research Methods 2019). Đó là khoảng một nửa của nửa cung, cao hơn nhiều so với sai số nốt trung vị 19 cent ở phần 1, dù hai bài kiểm tra đo những thứ khác nhau.
Người nghe thông thường vẫn đánh giá cao độ một cách nhất quán. Điểm của các giám khảo không chuyên bám sát độ lệch quãng đo được gần như chặt chẽ như điểm của chuyên gia, và nhìn chung họ khắt khe hơn (Larrouy-Maestri et al., PLoS One 2015). Với một mô hình tổng hợp, điều đó có nghĩa là một nhóm khán giả bình thường là hội đồng thử nghiệm hợp lệ cho các lỗi cao độ, chứ không chỉ riêng hội đồng các huấn luyện viên thanh nhạc.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Ngưỡng phát hiện, đào tạo âm nhạc thấp so với cao (điểm đào tạo Gold-MSI 10 so với 40) | 65,173 so với 43,219 cent | Larrouy-Maestri, Harrison và Müllensiefen, Behavior Research Methods 2019 |
| Phát hiện lệch tông đúng, độ dịch nhỏ nhất so với lớn nhất được thử (10 đến 100 cent, ngẫu nhiên = 50%) | 51,2% đến 81,5% | Larrouy-Maestri, Harrison và Müllensiefen, Behavior Research Methods 2019 |
| Tương quan với độ lệch quãng đo được: 3 giám khảo chuyên gia so với giám khảo không chuyên | khoảng .83 so với khoảng .79 | Larrouy-Maestri et al., PLoS One 2015 |
| Độ lệch quãng trung bình trên 166 phần trình diễn Chúc mừng sinh nhật được chấm điểm | 55,97 cent (khoảng 10,10 đến 383) | Larrouy-Maestri et al., PLoS One 2015 |
| Tương quan giữa phân biệt cao độ và khớp cao độ, 632 tình nguyện viên | r(630) = -.31, p < 0,001 | Pfordresher và Demorest, JRME 2021 |
Dữ liệu mới nhất hiện có: Larrouy-Maestri, Harrison và Müllensiefen, 2019. Bài kiểm tra dịch toàn bộ bè giọng hát một lượng không đổi, nên nó đo mức chịu đựng đối với ca sĩ lệch tông suốt bài, chứ không phải đối với những lỗi thay đổi từ nốt này sang nốt khác, vấn đề mà các tác giả để lại cho nghiên cứu sau.
3. Chỉ Số Cao Độ Khách Quan: Các Bài Báo SVS Đo Những Gì
Các bài báo tổng hợp giọng hát (SVS) chấm cao độ bằng RMSE của F0, tức căn bậc hai sai số bình phương trung bình giữa tần số cơ bản được tạo ra và tần số thật (F0, đường cao độ). Không bài báo SVS nào chúng tôi xem xét báo cáo sai số đó bằng cent: các bảng của Opencpop, VISinger 2 và CSSinger hoàn toàn không ghi đơn vị, còn ACE-Opencpop dùng thang F0 logarit. Các nghiên cứu trên người dùng cent, nên chưa có điểm cao độ ‘máy so với người’ rõ ràng.
Điều các con số thực sự cho thấy là thứ hạng trong một bộ chuẩn. Trên Opencpop, một mô hình Conformer giảm RMSE của F0 từ 29,99 xuống 26,72 so với mô hình cơ sở Transformer (Wang et al., bài báo Opencpop, Interspeech 2022), còn VISinger 2 đạt 26,0 với 25,7M tham số so với 137,5M của CpopSing (Zhang et al., bài báo VISinger 2 2022). Độ chính xác nửa cung, được báo cáo dưới dạng phần trăm, là chỉ số gần nhất với điểm số kiểu con người, dù bài báo ACE-Opencpop không nêu rõ công thức.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| RMSE của F0 trên tập kiểm tra Opencpop, mô hình cơ sở Transformer so với Conformer (không nêu đơn vị) | 29,99 so với 26,72 | Wang et al., bài báo Opencpop, Interspeech 2022 |
| Tương quan F0 với ca sĩ thật, các mô hình cơ sở Opencpop | 0,893 đến 0,904 | Wang et al., bài báo Opencpop, Interspeech 2022 |
| RMSE của F0 ở 22 kHz: VISinger 2 so với VISinger so với CpopSing | 26,0 so với 33,7 so với 28,5 | Zhang et al., bài báo VISinger 2 2022 |
| Kích thước mô hình: VISinger 2 so với CpopSing | 25,7M so với 137,5M tham số | Zhang et al., bài báo VISinger 2 2022 |
| Độ chính xác nửa cung của VISinger2: ACE-Opencpop tiếng Quan Thoại so với kho ngữ liệu Kiritan tiếng Nhật | 65,19% so với 49,33% | Shi et al., bài báo ACE-Opencpop 2024 |
| RMSE của F0, tương quan F0 và lỗi hữu thanh/vô thanh của CSSinger-FS trên Opencpop | 28,601, 0,919 và 0,107 | Cui et al., CSSinger 2024 |
| RMSE của F0 trên ACE-Opencpop: SVS dùng mô hình ngôn ngữ giọng nói so với TokSing so với XiaoiceSing | 62,79 so với 55,83 so với 71,67 | Zhao et al., bài báo SVS mô hình ngôn ngữ giọng nói 2025 |
Lỗi hữu thanh/vô thanh theo dõi mức độ thường xuyên một mô hình nhầm âm hữu thanh (dây thanh rung nên có cao độ) với âm vô thanh. Mức chênh từ 49,33% đến 65,19% độ chính xác nửa cung cho cùng một kiến trúc cho thấy điểm số phụ thuộc rất nhiều vào kho ngữ liệu, nên kết quả từ các kho ngữ liệu khác nhau không thể xếp hạng với nhau.
4. Độ Tự Nhiên: Khoảng Cách MOS Giữa Giọng Hát Tổng Hợp Và Giọng Hát Thật
MOS là điểm đánh giá trung bình mà một hội đồng nghe cho trên thang từ 1 đến 5, và mọi bài báo ở đây đều thử bản ghi thật bên cạnh các mô hình. Qua năm bài báo chuẩn đánh giá, khoảng cách giữa mô hình tốt nhất và giọng hát thật dao động từ 0,45 đến 0,81 điểm MOS (4,30 trừ 3,85 trên PopCS, 4,51 trừ 3,70 trên Opencpop). Tổng hợp giọng nói đã báo cáo mức ngang bằng với bản ghi trên nhiều bộ chuẩn; giọng hát vẫn còn kém khoảng nửa điểm hoặc hơn.
Các công trình zero-shot mới nhất thu hẹp khoảng cách này. Zero-shot nghĩa là mô hình hát bằng một giọng mà nó chưa từng nghe trong lúc huấn luyện. CoMelSinger, được chỉnh sửa vào tháng 4 năm 2026, tiến sát bản ghi thật trong phạm vi 0,24 điểm về độ tự nhiên đối với các ca sĩ chưa từng nghe (4,35 trừ 4,11), khoảng cách nhỏ nhất trong tập này (Zhao et al., CoMelSinger 2026). Tuy nhiên các hội đồng đánh giá khá nhỏ, thường từ 10 đến 20 người nghe, nên lợi thế 0,1 điểm hiếm khi mang tính quyết định.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| MOS trên Opencpop: mô hình cơ sở tốt nhất (CpopSing) so với bản ghi | 3,70 so với 4,51 | Wang et al., bài báo Opencpop, Interspeech 2022 |
| MOS trên PopCS: DiffSinger so với bản ghi | 3,85 so với 4,30 | Liu et al., DiffSinger, AAAI 2022 |
| MOS chất lượng âm thanh trên M4Singer: DiffSinger so với bản ghi | 3,92 so với 4,52 | Zhang et al., M4Singer, NeurIPS 2022 |
| MOS ở 44,1 kHz: VISinger 2 so với bản ghi | 3,81 so với 4,32 | Zhang et al., bài báo VISinger 2 2022 |
| MOS chất lượng âm thanh trên GTSinger: StyleSinger so với bản ghi | 4,01 so với 4,54 | Zhang et al., GTSinger, NeurIPS 2024 |
| MOS độ tự nhiên, ca sĩ đã gặp trong huấn luyện: CoMelSinger so với bản ghi | 4,02 so với 4,38 | Zhao et al., CoMelSinger 2026 |
| MOS độ tự nhiên, ca sĩ chưa từng gặp (zero-shot): CoMelSinger so với bản ghi | 4,11 so với 4,35 | Zhao et al., CoMelSinger 2026 |
Dữ liệu mới nhất hiện có cho các kho ngữ liệu đó: các dòng Opencpop, PopCS, M4Singer và VISinger 2 có từ năm 2022, nên chúng đánh dấu mốc cơ sở của từng kho ngữ liệu chứ không phải trình độ tiên tiến nhất hiện nay. Các số liệu mức độ áp dụng rộng hơn của công cụ âm nhạc AI nằm trong thống kê tạo nhạc bằng AI của chúng tôi.
5. Cao Độ Quan Trọng Ở Đâu: Điều Gì Thay Đổi Khi Mô Hình Có F0 Đúng
Phép thử rõ ràng nhất là đưa cho mô hình đường cao độ của ca sĩ thật rồi đo xem điều gì cải thiện. Khi DiffSinger nhận F0 thật, MOS nhịp điệu biểu cảm của nó tăng 0,30 điểm (từ 3,72 lên 4,02) trong khi chất lượng âm thanh chỉ tăng 0,05 (từ 3,92 lên 3,97) (Zhang et al., M4Singer, NeurIPS 2022). Nhịp điệu biểu cảm ở đây nghĩa là tính mạch lạc và độ tự nhiên của cách thể hiện giai điệu. Cao độ tốt hơn thu hẹp một phần khoảng cách đó, nhưng ngay cả với F0 thật cả hai điểm vẫn thấp hơn bản ghi (4,47 và 4,52), nên cao độ chỉ là một giới hạn trong số nhiều giới hạn.
Các kỹ thuật động là khó nhất. Trong Singing Voice Conversion Challenge 2025, một nhiệm vụ chuyển đổi chứ không phải tổng hợp dựa trên bản nhạc, các phong cách mà ban tổ chức mô tả là có thành phần động mạnh (hơi thở, glissando, vibrato) đạt độ chính xác phong cách thấp nhất, trong khi các phong cách chủ yếu tĩnh như falsetto đạt cao nhất (bài báo phân tích SVCC 2025).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Sai số tuyệt đối trung bình của F0 và độ chính xác hữu thanh/vô thanh, DiffSinger với F0 dự đoán so với F0 thật | 8,9990 so với 1,7061; 0,9406 so với 0,9856 | Zhang et al., M4Singer, NeurIPS 2022 |
| MOS của VISinger 2, mô hình đầy đủ so với không có bộ tổng hợp DSP | 3,96 so với 3,02 | Zhang et al., bài báo VISinger 2 2022 |
| MOS của VISinger 2 khi không có mô-đun mel-spectrum phụ trợ | 3,85 | Zhang et al., bài báo VISinger 2 2022 |
| Độ chính xác phong cách SVCC 2025: hơi thở, glissando, vibrato | 37,3%, 42,6%, 43,9% | Bài báo phân tích SVCC 2025 |
| Độ chính xác phong cách SVCC 2025: vòm hầu, giọng pha, falsetto | 44,8%, 48,3%, 48,8% | Bài báo phân tích SVCC 2025 |
Các tác giả Opencpop báo cáo rằng các mô hình cơ sở của họ cho thấy khả năng hạn chế với những cao độ hiếm ở phần đuôi dài của phân phối huấn luyện, một giới hạn khó tránh khỏi khi kho ngữ liệu chỉ có một ca sĩ.
6. Dữ Liệu Huấn Luyện: Số Giờ Giọng Hát Đứng Sau Các Mô Hình
Các mô hình hát vẫn học từ vài giờ hoặc vài chục giờ giọng hát được ghi âm. Kho ngữ liệu Opencpop, vốn là nền tảng của phần lớn tài liệu SVS tiếng Quan Thoại, chứa khoảng 5,2 giờ giọng hát của một nữ ca sĩ chuyên nghiệp (Wang et al., bài báo Opencpop, Interspeech 2022). Các kho ngữ liệu thu âm như Opencpop và M4Singer cần chú thích thủ công ranh giới nốt và bản nhạc, đó là lý do dữ liệu giọng hát thật tăng chậm.
Giải pháp thay thế là dữ liệu tổng hợp. ACE-Opencpop được xây dựng từ các bản nhạc của Opencpop và được tổng hợp bằng bộ tổng hợp giọng hát ACE Studio cùng việc chỉnh tay đường nét cao độ, nhịp thở và vibrato, tạo ra 128,9 giờ, và việc tiền huấn luyện trên đó đã nâng độ chính xác nửa cung của VISinger2 trên Opencpop thật từ 64,50% lên 65,18% (Shi et al., bài báo ACE-Opencpop 2024). Ngược lại, tiền huấn luyện trên kho ngữ liệu M4Singer thật làm giảm xuống 60,54%. ACE-Opencpop dùng chung bài hát với kho ngữ liệu đích, nên kết quả này nói lên sự khớp với mục tiêu nhiều hơn là chỉ riêng số giờ.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Opencpop: 1 ca sĩ chuyên nghiệp, 100 bài hát | khoảng 5,2 giờ, 3.756 phát ngôn | Wang et al., bài báo Opencpop, Interspeech 2022 |
| M4Singer: 20 ca sĩ chuyên nghiệp (10 nam, 10 nữ), 700 bài hát | 29,77 giờ, 20.942 phát ngôn | Zhang et al., M4Singer, NeurIPS 2022 |
| GTSinger: 20 ca sĩ chuyên nghiệp, 9 ngôn ngữ, 6 kỹ thuật | 80,59 giờ giọng hát cộng 16,16 giờ giọng nói ghép cặp | Zhang et al., GTSinger, NeurIPS 2024 |
| Các kho ngữ liệu tổng hợp ACE-Opencpop và ACE-KiSing | 128,9 giờ (30 giọng) và 32,5 giờ (34 giọng) | Shi et al., bài báo ACE-Opencpop 2024 |
| Độ chính xác nửa cung của VISinger2 trên Opencpop: không tiền huấn luyện so với ACE-Opencpop so với tiền huấn luyện M4Singer | 64,50% so với 65,18% so với 60,54% | Shi et al., bài báo ACE-Opencpop 2024 |
| VISinger2 trên KiSing, huấn luyện riêng so với thêm ACE-KiSing: độ chính xác nửa cung và MOS | 68,12% lên 72,51%; 3,58 lên 3,83 | Shi et al., bài báo ACE-Opencpop 2024 |
| Giọng hát thật gộp từ 8 kho ngữ liệu công khai cho bộ chuẩn CtrSVDD | 47,64 giờ | Zang et al., CtrSVDD 2024 |
Chín ngôn ngữ của GTSinger là tiếng Trung, tiếng Anh, tiếng Nhật, tiếng Hàn, tiếng Nga, tiếng Tây Ban Nha, tiếng Pháp, tiếng Đức và tiếng Ý, còn sáu kỹ thuật được gán nhãn là giọng pha, falsetto, hơi thở, vòm hầu, vibrato và glissando, chính là sáu phong cách được chấm điểm ở phần 5.
7. Phương Pháp Đánh Giá Và Bộ Chuẩn: Điểm Số Được Tạo Ra Như Thế Nào
Các hội đồng nghe nhỏ là chuyện bình thường. Opencpop dùng 20 người nghe cho mỗi đoạn, bài kiểm tra VISinger 2 dùng mười người nghe trên 30 đoạn, và bài kiểm tra ACE-Opencpop dùng 30 người nghe trên 30 mẫu cho mỗi hệ thống. Bản ghi Opencpop đạt 4,22 MOS trong một bài kiểm tra và 4,77 trong bài khác ngay trong cùng một bài báo năm 2024 (Cui et al., CSSinger 2024), một mức dao động 0,55 điểm lớn hơn nhiều khoảng cách giữa các mô hình.
Bộ chấm điểm tự động hữu ích ở cấp hệ thống nhưng không hữu ích cho từng đoạn. Bộ dự đoán MOS tốt nhất trên SingMOS-Pro đạt tương quan tuyến tính 0,88 khi xếp hạng hệ thống, nhưng chỉ 0,58 trên từng đoạn riêng lẻ (bài báo bộ chuẩn SingMOS-Pro 2026). Việc phát hiện đã tiến xa hơn: trên dữ liệu có kiểm soát, đội SVDD 2024 dẫn đầu đã hạ tỷ lệ lỗi cân bằng xuống 1,65% (Zhang et al., bài báo cuộc thi SVDD 2024), một chủ đề được đề cập trong thống kê pháp y deepfake âm thanh của chúng tôi.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Quy mô SingMOS-Pro | 7.981 đoạn, 44.247 lượt đánh giá, 78 người gán nhãn, 11,15 giờ | Bài báo bộ chuẩn SingMOS-Pro 2026 |
| Hệ thống được chấm trong SingMOS-Pro (tổng hợp, chuyển đổi, tái tổng hợp, dữ liệu gốc chuẩn) | 141 (60, 17, 52 và 12) | Bài báo bộ chuẩn SingMOS-Pro 2026 |
| Bộ dự đoán MOS tự động tốt nhất, tương quan tuyến tính ở cấp hệ thống so với cấp đoạn | 0,88 so với 0,58 | Bài báo bộ chuẩn SingMOS-Pro 2026 |
| Bài dự thi và người nghe SVCC 2023 | 26 bài dự thi (gồm 2 mô hình cơ sở); 40 người nghe tiếng Anh và 319 người nghe tiếng Nhật | Huang et al., bài báo SVCC 2023 |
| Tương quan Spearman của bộ dự đoán UTMOS với MOS độ tự nhiên SVCC 2023 (Nhiệm vụ 1, người nghe tiếng Nhật) | 0,77 | Huang et al., bài báo SVCC 2023 |
| Độ tự nhiên SVCC 2025, các hệ thống hàng đầu so với giọng hát thật | khoảng 3,7 so với khoảng 3,9 | Bài báo phân tích SVCC 2025 |
| CtrSVDD giọng hát thật so với deepfake, 14 phương pháp tạo, 164 danh tính ca sĩ | 47,64 so với 260,34 giờ | Zang et al., CtrSVDD 2024 |
| Tỷ lệ lỗi cân bằng SVDD 2024: đội dẫn đầu so với mô hình cơ sở; số đội vượt cả hai mô hình cơ sở | 1,65% so với 11,16% và 12,03%; 37 trên 47 | Zhang et al., bài báo cuộc thi SVDD 2024 |
Bối cảnh: trong SVCC 2023, các hệ thống hàng đầu ở cả hai nhiệm vụ được đánh giá là không khác biệt đáng kể so với mẫu tự nhiên về độ tự nhiên, còn trong SVCC 2025, vốn cũng chấm phong cách hát, không hệ thống nào đạt độ tự nhiên ngang con người. Phân tích kết luận rằng việc mô hình hóa phong cách hát vẫn là một thách thức.
Tổng kết: Độ Chính Xác Cao Độ Và Độ Tự Nhiên Của Tổng Hợp Giọng Hát Qua Các Con Số
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Sai số nốt trung vị, 24 ca sĩ trưởng thành hát không nhạc đệm | 19 cent | Mauch, Frieler và Dixon, JASA 2014 |
| Người khớp cao độ chính xác trong mẫu 1.046 người | 37% | Pfordresher và Demorest, JRME 2021 |
| Giọng hát được xếp là chính xác theo tiêu chí 100 cent lỏng hơn | 94% | Pfordresher và Demorest, JRME 2021 |
| Người thỉnh thoảng hát lệch cao độ (tiêu chí 2 SD) | 28% (14 trên 50) | Berkowska và Dalla Bella, Frontiers in Psychology 2013 |
| Độ dịch cao độ tương đương khả năng phát hiện của người nghe trung vị | 54,989 cent | Larrouy-Maestri, Harrison và Müllensiefen, Behavior Research Methods 2019 |
| Mô hình cơ sở Opencpop tốt nhất so với bản ghi, MOS | 3,70 so với 4,51 | Wang et al., bài báo Opencpop, Interspeech 2022 |
| VISinger 2 so với bản ghi ở 44,1 kHz, MOS | 3,81 so với 4,32 | Zhang et al., bài báo VISinger 2 2022 |
| CoMelSinger so với bản ghi, MOS độ tự nhiên cho ca sĩ chưa từng gặp | 4,11 so với 4,35 | Zhao et al., CoMelSinger 2026 |
| Mức tăng MOS nhịp điệu biểu cảm so với mức tăng MOS chất lượng âm thanh nhờ F0 thật (DiffSinger) | +0,30 so với +0,05 | Zhang et al., M4Singer, NeurIPS 2022 |
| MOS của VISinger 2 khi không có bộ tổng hợp DSP | 3,02 (so với 3,96) | Zhang et al., bài báo VISinger 2 2022 |
| Độ chính xác nửa cung của VISinger2, ACE-Opencpop so với Kiritan | 65,19% so với 49,33% | Shi et al., bài báo ACE-Opencpop 2024 |
| Độ chính xác phong cách SVCC 2025 cho vibrato | 43,9% | Bài báo phân tích SVCC 2025 |
| Quy mô kho ngữ liệu GTSinger | 80,59 giờ, 20 ca sĩ, 9 ngôn ngữ | Zhang et al., GTSinger, NeurIPS 2024 |
| Quy mô kho ngữ liệu tổng hợp ACE-Opencpop | 128,9 giờ, 30 giọng | Shi et al., bài báo ACE-Opencpop 2024 |
| Bản ghi Opencpop trong hai bài kiểm tra riêng biệt ngay trong một bài báo, MOS | 4,22 so với 4,77 | Cui et al., CSSinger 2024 |
| Lượt đánh giá SingMOS-Pro đã thu thập | 44.247 từ 78 người gán nhãn | Bài báo bộ chuẩn SingMOS-Pro 2026 |
| Tỷ lệ lỗi cân bằng SVDD 2024 tốt nhất | 1,65% | Zhang et al., bài báo cuộc thi SVDD 2024 |
Phương pháp luận và Nguồn
- 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, tháng 12 năm 2025
- Zhao et al., CoMelSinger: Discrete Token-Based Zero-Shot Singing Synthesis, bản chỉnh sửa tháng 4 năm 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, bản chỉnh sửa tháng 1 năm 2026
- Mauch, Frieler và Dixon, Intonation in Unaccompanied Singing: Accuracy, Drift, and a Model of Reference Pitch Memory, JASA 2014
- Larrouy-Maestri và Morsomme, Criteria and Tools for Objectively Analysing the Vocal Accuracy of a Popular Song, Logopedics Phoniatrics Vocology 2014
- Larrouy-Maestri, Harrison và 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 và Dalla Bella, Uncovering Phenotypes of Poor-Pitch Singing: the Sung Performance Battery, Frontiers in Psychology 2013
- Pfordresher và Demorest, The Prevalence and Correlates of Accurate Singing, Journal of Research in Music Education 2021
- Dalla Bella, Giguère và Peretz, Singing Proficiency in the General Population, JASA 2007
- Lưu ý về dữ liệu: giá trị MOS không thể so sánh giữa các bài báo, vì hội đồng người nghe (10 đến 30 người), tần số lấy mẫu và hướng dẫn khác nhau, và bản ghi Opencpop đạt 4,22 và 4,77 trong hai bài kiểm tra của bài báo CSSinger. Đơn vị của RMSE của F0 khác nhau (không nêu trong phần lớn các bài báo, dạng logarit trong ACE-Opencpop), nên các con số RMSE của F0 từ những bài báo khác nhau không được so sánh trực tiếp. Các nguồn mâu thuẫn nhau về quy mô kho ngữ liệu: ACE-Opencpop là 128,9 giờ trong Bảng 1 của chính nó, khoảng 130 giờ trong phần giới thiệu và 135 giờ trong bài báo mô hình ngôn ngữ giọng nói tháng 12 năm 2025; ACE-KiSing được liệt kê với cả 34 và 33 ca sĩ; Opencpop khoảng 5,2 giờ trong bài báo của chính nó nhưng 5,25 giờ trong các bảng so sánh của M4Singer và GTSinger. RMSE của F0 của CSSinger-FS xuất hiện là 28,601 ở một bảng và 28,101 ở bảng khác. Tỷ lệ lỗi cân bằng SVDD 2024 không bao gồm phương pháp ACESinger. Pfordresher và Demorest mô tả 50 cent là một nửa cung, trong khi 50 cent chỉ bằng nửa của nửa cung. Điểm độ tự nhiên chính xác của SVCC 2023 chỉ xuất hiện trong các hình, nên chúng tôi chỉ báo cáo các kết quả về ý nghĩa thống kê. VISinger 2, CSSinger, CoMelSinger, SingMOS-Pro và bài báo mô hình ngôn ngữ giọng nói được trích dẫn từ các phiên bản arXiv và do chính các tác giả chấm điểm; CoMelSinger và SingMOS-Pro không nêu nơi công bố đã qua bình duyệt, và bài báo mô hình ngôn ngữ giọng nói được gửi tới một hội thảo, nên số liệu cuối cùng có thể khác. Các nghiên cứu về độ chính xác cao độ của con người đều có trước năm 2023 và là dữ liệu mới nhất hiện có.
Cập nhật lần cuối: ngày 31 tháng 10 năm 2026. Chúng tôi cập nhật bài tổng hợp này hàng quý, và lần làm mới tiếp theo dự kiến diễn ra khi kỷ yếu ICASSP 2027 và kết quả của Singing Voice Conversion Challenge tiếp theo được công bố.