রেফারেন্স কণ্ঠে কভার

ডেমো: Far far away, সম্পূর্ণ উৎস 240.98 সেকেন্ড, একই লক্ষ্য গায়ক, seed 42 এবং স্বর পরিবর্তন 0। kNN-SVC পুরো রেফারেন্স ব্যবহার করে; অন্যগুলো একই 25 সেকেন্ডের অংশ ব্যবহার করে। সব মডেলের কণ্ঠসাদৃশ্য ওই একই অংশের সঙ্গে মাপা হয়। নিচের পরিমাপ এই ডেমোর।

প্রতিটি সূচকের তীরের দিক অনুযায়ী এই দলের সেরা মান হাইলাইট করা হয়, সমান মানসহ; এটি সামগ্রিক অডিও মানের র‍্যাঙ্কিং নয়।

↓ কম হলে এবং ↑ বেশি হলে ভালো। পাঠ্যের পার্থক্য উৎসের সঙ্গে Whisper-medium-এর স্বীকৃত পাঠ্য তুলনা করে; এটি মানুষের যাচাই করা গানের কথার ভুলের হার নয়। কণ্ঠের সাদৃশ্য হলো Resemblyzer এমবেডিংয়ের কোসাইন সাদৃশ্য, পরিচয়ের প্রমাণ নয়। SingMOS-Pro এবং AudioBox PQ স্বয়ংক্রিয় পূর্বানুমান, মানুষের MOS বা গবেষণাপত্রের সারণির নম্বর নয়। এই গানের একটি সূচকে এগিয়ে থাকা সব গানে সামগ্রিকভাবে সেরা হওয়া বোঝায় না।

লেখকদের ফলাফল ডেটাসেট ও সেটিং অনুযায়ী আলাদা দেখানো হয়েছে। এগুলো সাতটি মডেলের সম্মিলিত র‌্যাঙ্কিং নয়।

শুধু যাচাই করা প্রকাশ্য ইনফারেন্স বাস্তবায়ন ও পরীক্ষার সঙ্গে মিলে যাওয়া ওজনের রেকর্ড দেখানো হয়; ওজন লাগে না এমন অ্যালগরিদমও অন্তর্ভুক্ত। বন্ধ সেবা, অপ্রকাশিত ওজন ও অমিল পরীক্ষামূলক সংস্করণ বাদ দেওয়া হয়। এটি সব মডেলের সামগ্রিক তালিকা নয়।