Versión con voz de referencia

Demostración: Far far away, fuente completa de 240.98 segundos, un mismo cantante objetivo, semilla 42 y transposición 0. kNN-SVC usa toda la referencia; los demás, el mismo fragmento de 25 segundos. La similitud vocal se mide contra ese fragmento para todos los modelos. Estos resultados corresponden a esta demostración.

Se destaca el mejor valor del grupo según la flecha de cada métrica, incluidos los empates; no es una clasificación general de calidad de audio.

Menor ↓ o mayor ↑ es mejor. La diferencia de texto compara el reconocimiento de Whisper-medium con la fuente, no errores de letra verificados manualmente. La similitud vocal es el coseno entre representaciones de Resemblyzer, no una prueba de identidad. SingMOS-Pro y AudioBox PQ son predicciones automáticas, no MOS humanos ni cifras de las tablas de los artículos. Liderar una métrica en esta canción no implica ser el mejor en todas las canciones.

Los resultados de los autores se separan por conjunto de datos y configuración. No forman una clasificación conjunta de los siete modelos.

Solo se muestran registros con implementación pública de inferencia y pesos correspondientes verificados, además de algoritmos que no necesitan pesos. Se excluyen servicios cerrados, pesos no publicados y versiones experimentales sin correspondencia comprobada. No es una clasificación de todos los modelos.