Кавер за зразком голосу

Демо: Far far away, повне джерело 240.98 секунд, той самий цільовий виконавець, seed 42 і транспонування 0. kNN-SVC використовує весь референс, решта — спільний фрагмент 25 секунд. Подібність голосу всіх моделей вимірюється відносно цього фрагмента. Це вимірювання цієї демонстрації.

Найкраще значення в групі виділено відповідно до напрямку стрілки кожного показника, включно з однаковими результатами. Це не загальний рейтинг якості звуку.

Для ↓ краще менше, для ↑ — більше. Різниця тексту порівнює розпізнавання Whisper-medium із джерелом, а не помилки у словах, перевірені людиною. Подібність тембру — косинусна подібність ембедингів Resemblyzer, а не підтвердження особи. SingMOS-Pro та AudioBox PQ — автоматичні прогнози, не людські MOS і не числа з таблиць статей. Перевага за одним показником цієї пісні не означає загального лідерства для всіх пісень.

Результати авторів подано окремо за наборами даних і налаштуваннями. Вони не утворюють спільного рейтингу семи моделей.

Показано лише записи з перевіреною публічною реалізацією інференсу та відповідними вагами, а також алгоритми без навчених ваг. Закриті сервіси, неопубліковані ваги та непідтверджені версії експериментів виключено. Це не загальний рейтинг усіх моделей.