SingMOS: An extensive Open-Source Singing Voice Dataset for MOS Prediction

在语音生成任务中，通常将人类主观评分称为“黄金标准”，其中平均意见分数（MOS）作为主要评估指标。由于人工注释的成本较高，在语音领域出现了几个MOS预测系统，表现良好。这些MOS预测模型是使用先前语音相关挑战的注释进行训练的。然而，与语音领域相比，歌唱领域面临数据稀缺和更严格的版权保护，导致缺乏高质量的歌唱MOS注释数据集。为了解决这个问题，我们提出了SingMOS，这是一个高质量和多样化的歌唱MOS数据集，涵盖了一系列中文和日文数据集。这些合成的人声是使用最先进的歌唱合成、转换或重新合成任务模型生成的，并由专业注释员与真实人声一起进行评分。数据分析表明了我们数据集的多样性和可靠性。此外，我们对SingMOS进行了进一步探索，为歌唱MOS预测提供了见解，并为SingMOS的持续扩展提供了指导。

论文旨在解决歌唱领域数据稀缺和版权保护严格的问题，提出了一个高质量且多样化的歌唱 MOS 数据集 SingMOS。

论文使用最先进的歌唱合成、转换或重构模型生成了合成人声，并与真实人声一起由专业评估员进行评分，从而构建了 SingMOS 数据集。该数据集可用于歌唱 MOS 预测的训练和评估，为歌唱领域的研究提供了新思路。

SingMOS 数据集的多样性和可靠性得到了数据分析的证明。论文还提供了有关歌唱 MOS 预测和 SingMOS 数据集扩展的指导和见解。

在歌唱领域的相关研究包括“Singing Voice Separation with Deep U-Net Convolutional Networks”和“Singing Voice Detection with a Pretrained Convolutional Neural Network”。