最終更新日:2026年9月24日
gk speech signal_processing
まず結論
音声前処理では、次の役割を分けます。
- 標本化・量子化 → 音をデジタルデータへ
- フレーム分割・窓関数 → 短い時間区間へ分ける
- STFT / FFT → 周波数成分を求める
- メルスペクトログラム / MFCC → 学習しやすい音響表現へ変換
ただし、現代の深層学習では生波形を直接入力するモデルもあるため、音声は必ずMFCCへ変換するとは覚えません。
直感的な説明
音声は時間とともに変化する波です。
そのため、長い音声全体を一度に周波数分析するより、短い区間に切り、各区間の周波数を見ることで時間と周波数の両方を扱いやすくします。
定義・仕組み
標本化・量子化
アナログ信号を一定間隔で測るのが標本化、振幅を有限段階の値へ置き換えるのが量子化です。
PCMは、このように標本化・量子化された値を符号化して表す代表的な方式です。
フレーム分割・窓関数
音声を短いフレームへ分割し、端点の不連続の影響を抑えるためHamming窓などを使うことがあります。
STFT
短いフレームごとにフーリエ変換を行い、時間×周波数の情報を得ます。
メルスペクトログラム・MFCC
- メルスペクトログラム → メル尺度で周波数をまとめた表現
- MFCC → メルフィルタバンク出力の対数などから求めるケプストラム係数
いつ使う?(得意・不得意)
音声認識・話者認識・音声分類などで使われます。
モデルによって、生波形・スペクトログラム・メルスペクトログラム・MFCCのいずれも入力になり得ます。
G検定ひっかけポイント
- PCM → デジタル音声の代表的表現方式
- FFT / STFT → 周波数・時間周波数表現
- MFCC → 代表的音響特徴だが必須ではない
まとめ(試験直前用)
- 標本化・量子化 → デジタル化
- STFT → 時間×周波数
- メル尺度 → 聴覚特性を反映
- MFCC → ケプストラム特徴
- 生波形を直接扱うモデルもある