⑤ ディープラーニングの応用例／ 28. 音声処理

高速フーリエ変換 (FFT)とは

FFTとは、時間領域信号を周波数領域へ高速変換する信号処理の基本アルゴリズムです。音声解析・特徴抽出・スペクトル分析に不可欠です。

この用語はG検定シラバスの「28. 音声処理」に含まれます。章全体の用語は用語解説⑤（全133語）にまとまっています。

音の波形を「どの高さの音がどれだけ含まれるか」に変換する計算です。

何を変換するのか

マイクで取った音は「時間ごとの振幅」という形をしています。この波形を見ても、どんな音なのかは分かりません。

FFTはこれを「どの周波数成分がどれだけ含まれるか」という表現に変換します。これで初めて「低い声か高い声か」「母音は何か」といった分析が可能になります。

音声認識で使う代表的な特徴量MFCCは、FFT → メルフィルタ → 対数 → DCTという流れで計算されます。FFTはその最初の一歩です。

フォルマントやスペクトル包絡も周波数領域で定義される概念であり、FFTなしには扱えません。

音声は時間とともに変化するため、短い区間ごとに切り出してFFTをかけ、それを並べて分析します。

この結果を時間×周波数の図にしたものがスペクトログラムで、音声の分析や可視化に広く使われます。