⑤ ディープラーニングの応用例 ／ 28. 音声処理
メル周波数ケプストラム係数 (MFCC)とは
MFCCとは、音声認識で最も代表的な特徴量です。FFT → メルフィルタ → 対数 → DCTの流れで算出され、人間の聴覚特性を反映します。
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。
一言でいうと
人の聴こえ方に合わせて音声を数値化した、音声認識の定番特徴量です。
算出の流れ
この4段階の順序は、そのまま言えるようにしておきましょう。
なぜ長く使われてきたのか
音声には話者の声質・雑音・イントネーションなど多くの情報が混ざっています。MFCCは「何を話しているか」に関わる情報を効率よく取り出せるため、HMMの時代から標準的に使われてきました。
近年は深層学習が生の波形から特徴を学習する手法も増えていますが、MFCCは今も広く用いられています。
ケプストラムとは
MFCCの「C」はケプストラムを指します。スペクトルにさらに変換をかけたもので、声の高さと声質を分離できる性質があります。
「誰が」ではなく「何を」話したかを知りたい音声認識では、声質の情報を分けられることが大きな利点になります。
🎯 G検定での押さえどころ
- FFT → メルフィルタ → 対数 → DCTの流れ
- 人間の聴覚特性を反映した特徴量
- 音声認識で最も代表的
⚠️ よくある誤りの選択肢
- 「MFCCはメル尺度を用いない特徴量である」→ 誤り。メル尺度が基盤です
関連する用語
ご利用にあたって 本ページの内容は、JDLAが公開しているG検定シラバス2024や公式テキストなど、一般に公開されている情報をもとに独自に整理・解説したものです。実際の試験の出題内容を示すものではなく、また合格を保証するものでもありません。制度・法令・試験要項は変更されることがあるため、最新の情報は必ずJDLA公式サイトでご確認ください。