メルフィルタバンクとは、人間の耳の周波数知覚特性を模した「メル尺度」に基づき、音声信号から特徴量を抽出するためのフィルター群のことです。低音域には狭い間隔、高音域には広い間隔で三角形のバンドパスフィルターを配置することで、人間が知覚しやすい音の強弱パターンを効率的に捉え、音声認識AIなどの前処理で広く利用されます。
メルフィルタバンクとは
メルフィルタバンクとは、音声信号処理において、人間の聴覚特性を模したメル尺度に基づいて設計された複数のバンドパスフィルターの集まり（フィルタバンク）のことです。これを用いることで、人間が聞き取りやすい周波数成分を強調した音の特徴量抽出が可能になります。
詳しく解説
人間の耳は、周波数の変化を対数的に知覚する性質があります。具体的には、低い周波数の違いには敏感ですが、高い周波数の違いには鈍感になります。この人間の聴覚特性を数式化したものがメル尺度です。メルフィルタバンクは、このメル尺度上の等間隔な位置に、周波数領域で三角形の形状をしたバンドパスフィルターを複数配置したものです。具体的な処理としては、まず音声波形に対して高速フーリエ変換を行い、周波数ごとのエネルギー（パワースペクトル）を算出します。その結果にメルフィルタバンクを適用して各フィルターの通過領域内のエネルギーを足し合わせることで、人間の知覚に適合した次元圧縮された特徴量を得ることができます。これはディープラーニングを用いた最新の音声認識や音声合成システムの入力前処理として極めて重要な役割を果たしています。
具体例・使われ方
スマートスピーカーに「電気を消して」と話しかけた際、音声認識エンジンは入力された音声をそのまま処理するのではなく、高速フーリエ変換とメルフィルタバンクを適用して、人間が知覚する音のパターンの時間変化に変換します。この変換によって得られたメルスペクトログラムをAIモデルに読み込ませることで、背景の雑音を軽減し、人間の声の特徴を効率よく学習・識別できるようになります。
似た用語との違い
メルフィルタバンクと混同されやすいものに「メル周波数ケプストラム係数」（MFCC）があります。メルフィルタバンクの出力に対して、さらに離散コサイン変換を施して次元削減と成分の無相関化を行った特徴量がMFCCです。従来の統計的機械学習ではMFCCが主流でしたが、表現力の高い近年のディープラーニングモデルでは、より情報量が損なわれにくいメルフィルタバンクの出力（メルスペクトログラム）が直接使われるケースが増えています。また、通常の高速フーリエ変換による線形なスペクトログラムは、人間の耳の特性を考慮せず一定の周波数幅で分割されているため、メルフィルタバンクとは異なります。
注意点
メルフィルタバンクは人間の聴覚特性に特化しているため、人間の耳には聞こえない超音波の解析や、人間の知覚とは異なる基準で音を判定するような工業用振動センサーのデータ分析などには適していません。また、フィルターの数（一般に40〜80個程度）や形状の設計によって抽出される特徴量の品質が変化するため、タスクに合わせた適切なハイパーパラメータの調整が必要です。