メル尺度は、人間の聴覚特性に合わせて音の周波数を非線形に変換した尺度です。音声認識や音声合成などの分野において、人間が知覚する音の高さに近づけた音声特徴量を抽出するためによく利用されます。
メル尺度とは
一言でいうとメル尺度とは、人間の耳が感じる音の高さの感覚を反映させた周波数スケールです。
詳しく解説
人間の耳は、低い周波数帯域では音程の変化に敏感である一方、高い周波数帯域では鈍感になるという特性を持っています。物理的な周波数をそのまま機械学習の入力に用いると、人間が聞き分ける感覚とズレが生じます。そこで、この聴覚特性を近似するために提案されたのがメル尺度です。音声認識の前処理では、このメル尺度に基づいてフィルタバンクを適用し、効率的な特徴量抽出が行われます。
具体例・使われ方
音声認識システムの前処理において、入力された音声波形からパワースペクトルを計算し、それをメル尺度に変換してメルフィルタバンクを適用します。さらに離散コサイン変換を施すことで、音声認識モデルで広く使われるMFCCという特徴量が生成されます。
似た用語との違い
物理的な周波数であるヘルツ（Hz）が純粋な物理量であるのに対し、メル尺度は人間の主観的な聴覚特性に基づいている点が異なります。また、バーク尺度も同様に人間の聴覚に基づく尺度ですが、周波数領域の分割方法や計算式に違いがあります。
注意点
メル尺度は人間の平均的な聴覚特性に基づいていますが、個人の聴力差や心理的な要因までは完全に再現できません。また、非線形変換を行うため、元の物理周波数へ完全に可逆変換することは困難な場合があり、モデルの設計時には情報の損失に注意が必要です。
この解説は役に立ちましたか？誤りが含まれる場合はご報告いただけますと幸いです。
更新日時: 2026年9月20日 07:30