メル周波数ケプストラム係数（MFCC）は、人間の聴覚特性に合わせて音声を分析・数値化する特徴量抽出手法です。音声認識や話者識別において、音の高さやスペクトルの特徴を効率よく捉えるために広く利用されています。
メル周波数ケプストラム係数とは
一言でいうと、人間の耳の特性を模して音声をコンパクトな数値の列に変換する技術です。
詳しく解説
音声データを機械学習モデルで処理しやすい形にするために用いられます。まず音声をフーリエ変換して周波数スペクトルを求め、人間の聴覚が低音域ほど敏感で高音域ほど鈍感であるという特性を反映したメル尺度へと変換します。さらに、その対数を取った後に離散コサイン変換を行うことで、スペクトルの包絡成分であるケプストラム係数を取り出します。これにより、音の基本的な響きや母音の違いなどを少数の次元で効率的に表現できるようになります。
具体例・使われ方
スマートスピーカーなどの音声認識システムの前処理として、マイクから入力された音声をメル周波数ケプストラム係数に変換し、音素の識別を行っています。また、声の質や特徴を捉えることができるため、セキュリティ分野の話者識別や、音声合成モデルの品質評価などにも使われています。
似た用語との違い
生波形のフーリエ変換スペクトログラムとは異なり、人間の聴覚の対数的な特性や高周波数帯の解像度低下をあらかじめ考慮している点が大きな違いです。また、直線的な周波数スケールを用いる通常のケプストラム分析と比べ、より人間の知覚に近い形で音の情報を圧縮できます。
注意点
メル周波数ケプストラム係数は音声の振幅情報を重視する一方で、位相情報が失われるため、音楽のように細かな位相の変化が重要な音の分析には不向きな場合があります。また、背景雑音が含まれる環境では認識精度が低下しやすいため、適切なノイズ除去技術と組み合わせて利用することが重要です。