MFCC（メル周波数ケプストラム係数）とは、人間の聴覚特性を考慮して音声データから抽出した音の特徴量です。音声を短時間に区切り、メル尺度に変換した周波数成分に対して離散コサイン変換を行うことで計算されます。データ量を削減しつつ音声の質的特徴を保持できるため、音声認識や話者識別などの機械学習モデルで広く活用されています。
MFCCとは
MFCCを一言でいうと、人間の耳の聞こえ方に合わせて音声データから重要な情報を抽出した特徴量です。音声認識や話者識別などの機械学習タスクにおいて、音声を効率的に表現するための標準的な手法として活用されています。
詳しく解説
MFCCは、音声波形から音の特徴を効率的に計算する手法です。まず音声信号を短い時間フレームに分割し、フーリエ変換によって周波数スペクトルを求めます。次に、人間が低音の変化に敏感で高音の変化に鈍感である特性を模したメル尺度を適用して周波数軸を変換します。最後に、対数エネルギーに対して離散コサイン変換を行うことで、低次元で相互の相関が少ない特徴量が得られます。深層学習が普及する以前から音声解析の基礎として重宝されており、計算負荷を抑えつつ音声情報を抽出できる重要性を持っています。
具体例・使われ方
スマートフォンの音声アシスタントによる音声認識機能や、話者を特定する話者認証システム、人間の感情を判定する感情分析などで利用されています。また、工場での機械の異音検知など、産業分野での機械学習モデルの入力データとしても幅広く用いられています。
似た用語との違い
類似する概念としてメルスペクトログラムがあります。メルスペクトログラムは、メル尺度に基づく周波数成分の強さを2次元画像のように表現したものです。これに対し、MFCCはメルスペクトログラムに離散コサイン変換を施すことで、データの相関を排除し、より少ない次元数に圧縮したものです。深層学習の発展によりメルスペクトログラムを直接扱うモデルも増えていますが、計算効率を重視する場合や従来のアルゴリズムではMFCCが好まれます。
注意点
MFCCは人の発話特性（声道の特徴）を捉えるのに優れている一方、周囲の環境ノイズに影響を受けやすいという注意点があります。また、音楽のように広い帯域や複雑な音響構造を持つデータには適さない場合があります。さらに、特徴量を抽出する過程で情報が圧縮・削除されるため、MFCCから元の音声波形を完全に復元することはできません。