メル周波数ケプストラム係数（MFCC）は、音声認識や音声合成などの音声信号処理において、人間の耳の知覚特性を模して音声データから抽出される代表的な特徴量です。周波数スペクトルを対数・非線形なメル尺度に変換し、離散コサイン変換を施すことで、音声の「音色」や「声質」を効率的に表現します。機械学習モデルへの入力データとして広く利用されています。
メル周波数ケプストラム係数 (MFCC)とは
メル周波数ケプストラム係数（MFCC）は、音声信号から人間の耳の聞こえ方（聴覚特性）に合わせて抽出される、音の特徴を数値化した指標です。主に音声認識や音響イベント検出などの機械学習モデルにおいて、入力データとしての特徴量として広く利用されています。
詳しく解説
MFCCの算出プロセスは、人間の耳の物理的な仕組み（高い周波数帯域の音の変化に対して鈍感であることなど）を反映しています。具体的なステップは以下の通りです。まず、音声信号を短い時間枠（フレーム）に分割し、窓関数を適用した後に高速フーリエ変換（FFT）を行います。これにより、時間領域の信号が周波数領域のスペクトルに変換されます。次に、人間の聴覚特性を模した「メル尺度」に基づくメルフィルタバンクを適用し、周波数成分を圧縮します。その後、値の対数を取ることで、人間が感じる音の大きさ（ラウドネス）の対数特性を再現します。最後に、離散コサイン変換（DCT）を施すことで、相関の強いデータを無相関化し、音声の包絡線（全体の形状）を表す低次のケプストラム係数を取り出します。これにより、背景ノイズや声道特性の違いに強い頑健な特徴量を得ることができます。
具体例・使われ方
MFCCは、以下のような様々な音声AI技術の入力データとして実用化されています。1. 音声認識システム：スマートスピーカーやスマートフォンの音声アシスタントにおいて、ユーザーが発話した言葉を識別するための基本特徴量として用いられます。2. 話者認識・声紋認証：個人の声の特性（声質や声道長の違い）を捉えることで、誰が話しているかを特定する認証システムに活用されます。3. 音響イベント検出：工場での機械の異常音検知や、セキュリティカメラでのガラスの割れる音の検知など、環境音の分類・分析に利用されます。
似た用語との違い
MFCCと混同されやすい概念に「スペクトログラム」があります。スペクトログラムは、音声を高速フーリエ変換した後の時間ごとの周波数成分をそのまま画像として可視化したものであり、メル尺度への変換や離散コサイン変換（DCT）による次元削減は行われていません。MFCCはスペクトログラムからさらに人間の聴覚特性に最適化し、機械学習アルゴリズムが扱いやすいように無相関化した特徴量です。また、音声合成などの分野で用いられる「線形予測符号化（LPC）」は、音声を声道フィルターの物理モデルとして数式化するアプローチであり、聴覚特性よりも発声の物理的メカニズムに着目している点でMFCCと異なります。
注意点
MFCCは非常に強力な特徴量ですが、いくつかの限界があります。第一に、離散コサイン変換の過程で位相情報が破棄されるため、MFCCから元の音声波形を完全に復元することは困難です。このため、高精度な音声合成には単体では不向きな場合があります。第二に、静的なノイズや急激な音響環境の変化に弱い側面があります。雑音が存在する環境（ノイズ環境）では認識精度が低下しやすいため、実務ではノイズキャンセリングなどの前処理や、MFCCに動的な変化量を加えた特徴量を併用するなどの対策が必要です。また、近年ではディープラーニングの発展に伴い、MFCCを介さずに生波形を直接ニューラルネットワークに入力するアプローチ（End-to-Endモデル）も普及しています。