音声などの時系列信号を、時間経過に伴う周波数成分の変化として分析する手法。信号を短い時間区間に区切り、それぞれに高速フーリエ変換（FFT）を適用することで、時間と周波数の両方の情報を同時に保持したスペクトログラムを生成し、音声認識や音響モデルの入力特徴量として活用される。
短時間フーリエ変換とは
短時間フーリエ変換とは、時間とともに特性が変化する信号に対して、信号を短い時間窓で区切ることで、それぞれの時間帯にどのような周波数成分がどれくらい含まれているかを分析する手法です。
詳しく解説
従来のフーリエ変換は、信号全体を対象とするため「どの周波数が含まれているか」は分かりますが、「それがいつ発生したか」という時間情報が失われてしまいます。短時間フーリエ変換では、信号に窓関数と呼ばれる短い重み付け関数を掛け合わせることで、局所的な時間帯を切り出し、その区間ごとに高速フーリエ変換を実行します。この窓を一定の間隔でずらしながら処理を繰り返すことで、時間経過に伴う周波数成分の遷移を視覚化します。音声認識や音声合成などの機械学習分野においては、生の音声波形をモデルが処理しやすい2次元の特徴量データに変換するための重要な前処理技術として位置づけられています。
具体例・使われ方
具体的な利用例として、音声アシスタントにおける音声認識システムが挙げられます。マイクから入力された人の声を短時間フーリエ変換することで、時間・周波数・強度の3つの情報を持つスペクトログラムへと変換します。このスペクトログラムは画像データのように扱えるため、畳み込みニューラルネットワークなどの機械学習モデルに入力され、高精度な音声解析が行われます。
似た用語との違い
従来のフーリエ変換が信号全体の周波数成分のみを抽出する（時間情報が欠落する）のに対し、短時間フーリエ変換は「時間情報」と「周波数情報」を同時に保持できる点が異なります。また、時間と周波数の解像度をより柔軟に調整できる「ウェーブレット変換」という手法もあります。ウェーブレット変換は高周波ほど時間解像度を高く、低周波ほど周波数解像度を高くできますが、短時間フーリエ変換はすべての帯域で時間と周波数の解像度が一定（トレードオフ関係が固定）であるという違いがあります。
注意点
短時間フーリエ変換には、不確定性原理に起因する「時間解像度と周波数解像度のトレードオフ」が存在します。窓関数の幅を狭くすると、時間の変化を細かく捉えられますが（時間解像度が向上）、周波数の分析は大雑把になります（周波数解像度が低下）。逆に窓関数の幅を広くすると、周波数を詳細に分析できますが、時間の情報が曖昧になります。このため、対象とする音声や信号の性質に合わせて、適切なパラメータ設定が必要です。