ある機械メーカーが、工場で作業員が話す短い音声コマンド（「停止」「再開」など）を認識するシステムを開発している。マイクの音声をA-D変換したのち、話者ごとの声の高さの違いに左右されにくく、音素の違いをよく表す特徴量を少ない次元で得たい。この目的に合う処理として、最も適切なものを1つ選べ。
正解と解説を見る
解説
正解 A
この問題の論点：音声認識に使う特徴量
ポイント
MFCCはスペクトル包絡を少ない次元で表す特徴量です。音素の違いをとらえやすく、声の高さの影響を受けにくい性質があります。
選択肢ごとの解説
- A
適切 正解
この手順で得られるのがMFCCです。メル尺度は人の聴覚に合わせ、低い周波数ほど細かく分けます。低次の係数はスペクトル包絡を表し、声の高さによる細かな凹凸を除いた音色の特徴を少ない次元で表せます。
- B
不適切
波形の値をそのまま使うと、16kHzで標本化した場合は1秒あたり16,000個と次元が大きく、音量などの違いにも左右されます。音素の違いは周波数成分に表れるため、周波数領域の特徴量に変換するのが一般的です。
- C
不適切
基本周波数は声の高さを表し、話者や抑揚によって大きく変わります。一方、どの音素かは声道の形で決まるスペクトル包絡やフォルマントに表れるため、基本周波数だけでは音素を区別できません。
- D
不適切
量子化ビット数を増やすと、A-D変換で振幅をより細かく記録でき、音質は上がります。しかしデータ量が増えるだけで、音素の違いを少ない次元で表す特徴量を作る処理ではありません。
補足
母音の違いは、スペクトル包絡の山の位置であるフォルマントに表れます。周波数の低い順に第1フォルマント、第2フォルマントと呼び、この2つの周波数の組み合わせで日本語の5つの母音をおおむね区別できます。
試験での狙われ方
MFCCを求める手順や、フォルマント・スペクトル包絡・メル尺度がそれぞれ何を表すかを問う形が見られます。