メルフィルタバンクの帯域配置

解説

正解 C

この問題の論点：メルフィルタバンクの帯域配置

選択肢ごとの解説

1. A

   適切

   16kHzの音声を512点のFFTで分析すると、8kHzまでで257個の成分が得られます。メルフィルタバンクは、これを40個や80個などの帯域にまとめます。音声認識や音声合成で扱いやすい、少ない次元の特徴量になります。

2. B

   適切

   メル尺度は、人が感じる音の高さの違いが等間隔になるように周波数を目盛り直した尺度です。この上で等間隔に並べると、人が違いを聞き分けやすい低い周波数ほど、細かく分けられます。

3. C

   不適切 正解

   向きが逆です。メル尺度の上で等間隔に並べたフィルタは、Hzで見ると低い周波数帯ほど狭い帯域で密に並び、高い周波数帯ほど広い帯域でまばらになります。高い音の細かな違いを聞き分けにくい、人の耳の性質に合わせた配置です。

4. D

   適切

   Tacotron 2は、文字の並びからメルスペクトログラムを予測し、それをWaveNetを改良したボコーダで波形に変換します。メルスペクトログラムは、音声認識の入力特徴量としても広く使われています。