A-D変換とは

A-D変換（アナログ-デジタル変換）は、マイクがとらえた空気の振動のように、なめらかに変化する信号を、コンピュータが扱える数値の列に直す処理です。音声認識も音声合成も、音をいったん数値にしなければ始められません。反対に、数値を音の信号に戻す処理をD-A変換と呼びます。

3つの段階

1. 標本化（サンプリング）：一定の時間間隔で信号の値を読み取ります。1秒間に読み取る回数を標本化周波数といい、16kHzなら1秒に1万6,000回です。
2. 量子化：読み取った値を、決められた段階のうち最も近い値に丸めます。段階の数は量子化ビット数で決まり、16ビットなら2^16 = 65,536段階です。
3. 符号化：丸めた値を、0と1の符号の列で表します。

標本化は時間の方向、量子化は振幅の方向を、それぞれ飛び飛びの値にする処理です。丸めで生じるずれを量子化誤差と呼びます。

細かさと音質・データ量

標本化周波数を上げると高い音まで記録でき、量子化ビット数を増やすと振幅の細かな違いまで表せます。標本化定理によれば、正しく記録できる周波数の上限は標本化周波数の半分です。上限を超える成分は、低い周波数の成分に化けて混ざります。これをエイリアシングと呼び、防ぐためにA-D変換の前のフィルタで高い周波数の成分を取り除きます。標本化周波数と量子化ビット数のどちらを上げても、データ量は増えます。電話の音声では8kHz、音声認識では16kHzの標本化がよく使われます。

モデルの量子化との違い

モデル圧縮でも「量子化」という言葉を使います。値を限られた段階に丸める点は同じですが、対象はニューラルネットワークの重みなどで、目的はモデルを軽くすることです。同じ言葉が別の文脈で出てくるため、どちらの意味かを文脈で見分けます。

覚え方

「標本化は横（時間）、量子化は縦（振幅）を刻む」と覚えます。