問題 No.13
音声認識システムを構築する際、マイクから集音した生の音響信号（波形データ）をそのままディープラーニングに入力しても、不要な高周波成分や個人固有の声質のノイズが多く、言葉の意味の認識精度が上がらない。人間の耳が「低音の変化には非常に敏感だが、高音の変化には鈍感である」という知覚特性（メル尺度）に合わせ、音声から言語的な特徴のみを効率よく抽出した音響特徴量はどれか。
【正解の解説】
MFCC
メル周波数ケプストラム係数(MFCC)とは、人間の耳が「低音に敏感で、高音には鈍感である」というメル尺度の知覚特性を反映させ、音声から言語として本質的な特徴をノイズに強く抽出できるように設計された音響特徴量のことです。
スポンサーリンク
【その他の選択肢の解説】
高速フーリエ変換
高速フーリエ変換(FFT)は、音などの信号からどの周波数がどれくらい含まれているかを高速に計算する基本的な技術ですが、人間の聴覚特性に合わせた変換は行われません。
短時間フーリエ変換
短時間フーリエ変換は、時間の経過に伴って周波数成分がどのように変化するかを捉えるために、信号を短い時間区間に区切ってフーリエ変換を行う手法のことです。
線形予測分析
線形予測分析は、ある時点の音声信号の値をそれ以前の値から予測して音声をモデル化する手法であり、声道の形状などを推定するのに用いられますが、人間の耳の知覚特性をダイレクトに反映したものではありません。