音声特徴量(スペクトログラムとMFCC)

音声波形を短い窓で区切ってFFTするSTFTによりスペクトログラムが得られます。人間は低音の周波数変化に敏感で高音には鈍感なため、メル尺度(Mel Scale)で周波数軸を歪ませたMFCCが音声特徴量として強力です。 ア:正解です。スペクトログラムとMFCCの作成手順および人間の聴覚特性(メル尺度)の反映です。 イ:誤りです。Raw waveform(生波形)を直接WaveNetやEnd-to-Endモデルに入力して処理することも可能です。 ウ:誤りです。メル尺度は「低周波数を密に、高周波数を疎に」フィルタリングします(人間の耳に合わせた設計)。 エ:誤りです。スペクトログラムは通常「横軸が時間、縦軸が周波数、色の濃淡が強度」を表します。

音声認識や音響分析で最も多用される音響特徴量に関する記述として、最も適切なものを1つ選択してください。

出典G検定オリジナル模擬試験
ア
短時間フーリエ変換(STFT)により時間・周波数・強度の変化を二次元画像化したものをスペクトログラムと呼び、人間の聴覚特性に合わせたメル尺度フィルタバンクを適用してケプストラム分析したものをMFCC(メル周波数ケプストラム係数)と呼ぶ。
イ
音声波形の生データ(振幅の時間変化)には一切の周波数情報が含まれていないため、ディープラーニングに入力することは物理的に不可能である。
ウ
MFCCは高周波数帯の微妙な音程変化を人間の耳よりも高精度に識別するために、高音域ほど帯域幅を狭く設計している。
エ
スペクトログラムの縦軸は常に「時間」、横軸は常に「音の大きさ(dB)」を表す。