G検定（JDLA） 練習問題 72：音声認識：音声データの特徴量抽出手法
📊 Qraftユーザーの成績
- 難易度 Bランク（レーティング1200）
- 難易度 766位/2795問中
- 正答率 —（0回）
音声処理分野で広く用いられる特徴量「MFCC」に関する説明として、正しいものはどれか。
- 人間の聴覚特性に近い対数スケールを用いて音声信号の周波数特性を表現したものであり、音声認識における入力特徴量として広く用いられている。
- 音声信号の波形から不要な背景ノイズを完全に除去するために設計されたフィルタであり、音声認識における入力特徴量として広く用いられている。
- 連続する音声信号を一定の時間間隔で区切り、その区間内の最大振幅を抽出したものであり、音声認識における入力特徴量として広く用いられている。
- 複数の話者の音声が混ざった信号から特定の個人の声だけを分離するための手法であり、音声認識における入力特徴量として広く用いられている。
- 発話された音声信号の長さや話速の違いを統一された長さに正規化する処理のことであり、音声認識における入力特徴量として広く用いられている。
正解と解説を見る
正解：人間の聴覚特性に近い対数スケールを用いて音声信号の周波数特性を表現したものであり、音声認識における入力特徴量として広く用いられている。
音声認識などで広く用いられる特徴量抽出手法である「MFCC（Mel-Frequency Cepstral Coefficients：メル周波数ケプストラム係数）」に関する説明として、「人間の聴覚特性に近い対数スケールを用いて音声信号の周波数特性を表現したものであり、音声認識における入力特徴量として広く用いられている」が正解です。
【正解の理由】
MFCCは、低周波数帯域の解像度を高く、高周波数帯域の解像度を低くするという人間の聴覚特性（メル尺度）に基づいて音声の周波数スペクトルを変換した特徴量であり、音声認識や話者認識に長年利用されています。
【不正解の理由】
• 「音声信号の波形から不要な背景ノイズを完全に除去するために設計されたフィルタであり、音声認識における入力特徴量として広く用いられている」は、ノイズキャンセリングや特定のフィルタ処理に関する説明であり、MFCCの定義として誤り
• 「連続する音声信号を一定の時間間隔で区切り、その区間内の最大振幅を抽出したものであり、音声認識における入力特徴量として広く用いられている」は、エンベロープ（包絡線）抽出などに近い説明であり誤り
• 「複数の話者の音声が混ざった信号から特定の個人の声だけを分離するための手法であり、音声認識における入力特徴量として広く用いられている」は、音源分離（ブラインド音源分離など）に関する説明であり誤り
• 「発話された音声信号の長さや話速の違いを統一された長さに正規化する処理のことであり、音声認識における入力特徴量として広く用いられている」は、DTW（動的時間伸縮法）などに関する説明であり誤り