G検定 用語解説
メル周波数ケプストラム係数とは
人の聴覚特性に合わせて音声の周波数特性を変換し、少数の係数で表した特徴量。音声認識などで、音声波形からモデルへの入力に使う特徴抽出の代表的な手法。
まず押さえる結論
メル周波数ケプストラム係数は、G検定の「大項目6 ディープラーニングの応用例」で確認しておきたい用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。 一次情報確認日: 2026-07-03。
試験概要（公式）試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
×物体検出（R-CNN系/YOLO/SSD）とセグメンテーション（セマンティック＝画素単位の塗り分け、インスタンス＝個体ごとに区別）の混同。
×word2vec・BERT・GPTの違い（BERT＝前後両方向、GPT＝一方向・自己回帰）。
×強化学習の応用（DQN、AlphaGo）と画像/言語タスクの取り違え。
関連する確認問題
大項目6 ディープラーニングの応用例 / 音声・強化学習
音声信号から人間の聴覚特性を考慮して抽出され、音声認識で古くから用いられてきた特徴量はどれか。
正解は「メル周波数ケプストラム係数」である。音声信号から人間の聴覚特性を考慮して抽出され、音声認識で古くから使われてきた特徴量はメル周波数ケプストラム係数。主成分分析（PCA）は次元削減、敵対的生成ネットワーク（GAN）は生成モデル、誤差逆伝播法は学習アルゴリズムであり、いずれも音声の特徴量ではない。4つの選択肢は「音声特徴量」「次元削減」「データ生成」「学習アルゴリズム」という異なる役割に分かれ、音声信号から抽出する特徴量に該当するのはメル周波数ケプストラム係数のみである。
大項目6 ディープラーニングの応用例 / 自然言語処理
単語を意味の近さが反映されるベクトルとして表す代表的な手法で、「王様 - 男性 + 女性 ≒ 女王」のような例で説明されることが多いものはどれか。
正解は「word2vec」である。word2vecは単語を分散表現のベクトルとして扱う代表的な手法で、意味的な近さや関係がベクトル空間に表れやすい。形態素解析は文を単語などに分ける処理、FCNは画像のセグメンテーション、メル周波数ケプストラム係数は音声特徴量である。 成果物を比較する。形態素解析は文の分割と品詞付与、FCNは画像の画素分類、MFCCは音声特徴量である。語の共起から意味の近さや関係をベクトルへ反映し、ベクトル演算の例で説明されるのはword2vecである。
大項目6 ディープラーニングの応用例 / 音声・強化学習
音声認識で、人間の聴覚特性を考慮した音声特徴量として古くから使われるものはどれか。
正解は「メル周波数ケプストラム係数」である。メル周波数ケプストラム係数は、音声信号から人間の聴覚特性を考慮した特徴を取り出す音声認識で使われる特徴量である。ViTとMask R-CNNは画像分野、seq2seqは系列変換モデルで自然言語処理などに使われ、音声特徴量そのものではない。 候補がモデルか特徴量かを分ける。ViTとMask R-CNNは画像モデル、seq2seqは系列から系列への変換モデルである。音声を短時間分析し、メル尺度のフィルタバンクとケプストラムで表すMFCCが音声認識の代表的特徴量である。
同じ章で確認したい用語
到達チェック
- メル周波数ケプストラム係数を一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、メル周波数ケプストラム係数に関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: ミナト編集部（運営者情報を見る）