【G検定】高速フーリエ変換(FFT)とは？音声を周波数成分に分解する仕組みを解説

音は空気の振動、つまり時間とともに変化する波です。この波に「どの高さの音がどれだけ含まれているか」を教えてくれるのがフーリエ変換で、それを現実的な計算時間で実行できるようにしたアルゴリズムが高速フーリエ変換(FFT)です。音声認識の特徴量抽出はここから始まります。

📖 ひと言でいうと

高速フーリエ変換(FFT: Fast Fourier Transform)は、音声などの信号を周波数成分に分解する離散フーリエ変換(DFT)を、高速に計算するためのアルゴリズムです。時間領域の波形を周波数領域の表現に変換します。

例えるなら、プリズムが白色光を虹の七色に分けるように、FFTは複雑な音の波を「低い音の成分」「高い音の成分」に分けて見せてくれます。厳密には、どんな複雑な波形も単純な正弦波の重ね合わせとして表せるという数学的性質を利用した変換です。

🖼 1枚でわかる高速フーリエ変換

📘 公式テキストの説明

高速フーリエ変換 (FFT)は、音声信号を周波数成分に分解するための基本的な手法である。音声信号は時間領域の波形として取得されるが、これを周波数領域に変換することで、音の特徴をより効果的に分析できる。FFTは、離散フーリエ変換（DFT）を効率的に計算するアルゴリズムであり、計算量を大幅に削減する。これにより、リアルタイムの音声処理が可能となり、音声認識システムの性能向上に寄与している。具体的には、音声信号を短い時間区間に分割し、各区間に対してFFTを適用する短時間フーリエ変換（STFT）が用いられる。これにより、時間と周波数の両軸で音声信号の変化を捉えることができ、音声の特徴抽出に有用である。また、FFTの結果から得られるスペクトル情報は、メル周波数ケプストラム係数（MFCC）などの特徴量の計算にも利用され、音声認識モデルの入力として重要な役割を果たしている。FFTの導入により、音声信号の周波数解析が効率的に行えるようになり、音声認識技術の発展に大きく寄与している。特に、計算資源が限られる環境でも高速な処理が可能となり、実用的な音声認識システムの実現に不可欠な技術となっている。

キーワードの連鎖で覚えるのが効率的です。「時間領域→周波数領域」「DFTを効率的に計算」「短い区間に分割して適用=STFT」「スペクトル情報→MFCCへ」。FFTそのものは特徴量ではなく、特徴量を計算するための高速な道具である、という位置づけをつかみましょう。

🔍 しっかり理解する

時間領域と周波数領域

マイクで録音した音声は「時刻ごとの振幅の値」つまり時間領域の波形です。しかし波形をいくら眺めても「この声は低音が豊かだ」といった音の性質は読み取りにくいものです。フーリエ変換は、どんな複雑な波も周波数の異なる単純な波(正弦波)の重ね合わせで表せるという性質を使い、信号を「どの周波数の成分がどれだけ含まれるか」という周波数領域の表現(スペクトル)に変換します。音の特徴分析には、この周波数領域の見方が圧倒的に有効です。

「高速」の意味——DFTの計算量を大幅削減

デジタル化された(離散的な)信号に対するフーリエ変換が離散フーリエ変換(DFT)です。DFTを定義通りに計算すると、データ点数Nに対しておよそN×N回の計算が必要で、Nが大きいと現実的ではありません。FFTは計算の重複をうまく整理することで、これをおよそN×log Nまで削減するアルゴリズムです。たとえばN=1024なら、単純計算で約100万回かかるところが約1万回で済み、およそ100分の1になります。この劇的な削減が、計算資源の限られる環境でのリアルタイム音声処理を可能にしました。

短時間フーリエ変換(STFT)——変化し続ける音声への適用

音声は時々刻々と内容が変わる信号なので、長い区間を丸ごとフーリエ変換すると「いつ、どの音が鳴っていたか」という時間情報が失われてしまいます。そこで音声信号を短い時間区間に分割し、区間ごとにFFTを適用するのが短時間フーリエ変換(STFT)です。得られるスペクトルの系列を時間×周波数の平面に並べたものはスペクトログラムと呼ばれ、時間と周波数の両軸で音声の変化を捉えられます。

特徴量への橋渡し

FFT(STFT)で得たスペクトル情報は、そのままモデルに入れるのではなく、多くの場合さらに加工されます。代表がメル周波数ケプストラム係数(MFCC)で、人間の聴覚特性を考慮したメル尺度で周波数軸を変換してから特徴を圧縮します。つまりFFTは「波形→スペクトル→MFCC→音声認識モデル」というパイプラインの起点であり、音声認識の性能を根元で支える存在です。

💡 具体例で考える

同じ高さで「あー」と「いー」を発声しても、私たちは即座に聞き分けられます。波形を見ても違いは分かりにくいのですが、FFTでスペクトルにすると、周波数成分の山の位置(どの帯域が強いか)がはっきり異なります。この山の分布こそが母音を特徴づける情報で、音声認識はこれを手がかりに音素を識別します。「時間領域では見えない特徴が周波数領域では見える」ことを実感できる例です。

FFTは音声認識以外でも至る所で働いています。音楽アプリのイコライザー表示(帯域ごとの音量バー)、楽器のチューナーアプリ、ノイズ除去処理などはいずれも信号を周波数成分に分解してから加工・表示しており、その計算エンジンがFFTです。

⚠️ よくある誤解・紛らわしい用語

📝 試験でのポイント

📚 まとめ

高速フーリエ変換(FFT)は、離散フーリエ変換(DFT)を効率的に計算するアルゴリズムで、時間領域の音声波形を周波数領域のスペクトルに変換します。計算量の大幅削減によりリアルタイムの音声処理が可能になりました。音声のように変化する信号には、短い区間ごとにFFTを適用する短時間フーリエ変換(STFT)が使われ、得られたスペクトル情報はMFCCなどの特徴量計算に利用されます。音声認識パイプラインの起点を支える、実用システムに不可欠な技術です。