物理的には同じ「100Hzの差」でも、低い音どうしなら大きな違いに聞こえ、高い音どうしではほとんど区別がつかない──人間の耳にはそんなクセがあります。このクセを数値化した「ものさし」がメル尺度です。MFCCの土台となる重要キーワードなので、ここで確実に押さえましょう。
📖 ひと言でいうと
メル尺度とは、人間が感じる「音の高さ」（音高）の感覚に合わせて周波数を測り直した知覚的な尺度です。物理的な周波数（Hz）をそのまま使うのではなく、「人間の耳にはどれくらい違って聞こえるか」を基準に目盛りを振り直します。
例えるなら、地図の縮尺を「実際の距離」ではなく「歩いたときの体感のしんどさ」で描き直すようなものです。平地の1kmと急坂の1kmは体感が違うように、低音域の100Hz差と高音域の100Hz差は聞こえ方がまったく違います。メル尺度は、この「体感」に合わせた音の地図なのです。
🖼 1枚でわかるメル尺度
📘 公式テキストの説明
人間の聴覚特性を反映した音高の知覚的尺度である。1937年にStanley Smith Stevensらによって提案され、1000Hzの音を1000メル（mel）と定義している。この尺度では、周波数が低い領域では人間の音高知覚が線形的であるのに対し、高周波数領域では対数的に変化することを示している。具体的には、周波数fをメル尺度mに変換する際、m = 2595 × log10(1 + f/700)という式が用いられる。音声認識技術において、メル尺度は音声信号の特徴抽出に重要な役割を担っている。人間の聴覚特性を考慮することで、音声信号の周波数成分を効果的に分析できるためである。特に、メル周波数ケプストラム係数（MFCC）は、音声認識システムで広く使用されている特徴量である。MFCCは、音声信号をメル尺度に基づいて処理し、音声のスペクトル包絡を効果的に表現する。
かみ砕くと、「1000Hz＝1000メル」という基準点を置いたうえで、人間の聞こえ方に合わせて目盛りを引き直した尺度、ということです。低い周波数帯では周波数が2倍になれば体感もおよそ2倍と素直に対応しますが、高い周波数帯では周波数が大きく増えても体感の変化はゆるやか（対数的）にしか増えません。その関係を1本の式にまとめたのが m = 2595 × log10(1 + f/700) です。
🔍 しっかり理解する
物理のHzと知覚のメル──何が違うのか
- 1秒あたりの振動回数という物理量
- 100Hzの差はどの音域でも「同じ100Hz」
- 機械・数式にとって自然な目盛り
- 「どれだけ高く聞こえるか」という感覚量
- 同じHz差でも低音域では大きく、高音域では小さく数える
- 人間の耳にとって自然な目盛り
人間の耳は、低い周波数帯域の違いには敏感で、高い周波数帯域の違いには鈍感です。たとえば200Hzと400Hzの違いははっきり聞き分けられますが、10000Hzと10200Hzの違い（同じ200Hz差）はほとんど分かりません。Hzの目盛りは物理的には均等でも、知覚的には均等ではないのです。メル尺度は、この不均等を補正して「メル値の差が同じなら、聞こえ方の差もほぼ同じ」になるように設計されています。
変換式の読み方
m = 2595 × log10(1 + f/700) という式は、暗記よりも「形の意味」を理解しておくと安心です。fが700Hzより十分小さい低音域では、log10(1 + f/700)はほぼf/700に比例するため、メル値は周波数にほぼ比例（線形的）します。一方、fが大きくなると対数の性質で伸びがゆるやかになり、周波数が増えてもメル値はゆっくりしか増えません（対数的）。「低域は線形、高域は対数」という公式テキストの記述が、この式ひとつで表現されているわけです。基準点として1000Hzの音が1000メルと定義されていることも覚えておきましょう。
音声認識でなぜ重要か
音声認識では、スペクトルをそのままのHz軸で扱うと、人間の聞き分けにあまり寄与しない高域の細かい違いまで律儀に表現してしまい、効率が良くありません。そこで周波数軸をメル尺度に変換し、耳の感度が高い低域を細かく、感度が低い高域を粗くまとめて分析します。この処理を組み込んだ代表的な特徴量がメル周波数ケプストラム係数（MFCC）で、音声のスペクトル包絡を人間の聴覚に近い形で効率よく表現します。メル尺度は、いわばMFCCの「心臓部のものさし」なのです。
💡 具体例で考える
ピアノの鍵盤を思い浮かべてください。左端の低い「ド」から1オクターブ上の「ド」までの周波数差は数十Hz程度ですが、右端付近の高音域では1オクターブ上がると数千Hzも変わります。それでも人間には、どちらも同じ「1オクターブ分」の変化に聞こえます。物理的な周波数差と体感の変化がまったく比例していないことが分かる、身近な例です。メル尺度は、まさにこの「体感側」に合わせて目盛りを振り直したものといえます。
もうひとつは音声認識システムの前処理です。たとえばスマートフォンの音声入力では、取り込んだ音声のスペクトルにメル尺度に基づくフィルタ処理を適用し、低域を細かく・高域を粗く要約したうえでMFCCなどの特徴量を計算します。限られた計算資源で人間の聞き分けに効く情報を残せるため、メル尺度ベースの特徴量は音声認識の標準的な前処理として定着しています。
⚠️ よくある誤解・紛らわしい用語
- MFCCとの混同 — メル尺度は「尺度（ものさし）」そのもの、MFCCはメル尺度を利用して計算される「特徴量」です。メル尺度＝道具、MFCC＝その道具で作った成果物、と区別しましょう。
- 「全域で対数的」ではない — メル尺度は高周波数域で対数的ですが、低周波数域では線形的です。「全体が単純な対数変換」とする記述は不正確です。
- 音の大きさの尺度ではない — メル尺度が扱うのは音高（ピッチ、高い低い）の知覚です。音の大きさ（ラウドネス）の尺度とは別物なので、「音量の感覚を表す尺度」という選択肢は誤りです。
- 基準点の取り違え — 「1000Hz＝1000メル」が定義上の基準です。数値を入れ替えた誤り選択肢（例: 700Hz＝1000メル）に注意してください。式に登場する700はあくまで変換式内の定数です。
📝 試験でのポイント
- 「1937年にStanley Smith Stevensらが提案」「1000Hzを1000メルと定義」という事実関係の正誤問題が想定されます。
- 「低周波数域では線形的、高周波数域では対数的」という特性の記述は、そのまま正解選択肢の軸になります。
- MFCCとの関係を問う出題では、「MFCCはメル尺度に基づいて音声信号を処理する」という方向の関係が正しい記述です。
- 音高の「知覚的」尺度であることがキーワードです。物理量そのものと説明する選択肢は誤りです。
📚 まとめ
- メル尺度は、人間の聴覚特性を反映した音高の知覚的尺度で、1937年にStevensらが提案しました。
- 1000Hzの音を1000メルと定義し、m = 2595 × log10(1 + f/700)で周波数から変換されます。
- 低周波数域では線形的、高周波数域では対数的という「耳のクセ」を数式で表現しています。
- 音声認識の特徴抽出、特にMFCCの土台として重要な役割を担っています。
