【G検定】CTCとは？ブランクと縮約で系列長のズレを解決する仕組みを解説
2026年5月26日
3秒の音声は数百フレームに分割されるのに、そこから出てくる文字はたった数文字──音声認識には「入力と出力の長さが合わない」という根本的な悩みがあります。これをエレガントに解決したのがCTC（Connectionist Temporal Classification）です。鍵となる「ブランク」と「縮約」の仕組みを正確に理解しましょう。
【G検定】話者識別とは？「誰が話しているか」を特定する音声技術を解説
2026年5月26日
音声認識が「何を話しているか」を聞き取る技術だとすれば、話者識別は「誰が話しているか」を当てる技術です。この「何を」と「誰が」の対比が、このキーワードを理解する最大の鍵になります。
【G検定】メル尺度とは？人間の聴覚特性を反映した音高の尺度をやさしく解説
2026年5月26日
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。
【G検定】メル周波数ケプストラム係数(MFCC)とは？音声特徴量の定番を解説
2026年5月25日
音声認識の世界で長年「定番の特徴量」として使われてきたのが、メル周波数ケプストラム係数（MFCC: Mel-Frequency Cepstral Coefficients）です。名前はいかつく見えますが、「人間の耳の感覚に合わせて音声の特徴を数値の並びに圧縮したもの」と捉えれば、ぐっと身近になります。
【G検定】フォルマント周波数とは？F1は口の開き・F2は舌の位置をやさしく解説
2026年5月25日
前のキーワード「フォルマント」が声道の共鳴で生まれるスペクトルのピークだとすると、そのピークが「何Hzにあるか」を表すのがフォルマント周波数です。この記事では、F1・F2という2つの代表値が発音のどの動きに対応するのかを軸に整理します。