メルスペクトログラム (Mel Spectrogram)読み: めるすぺくとろぐらむ

2026-10-01 更新

本ページはプロモーションを含みます（掲載基準）

AI用語辞典音声・音楽最終更新: 2026-10-01・AI PICKS編集部

メルスペクトログラム (Mel Spectrogram)の定義

メルスペクトログラムとは、音を「時間」と「周波数ごとの強さ」の画像のような形に変え、周波数の目盛りを人の耳の感じ方に近いメル尺度にそろえた音の表し方のことです。音声認識や音声合成AIの入力・中間データとして広く使われます。

英語表記: Mel spectrogram（メル・スペクトログラム）
作り方: 音声を短い区間ごとにフーリエ変換（STFT）して周波数成分を求め、メル尺度のフィルタでまとめる。強さはデシベル（対数）で表すことが多い
見方: 横軸が時間、縦軸が周波数（メル尺度）、各点の明るさが音の強さ
メル尺度の由来: Stevens、Volkmann、Newmanの論文「A Scale for the Measurement of the Psychological Magnitude Pitch」（1937年）。人が感じる音の高さに基づく尺度
AIでの使用例: OpenAI Whisperは16kHzの音声を80チャンネルの対数メルスペクトログラムにして入力。Google Tacotron 2は文字からメルスペクトログラムを予測し、WaveNetで音声波形に戻す
作れるツール: Pythonのlibrosa（librosa.feature.melspectrogram）、Keras（MelSpectrogramレイヤー）など

メルスペクトログラム (Mel Spectrogram)に関連するツール

メルスペクトログラム (Mel Spectrogram)とは（詳しく解説）

メルスペクトログラムは、音を画像のような形で表す方法です。横軸に時間、縦軸に周波数をとり、それぞれの時間にどの高さの音がどれくらい強く鳴っているかを明るさで示します。普通のスペクトログラムとの違いは、縦軸の目盛りに人の耳の感じ方に近い「メル尺度」を使う点です。メル尺度は、1937年にStevensらが人の感じる音の高さを測って提案しました。作り方は3ステップです。まず音声を短い区間に切ってフーリエ変換（STFT）し、周波数ごとの強さを求めます。次にメル尺度に合わせたフィルタで周波数をまとめ、最後に強さをデシベルに変えます。Pythonならlibrosaの関数1つで計算できます。 AIでは定番の表現です。OpenAIの音声認識AI Whisperは、16kHzの音声を80チャンネルの対数メルスペクトログラムにしてから読み込みます。音声合成では、GoogleのTacotron 2が文字からメルスペクトログラムを予測し、WaveNetというボコーダーで音声に戻す2段構えを示しました。実際に使うときの注意点は、設定をそろえることです。サンプリングレート、窓の長さ、ずらし幅、メルの本数が学習時と違うと、同じ音でも別のデータになり、精度が落ちます。学習済みモデルを使うなら、そのモデルの前処理の設定に合わせましょう。

出典・公式情報:

メルスペクトログラム (Mel Spectrogram)を調べた人に

声を作る・声を取り出すなら

ナレーションづくりや、曲からボーカルだけを抜き出す作業をブラウザでできます。

Aqua Voice
初月10ドルオフ（新規ユーザー）
Mac・Windows・iPhoneのどのアプリにも声で文章を入れられる（無料は1,000語まで）
AI音声・文字起こし／最低料金 ¥0〜
公式サイトで無料で試す
Audible（オーディブル）
プロの声優・俳優の朗読を聴き比べられる。30日間無料で試せる
オーディオブック／ 30日間無料体験・以後プレミアム月1,500円
30日間無料で聴く
Murf AI
150以上の声と35言語でナレーションを作れる
AI音声・文字起こし／最低料金 ¥0〜
公式サイトで無料で試す