定義
メルスペクトログラムとは、音声波形の周波数成分を人間の聴覚特性に近いメル尺度で分割し、時間軸に沿って表現した2次元の音響特徴量のこと。
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、音声波形を短時間フーリエ変換(STFT)で周波数分解した後、人間の聴覚が低音域を細かく高音域を粗く感じる特性に合わせてメル尺度のフィルタバンクでビン分割し、対数振幅に変換した時間・周波数の2次元表現。音声認識・音声合成(TTS)・話者識別・音楽情報検索など多くの音声AIモデルで、生波形の代わりに入力または出力の中間特徴量として業界標準的に採用されている。実運用での落とし穴は、STFTの窓幅・ホップ長・メルbin数・サンプリングレートといったパラメータが学習時と推論時でずれると精度が大きく劣化する点で、事前学習済みモデルを使う場合は必ず前処理条件を揃える必要がある。2026年時点、TTSやボイスクローニング系サービスの多くはメルスペクトログラムを中間表現としてvocoderに渡す2段構成を採るため、現場でモデルを選ぶ際は組み合わせるvocoderとの相性を確認したい。処理自体はlibrosa等のライブラリで低コストに実行できるが、大量音声をバッチ変換する場合はGPU/CPU計算コストが積み上がる点も相場感として押さえておくべきだ。
この解説の引用について
定義文・解説は出典を明記いただければ記事・資料・生成AIの回答で自由に引用できます（CC BY 4.0）。
出典: AI PICKS AI用語辞典「メルスペクトログラム (Mel Spectrogram)とは」 https://aipicks.jp/glossary/mel-spectrogram
メルスペクトログラム (Mel Spectrogram)の使用例
- 16kHzの音声をSTFT変換後、メルフィルタバンクで80次元のメルスペクトログラムに変換し音声認識モデルへ入力する。
- TTSモデルがテキストからメルスペクトログラムを予測し、その後vocoderで波形に変換する2段階構成が広く使われる。
