音声を時間と周波数で表す
D社のコールセンターでは、通話録音から顧客の声の調子(落ち着いている・いら立っている)を分類したい。声の高さや強さが時間とともにどう変わるかを、畳み込みニューラルネットワーク(CNN)で捉えたいと考えている。音声波形に対する前処理として、最も適切なものを1つ選べ。
- A
通話全体をまとめて1回フーリエ変換し、周波数ごとの強さの一覧だけを入力にする
- B
短い区間ごとにフーリエ変換し、時間と周波数ごとの強さを表すスペクトログラムにする
- C
通話全体の振幅の平均と最大値を求め、その2つの数値をまとめて入力にする
- D
データ量を減らすためにサンプリング周波数を大きく下げ、高い周波数の成分も残す
正解と解説を見る
正解:B
音声を機械学習で扱うときは、短時間フーリエ変換で時間×周波数のスペクトログラム(音声認識ではメル尺度を使ったものやMFCCなど)にして、画像のように扱うことが多い。全体を1回だけフーリエ変換すると時間変化が失われ、サンプリング周波数を下げると高い周波数の成分が表せなくなる。
- A
誤り。全体を1回で変換すると、どの周波数がどれだけ含まれるかは分かるが、時間とともにどう変わったかの情報が失われる。
- B
正しい。短時間フーリエ変換で作るスペクトログラムは、横軸を時間、縦軸を周波数として、各成分の強さを表す2次元のデータになる。声の変化を画像のように扱えるので、CNNの入力に向く。
- C
誤り。声の大きさの要約にはなるが、声の高さ(周波数)や時間変化の情報がほとんど失われ、CNNで捉えたい特徴が残らない。
- D
誤り。サンプリング周波数を下げると、その半分より高い周波数の成分は表せなくなる。高い成分を残すことはできず、声の特徴の一部が失われる。
このサイトの問題は、各試験の公開されている出題範囲に沿って作ったオリジナルの模擬問題です。本試験の問題ではありません。一般社団法人データサイエンティスト協会・一般財団法人統計質保証推進協会の公式サービスではありません。