2026年版・5-7

音声処理の一問一答

G検定（ジェネラリスト検定）「ディープラーニングの応用例」から、音声処理に関する4択問題を10問。「答えと解説を見る」を開くと、正解とその理由がその場で読めます。会員登録は不要です。

この分野の演習

全10問／解説つき・基本無料

アプリ形式で解く（全480問）ディープラーニングの応用例の要点解説を読む

問題

上から順に解いてみてください。答えは各問の下で確認できます。本試験は多肢選択式で、問い方は問題ごとに異なりますが、ここでは4択で出題しています。

問15-7

アナログの音声信号をコンピュータで扱うデジタルデータに変換する「A-D変換」の手順として、最も適切なものを1つ選びなさい。

①量子化 → 符号化 → 標本化（サンプリング）
②符号化 → 標本化（サンプリング）→ 量子化
③標本化（サンプリング）→ 量子化 → 符号化
④標本化（サンプリング）→ 符号化 → 量子化

答えと解説を見る

正解 ③標本化（サンプリング）→ 量子化 → 符号化

解説
A-D変換（アナログ・デジタル変換）は、連続的に変化するアナログの音声信号を、コンピュータで扱えるデジタルデータに変換する処理で、次の3つの手順で行います。まず、一定の時間間隔で信号の値を取り出す「標本化（サンプリング）」を行います。次に、取り出した値を、あらかじめ決めた段階の値に丸める「量子化」を行います。最後に、その値を0と1の2進数で表す「符号化」を行います。

他の選択肢が不適切な理由
・量子化 → 符号化 → 標本化：A-D変換では、まず時間を区切って値を取り出し（標本化）、その値を丸めてから（量子化）数字にします（符号化）。標本化を最後に行う順序ではありません。
・符号化 → 標本化 → 量子化：符号化は最後に行う手順です。
・標本化 → 符号化 → 量子化：量子化で値を段階に丸めてから、2進数に符号化します。

覚え方のポイント
「時間を区切る（標本化）→ 値を区切る（量子化）→ 数字にする（符号化）」。1秒間に何回標本化するかを「サンプリング周波数」といい、音楽CDでは44.1kHz（1秒間に44,100回）が使われています。

問25-7

音声信号を、どの周波数の成分がどれだけ含まれているかという情報に変換するために用いられる代表的な計算手法として、最も適切なものを1つ選びなさい。

①誤差逆伝播法
②主成分分析
③k-means法
④高速フーリエ変換（FFT）

答えと解説を見る

正解 ④高速フーリエ変換（FFT）

解説
音声のような波形の信号は、さまざまな周波数（音の高さ）の波が重なり合ってできています。フーリエ変換は、時間とともに変化する波形を、どの周波数の成分がどれだけの強さで含まれているか（周波数スペクトル）に変換する計算で、高速フーリエ変換（FFT：Fast Fourier Transform）はそれをコンピュータで効率よく行う手法です。音声認識では、短い時間ごとにフーリエ変換を行い、周波数の成分が時間とともにどう変化するかを表した「スペクトログラム」などを特徴量として使います。

他の選択肢が不適切な理由
・誤差逆伝播法：ニューラルネットワークで各重みの勾配を効率よく求める方法です。
・主成分分析：データを少数の軸にまとめる次元削減の手法です。
・k-means法：データをk個のグループに分けるクラスタリングの手法です。

覚え方のポイント
「フーリエ変換＝波形 → 周波数の成分」。音声処理では、まず波形を周波数の情報に直してから特徴量を作る、という流れを押さえておきましょう。

問35-7

人間の聴覚の特性に合わせて周波数の尺度を変換したメル尺度にもとづき、音声認識の特徴量として広く用いられてきたものとして、最も適切なものを1つ選びなさい。

①MFCC（メル周波数ケプストラム係数）
②TF-IDF
③ROC曲線
④ジニ不純度

答えと解説を見る

正解 ①MFCC（メル周波数ケプストラム係数）

解説
人間の耳は、低い音の高さの違いには敏感ですが、高い音の高さの違いには鈍いという特性を持っています。この聴覚の特性に合わせて周波数の目盛りを変換したものが「メル尺度」です。MFCC（Mel-Frequency Cepstral Coefficients：メル周波数ケプストラム係数）は、音声のスペクトルをメル尺度で整理し、声の特徴を少数の係数で表したもので、音声認識の特徴量として長く広く用いられてきました。

他の選択肢が不適切な理由
・TF-IDF：文書の中の単語の重要度を表す、自然言語処理の指標です。
・ROC曲線：分類モデルの性能を、偽陽性率と真陽性率の関係で表す評価の方法です。
・ジニ不純度：決定木で、分割後のデータのまとまり具合を表す指標です。

覚え方のポイント
「メル尺度＝人間の聞こえ方に合わせた周波数の目盛り」「MFCC＝そのメル尺度にもとづく音声の特徴量」。音声認識の特徴量として、名前と意味をセットで覚えましょう。

問45-7

音声の周波数スペクトルに見られる、声道（のどや口の中）の共鳴によって強められたいくつかの周波数のピークで、母音の違いを特徴づけるものとして、最も適切なものを1つ選びなさい。

①音素
②フォルマント
③ピッチ（基本周波数）
④サンプリング周波数

答えと解説を見る

正解 ②フォルマント

解説
人が声を出すとき、声帯の振動でできた音は、のどや口の中などの「声道」を通る間に共鳴し、特定の周波数が強められます。この共鳴によって周波数スペクトルに現れるいくつかのピークを「フォルマント」と呼び、周波数の低いほうから第1フォルマント、第2フォルマント…とします。「あ」「い」「う」などの母音の違いは、主にこのフォルマントの周波数の組み合わせによって特徴づけられます。

他の選択肢が不適切な理由
・音素：「か」を「k」と「a」に分けるように、言葉の意味を区別する音声の最小の単位です。
・ピッチ（基本周波数）：声帯の振動の速さによって決まる、声の高さを表す値です。
・サンプリング周波数：A-D変換で、1秒間に何回信号の値を取り出すかを表す値です。

覚え方のポイント
「ピッチ＝声の高さ（声帯で決まる）」「フォルマント＝声の音色・母音の違い（声道の共鳴で決まる）」。何によって決まるかで区別しましょう。

問55-7

2016年にDeepMindが発表した、音声の波形そのものを1サンプルずつ生成することで、それまでより自然な音声合成を実現したモデルとして、最も適切なものを1つ選びなさい。

①word2vec
②AlphaGo
③WaveNet
④ResNet

答えと解説を見る

正解 ③WaveNet

解説
WaveNetは、2016年にDeepMindが発表した音声を生成するモデルです。それまでの音声合成が、録音した音声の断片をつなぎ合わせたり、音声の特徴量から波形を組み立てたりしていたのに対し、WaveNetは、音声の波形そのものを、それまでに生成した値をもとに1サンプルずつ予測して生成します（自己回帰型）。遠い過去のサンプルまで効率よく参照するため、間を空けて畳み込む「Dilated Causal Convolution（膨張因果畳み込み）」を用いています。人間の声に近い、非常に自然な音声を合成できるようになりました。

他の選択肢が不適切な理由
・word2vec：単語を意味を反映したベクトルに変換する、自然言語処理の手法です。
・AlphaGo：同じくDeepMindが開発した、囲碁のAIです。
・ResNet：スキップ結合を持つ、画像認識のモデルです。

覚え方のポイント
「WaveNet＝波形（Wave）を直接生成・自己回帰・膨張因果畳み込み・DeepMind」。音声合成の代表的なモデルとして押さえておきましょう。

問65-7

音声認識のように、入力の系列（音声の各時刻の特徴）と出力の系列（文字）の長さが異なり、どの時刻がどの文字に対応するかが分からない場合でも学習できるようにする手法として、最も適切なものを1つ選びなさい。

①MFCC
②WaveNet
③Teacher Forcing
④CTC

答えと解説を見る

正解 ④CTC

解説
音声認識では、音声の特徴は細かい時刻ごとに並んでいる一方、出力する文字の数はそれよりずっと少なく、どの時刻の音声がどの文字に対応するのかは、学習データに書かれていません。CTC（Connectionist Temporal Classification）は、文字の出力に加えて「空白（何も出力しない）」を表す記号を導入し、同じ文字の連続をまとめるといった規則によって、あり得るすべての対応づけを考慮しながら学習する手法です。これにより、入力と出力の対応関係をあらかじめ指定しなくても学習できるようになりました。

他の選択肢が不適切な理由
・MFCC：人間の聴覚に合わせたメル尺度にもとづく音声の特徴量で、入力と出力の対応づけを学習する手法ではありません。
・WaveNet：音声の波形を1サンプルずつ生成する、音声合成のモデルです。
・Teacher Forcing：系列を生成するモデルの学習で、正解を次の時刻の入力として与える方法です。入力と出力の対応が分からないという問題を解くものではありません。

覚え方のポイント
「CTC＝空白の記号を使って、長さの違う系列を対応づける」。音声認識を、音声から直接文字を出力する1つのモデルで行う「End-to-End音声認識」を支える技術の一つです。

問75-7

ディープラーニングが普及する前の音声認識で、音素などの時間的な変化を、状態の移り変わりと確率で表すために広く用いられてきたモデルとして、最も適切なものを1つ選びなさい。

①隠れマルコフモデル（HMM）
②サポートベクターマシン
③k近傍法
④変分オートエンコーダ

答えと解説を見る

正解 ①隠れマルコフモデル（HMM）

解説
隠れマルコフモデル（HMM：Hidden Markov Model）は、直接は観測できない「状態」が確率的に移り変わり、それぞれの状態から観測できるデータが確率的に出力される、と考えるモデルです。音声認識では、音素の発音の途中の段階を状態とみなし、観測される音声の特徴がどの音素の並びから生じたものかを確率的に推定するために、長く用いられてきました。現在では、ディープラーニングを用いた手法や、音声から文字までを1つのモデルで扱うEnd-to-Endの手法が主流になっています。

他の選択肢が不適切な理由
・サポートベクターマシン：マージンを最大化するように境界を決める分類の手法で、時間的な変化を状態の移り変わりで表すモデルではありません。
・k近傍法：近いk個の学習データの多数決で分類する手法です。
・変分オートエンコーダ：潜在変数を確率分布で表す生成モデルです。

覚え方のポイント
「隠れマルコフモデル＝見えない状態の移り変わり（マルコフ性）＋確率的な出力」。従来の音声認識の中心的なモデルとして押さえておきましょう。

問85-7

音声処理の課題の説明として、最も適切なものを1つ選びなさい。

①音声合成は音声を文字に変換し、音声認識は文字から音声を作り出す課題である。
②音声認識は音声を文字に変換し、音声合成は文字から音声を作り出す課題である。
③音声認識は話している人が誰かを判定し、音声合成は音声から雑音を取り除く課題である。
④音声認識と音声合成はどちらも、音声を別の言語の音声へ翻訳する課題である。

答えと解説を見る

正解 ②音声認識は音声を文字に変換し、音声合成は文字から音声を作り出す課題である。

解説
音声認識（ASR：Automatic Speech Recognition）は、人が話した音声を文字（テキスト）に変換する課題で、スマートスピーカーや会議の議事録の作成、字幕の自動生成などに使われています。音声合成（TTS：Text-to-Speech）は、反対に、文字から人の声のような音声を作り出す課題で、カーナビの音声案内や、文章の読み上げ機能などに使われています。音声処理には、ほかに、話している人が誰かを判定する話者識別や、声から感情を推定する感情認識などの課題もあります。

他の選択肢が不適切な理由
・音声合成が音声を文字に変換する：2つの課題の説明が逆になっています。
・話している人を判定し、雑音を取り除く：話している人を判定するのは話者識別、雑音を取り除くのは音声強調（雑音除去）という別の課題です。
・音声を別の言語の音声へ翻訳する：これは音声翻訳で、音声認識・機械翻訳・音声合成を組み合わせて実現されることがあります。音声認識と音声合成それぞれの説明ではありません。

覚え方のポイント
「音声認識＝声 → 文字（聞き取る）」「音声合成＝文字 → 声（しゃべる）」。英語の略称（ASR・TTS）もあわせて覚えておきましょう。

問95-7

アナログ信号を標本化するときに、元の信号に含まれる最も高い周波数の2倍より高い周波数で標本化すれば、元の信号を正しく復元できるとする定理として、最も適切なものを1つ選びなさい。

①普遍近似定理
②ノーフリーランチ定理
③標本化定理
④ベイズの定理

答えと解説を見る

正解 ③標本化定理

解説
標本化定理（サンプリング定理）は、アナログ信号を標本化してデジタル化するとき、元の信号に含まれる最も高い周波数の2倍より高い周波数（サンプリング周波数）で標本化すれば、元の信号を正しく復元できる、という定理です。逆に、サンプリング周波数が低すぎると、高い周波数の成分が別の低い周波数の成分として誤って記録されてしまう（エイリアシング）ことがあります。人間が聞き取れる音の上限は約20kHzとされ、音楽CDのサンプリング周波数44.1kHzは、この2倍を上回るように決められています。

他の選択肢が不適切な理由
・普遍近似定理：十分な数のニューロンを持つ隠れ層があれば、ニューラルネットワークはどのような連続関数でも近似できるという定理です。
・ノーフリーランチ定理：あらゆる問題で常に最も優れた万能のアルゴリズムは存在しないという定理です。
・ベイズの定理：条件付き確率の関係を表す定理です。

覚え方のポイント
「標本化定理＝最高周波数の2倍より細かく区切れば復元できる」。A-D変換（標本化→量子化→符号化）とセットで覚えましょう。

問105-7

「か」という音を「k」と「a」に分けるように、言葉の意味を区別する音声の最小の単位として、最も適切なものを1つ選びなさい。

①形態素
②フォルマント
③トークン
④音素

答えと解説を見る

正解 ④音素

解説
音素は、言葉の意味を区別する音声の最小の単位です。たとえば「かみ（紙）」と「かに（蟹）」は、「m」と「n」という音素の違いによって別の言葉として区別されます。日本語の「か」は、子音の「k」と母音の「a」という2つの音素に分けられます。音声認識では、音声の特徴から音素を推定し、それを単語や文につなげていく、という考え方が長く用いられてきました。

他の選択肢が不適切な理由
・形態素：文章を、意味を持つ最小の単位に分けたもので、自然言語処理で使われる単位です。音声の単位ではありません。
・フォルマント：声道の共鳴によって強められた周波数のピークで、母音の違いを特徴づけるものです。
・トークン：大規模言語モデルが文章を処理する際の単位です。

覚え方のポイント
「音素＝音の最小単位（音声）」「形態素＝意味の最小単位（文字の文章）」。どちらも「最小単位」ですが、扱う対象が異なる点に注意しましょう。

G検定は一般社団法人日本ディープラーニング協会の登録商標です。本ページは一般社団法人日本ディープラーニング協会とは一切関係ありません。

G検定の対策問題（全480問）に戻る

非公式の資格試験対策サイトです。一般社団法人日本ディープラーニング協会とは一切関係ありません。

※本ページでは、アクセス解析（Googleアナリティクス）と、広告の配信・成果の計測（A8.net）のためにCookie等を利用し、閲覧に関する情報をGoogle LLC・株式会社ファンコミュニケーションズへ送信しています。詳しくはプライバシーポリシーをご覧ください。

※本ページの問題・解説は、生成AI（人工知能）を活用して作成しています。