Matplotlibを使ってPythonでMFCC（メル周波数ケプストラム係数）を可視化する方法

音声処理の分野では、MFCC（メル周波数ケプストラム係数）は音声認識や話者識別などで広く使われる重要な特徴量です。この記事では、PythonとMatplotlibを使ってMFCCをヒートマップ形式で可視化する手順を解説します。

実装の流れ

PythonでMFCCをプロットするには、以下の手順に従います。

• 図のサイズを設定し、サブプロット間および周囲の余白（パディング）を調整する。
• WAVファイルを開いて読み込む。
• 音声信号からMFCC特徴量を計算する。
• 図（figure）とサブプロットのセットを作成する。
• 配列の2つの軸を入れ替える（転置する）。
• データを2次元ラスタ画像として表示する。
• 図を画面に表示するには show() メソッドを使用する。

必要なライブラリ

このコードでは以下のライブラリを使用します。事前にインストールしておいてください。

• python_speech_features: MFCC特徴量の抽出に使用
• scipy: WAVファイルの読み込みに使用
• matplotlib: グラフの描画に使用
• numpy: 配列操作に使用

インストールは以下のコマンドで行えます。

pip install python_speech_features scipy matplotlib numpy

コード例

以下が実際のコード例です。

from python_speech_features import mfcc
import scipy.io.wavfile as wav
import matplotlib.pyplot as plt
import numpy as np

# 図のサイズとレイアウトの設定
plt.rcParams["figure.figsize"] = [7.50, 3.50]
plt.rcParams["figure.autolayout"] = True

# WAVファイルを読み込む
(rate, sig) = wav.read("my_audio.wav")

# 音声信号からMFCC特徴量を計算
mfcc_data = mfcc(sig, rate)

# 図とサブプロットを作成
fig, ax = plt.subplots()

# 軸を入れ替えて、時間軸を横方向にする
mfcc_data = np.swapaxes(mfcc_data, 0, 1)

# MFCCデータを画像として表示
cax = ax.imshow(mfcc_data, interpolation='nearest', cmap='copper', origin='lower')

plt.show()

コードのポイント解説

1. MFCCの計算

mfcc(sig, rate) 関数は、音声信号 sig とサンプリングレート rate を受け取り、MFCC特徴量の2次元配列を返します。デフォルトでは13個のケプストラム係数が計算されます。

2. 軸の入れ替え

np.swapaxes(mfcc_data, 0, 1) を使うことで、縦軸をケプストラム係数のインデックス、横軸を時間フレームにすることができます。これにより、一般的なMFCCスペクトログラムのような見た目になります。

3. imshowによる可視化

imshow() メソッドは、2次元配列を画像として描画します。cmap='copper' でカラーマップを指定し、origin='lower' によりY軸の向きを下から上に設定しています。

出力結果

コードを実行すると、横軸に時間フレーム、縦軸にケプストラム係数番号をとったMFCCのヒートマップが表示されます。色の濃淡が各係数の値の大きさを表しており、音声の特徴的なパターンを視覚的に確認できます。

この手法は、音声データの前処理確認や、特徴抽出が正しく行われているかの検証に非常に役立ちます。