---
title: "梅爾頻譜圖（Mel Spectrogram）"
slug: mel-spectrogram
language: zh-TW
source: https://aiterms.tw/terms/mel-spectrogram
updated_at: 2026-04-29
tags: [語音辨識, 特徵工程, 資料處理, 深度學習, AI基礎]
ipas_term: false
---

# 梅爾頻譜圖（Mel Spectrogram）

> **你有沒有想過，手機聽懂你說話，背後先把聲音變成什麼樣的圖？**
>
> 你可以把梅爾頻譜圖想成，先把聲音切成時間和頻率的圖，再用更接近人耳聽感的尺度表示。
> 它重要在於，很多語音辨識和音訊分類模型，不是直接吃原始聲波，而是先吃這種圖。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆

> **梅爾頻譜圖 vs 原始波形**
>
> 梅爾頻譜圖：把聲音轉成可學習的二維表示。
> 原始波形：保留最原始的振幅隨時間變化。
> 最關鍵的區別：前者更適合模型學特徵，後者保留的是原始訊號。

> **梅爾頻譜圖 vs 一般頻譜圖**
>
> 梅爾頻譜圖：頻率軸會依人耳感知重新壓縮。
> 一般頻譜圖：直接看線性頻率分布。
> 最關鍵的區別：梅爾尺度更貼近人類聽覺。

### 記住這句就好

> 把聲音變成更像人耳感覺的圖，再交給模型。

### 實際案例

> **語音辨識前處理**
>
> 你講一句話後，系統先算出梅爾頻譜圖，再送進模型辨認每個音節和字詞。

> **環境音分類**
>
> 模型聽到警報、引擎或鳥叫時，先把聲音轉成頻譜圖，辨識會比直接處理波形更穩。

### 算法與應用

> 它通常會先做短時傅立葉轉換，再把線性頻率映射到梅爾尺度。
> 視窗長度、步長和梅爾濾波器數量，都會影響最後的圖長什麼樣。
> 在語音和音訊任務裡，它常被視為一種很重要的特徵工程。

### 情境判斷

> **Q1（情境題）：** 如果你要做語音辨識，直接丟波形就夠了嗎？
>
> → 看模型設計。端到端模型可以直接吃波形，但很多傳統或輕量方法仍會先用梅爾頻譜圖。

> **Q2（情境題）：** 如果聲音很吵，梅爾頻譜圖還有用嗎？
>
> → 有用，但不保證夠。還要搭配降噪、增強資料和更好的模型設計。

### 常見問題

> **Q：梅爾頻譜圖一定是彩色圖嗎？**
>
> 不一定。它本質上是數值矩陣，顏色只是視覺化方式。

> **Q：它和語音辨識是同一件事嗎？**
>
> 不是。梅爾頻譜圖是輸入特徵，語音辨識是任務。

> **Q：音樂分析也會用梅爾頻譜圖嗎？**
>
> 會，像樂器分類、情緒分析、節拍偵測都可能用到。

### 相關術語

> - **語音辨識**：梅爾頻譜圖最常服務的任務。
> - **電腦視覺**：把聲音圖像化後，很多視覺模型也能派上用場。
> - **特徵工程**：這就是聲音領域很典型的特徵工程。
> - **嵌入表示**：音訊也可以被壓成更容易學的表示。
> - **深度學習**：現在大多數音訊模型都建立在它上面。

---

來源：https://aiterms.tw/terms/mel-spectrogram
快查頁：https://aiterms.tw/terms/mel-spectrogram
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-mel-spectrogram