เมล สเปกโตรแกรม

It matters because it turns raw audio into a compact, perceptually meaningful image that powers most speech and music AI.

เมลสเปกโตรแกรมจะแปลงรูปคลื่นเสียงแบบหนึ่งมิติเป็นแผนที่สองมิติ: เวลาวิ่งไปตามแกนหนึ่ง ความถี่ไปตามอีกแกนหนึ่ง และสีหรือความสว่างแสดงพลังงาน จุดหักเหที่สำคัญคือเมลสเกล โดยความถี่จะถูกจัดกลุ่มเป็นแถบความถี่ที่แคบที่ระดับเสียงต่ำและกว้างขึ้นที่ระดับเสียงสูง ซึ่งตรงกับวิธีที่การได้ยินของมนุษย์แยกแยะโทนเสียงได้ดีกว่าที่ด้านล่างของช่วง สิ่งนี้ทำให้การแสดงมีขนาดเล็กลงและมีประโยชน์มากกว่าพล็อตความถี่ดิบ เนื่องจากดูเหมือนรูปภาพ เครือข่ายแบบหมุนวนและตัวแปลงสามารถประมวลผลได้โดยตรง ซึ่งเป็นสาเหตุที่เมลสเปกโตรแกรมรองรับการรู้จำเสียง การตรวจจับคำปลุก การแท็กเพลง และระบบแปลงข้อความเป็นคำพูดสมัยใหม่ที่สร้างเมลสเปกโตรแกรมก่อนที่จะเปลี่ยนกลับเป็นเสียง