最近、仕事でPythonを使ってグラフを作ることが増えてきたので、「音もデータエンジニアっぽくいじってみたらどうなるか？」を試してみました。
題材にしたのは、うちのネコのゴロゴロ音と、洗濯機の動作音です。「なんか家電っぽいゴロゴロだな」と感じることがあり、本当に“それっぽい”のかを軽く検証してみます。

この記事でやることはざっくり次の3つです。

ネコと洗濯機の音声を 16kHz モノラル・RMS 正規化・3秒 にそろえる
スペクトログラムで、時間×周波数の違いをざっくり眺める
MFCC＋UMAP で、特徴量空間での「近さ」を確認する

こんなことやってみた

ネコのゴロゴロ音と洗濯機の音をスマホで録音し、ローカルの Python から読み込んで遊びました。
今回は Web アプリまでは作らず、あくまで「音をデータとして前処理→可視化するところまで」をゴールにしています。

やったことの流れはこんな感じです。

mp3 を Audacity で wav に変換
Python（librosa）で読み込んで、16kHz モノラル化
RMS 正規化と 3 秒へのトリミング／パディング
スペクトログラムの描画
0.5 秒ごとに区切って MFCC を取り、平均＋標準偏差で要約
UMAP で 2 次元に圧縮して散布図にプロット

コードは全部ローカルで完結するので、実データ（ネコ音・洗濯機音）は公開せず、画像だけ記事に載せる想定です。

前処理の方針

録音条件が違う音をそのまま比べると、マイク位置や録音レベルの差が目立ってしまいます。
そこで、最低限のルールを決めて両方の音声をそろえました。

16kHz モノラル化

ネコのゴロゴロや洗濯機のモータ音は、主に低〜中域に成分があります。
16kHz サンプリングなら、必要なところはだいたいカバーできそう
今回は音色比較が目的なのでステレオ情報は捨てて、モノラルに変換しました。

RMS 正規化

ネコを至近距離で録った音と、少し離れたところから録った洗濯機音では、波形の振幅が全然違います。
それぞれの音の“平均的な音量”を測ってから、目標の音量に近づくようにボリュームを調整します。
こうしておくと、スペクトログラムの「明るさ」が録音レベルの違いではなく、周波数分布の違いとして見やすくなります。

3 秒にそろえる

ネコ音も洗濯機音も、3 秒あればゴロゴロ 1〜2 サイクルや回転パターンがそこそこ入ります。
両方とも 3 秒にトリミングして、「同じ長さのスナップショット」を比較できるようにしました。

以降は、この前処理後の3秒音声を使って可視化していきます。

スペクトログラムで見てみる

まずは人間にも直感的なスペクトログラムで、時間×周波数の分布を眺めてみます。

横軸：時間（0〜3 秒）
縦軸：周波数（0〜8kHz）
色　：各時刻×周波数でのエネルギー量（dB）

表示してみると、だいたいこんな傾向が見えました。

ネコのゴロゴロ音
- 低〜中域の明るい帯が、時間方向に細かく揺れている。
- 強くなったり弱くなったりする“息づかい”のような変化がある。
洗濯機音
- ある程度決まった帯域が、比較的安定して光り続けている。
- モータが一定で回り続けているような「持続的な帯」に見える。

スペクトログラムだけを見ると「性格は違うけれど、どちらも低〜中域にエネルギーが集中している」ことが分かります。
耳で感じていた「家電っぽいゴロゴロ」という印象も、完全に外れてはいなさそうです。

今回使った特徴量（MFCC）

見た目だけでなく、「音を数値にしたときも似ているのか」をざっくり見るために、MFCC を使いました。

MFCC（Mel-Frequency Cepstral Coefficients）は、ざっくり言うと：

音を短い時間窓に区切って周波数成分を調べる
人間の耳の感じ方に近い「メル尺度」で低音は細かく・高音はざっくりグループ分けする
いろいろな高さの音の強さを、人間の耳っぽいスケールに直してから、「音色の輪郭」だけを少ない数字に圧縮する

という処理で得られる「音色の指紋」です。
標準的には 13 次元が多いので、この記事でも MFCC 13 次元 を使いました。

0.5 秒ごとに MFCC を要約する

ネコと洗濯機の 3 秒波形を、そのまま 1 サンプルとして扱うと、サンプル数が極端に少なくなります。
そこで、3 秒を 0.5 秒ごと（6 区間） に分けて、それぞれを 1 サンプルとして特徴量を作りました。

1 区間（0.5 秒）については、内部でさらに短いフレームに分けて MFCC を計算したうえで、次のように要約しています。

各 MFCC 次元ごとに
- フレーム方向の 平均値（mean）
- フレーム方向の 標準偏差（σ）
13 次元 ×（平均＋標準偏差）＝ 26 個の数字

この 26 次元ベクトルを「その 0.5 秒の音の指紋」として使い、ネコと洗濯機それぞれから複数サンプルを作りました。

UMAP で 2 次元に圧縮してみる

26 次元ベクトルのままだと人間にはイメージしづらいので、UMAP で 2 次元に圧縮して散布図にしました。

入力：各 0.5 秒区間の MFCC 平均＋標準偏差（26 次元）
出力：UMAP-1（横軸）、UMAP-2（縦軸）の 2 次元座標
可視化：ネコ区間をオレンジ、洗濯機区間を紫で描画

UMAP の軸は「周波数」や「時間」そのものではなく、

高次元の特徴量空間での違いをうまくばらすために学習された、抽象的な 1 つめの方向（UMAP-1）
それと独立な 2 つめの方向（UMAP-2）

というイメージです。なので、軸そのものに意味付けをするというより、「点どうしが近いか・離れているか」を見るための座標だと割り切って使いました。

UMAP の結果から分かったこと

UMAP 上にプロットしてみると、ネコ（cat）と洗濯機（wash）の点は、きれいに左右に分裂するわけではなく、ほぼ同じエリアの中に点在 しました。

もし特徴量が大きく違っていれば、オレンジの塊と紫の塊が、離れた場所に 2 集団として現れます。
今回は、両方の点が同じ近辺に散らばっているので、

「MFCC の 26 次元特徴量で見ても、ネコのゴロゴロと洗濯機の連続音は“完全に別物”というより、かなり近い性質の音として扱われている」

と解釈できます。

サンプル数は少ないので厳密な結論ではありませんが、「家電っぽいゴロゴロに聞こえる」という耳の感覚は、シンプルな特徴量空間でもそれなりに筋が通っていた、と言えそうです。

ここ注意（やってみて気になった点）

サンプル数が少ない
3 秒×1 本ずつを 0.5 秒に分けただけなので、統計的には心許ないです。本気で分類器を作るなら、もっと多くの録音・条件でデータを集める必要があります。
窓長と特徴量設計
0.5 秒の平均＋標準偏差は、かなりおおざっぱなまとめ方です。周期性や立ち上がり／終わり方も含めて区別したいなら、もう少し長い時間にする、時間方向のパターンを特徴量に含めるなどの工夫が要りそうです。
UMAP の解釈
UMAP の軸そのものには深い意味を持たせていなくて、「似ているサンプル同士が近くに並ぶ座標」くらいの理解で止めています。

まとめ

ネコのゴロゴロ音と洗濯機の音を、
16kHz モノラル・RMS 正規化・3 秒固定 という最小のルールでそろえてから、スペクトログラムと MFCC＋UMAP で可視化してみました。
スペクトログラムでは、「ネコ＝低〜中域の細かいゆらぎ」「洗濯機＝特定帯域の持続」という違いがありつつも、エネルギーが乗っている帯域はそこそこ似ていました。
0.5 秒ごとに MFCC 13 次元を計算し、その平均＋標準偏差の 26 次元ベクトルを UMAP に流すと、ネコ区間と洗濯機区間の点は、だいたい同じところに散らばる結果になりました。
→ 特徴量空間でも「完全に別世界」ではなく、「似たキャラクターの連続音」として扱われている、ということになります。

日常の「なんかこのゴロゴロ、家電っぽいよね」という違和感を、データエンジニア的な前処理と軽い特徴量可視化で確認してみた、という小ネタでした。
次の遊びとしては、この 26 次元特徴量をそのままデータベースに入れてクラスタリングしたり、日によって“いつもと違うゴロゴロ”を検知する異常検知に回してみるのも面白そうです。