目次
録音に使われたマイクを特定できるとしたら、その録音の信頼性はどれほど高まるだろう。
音声の内容に左右されない方法で、マイクそのものの周波数特性から個体を見分けられるのか。
正弦波とニューラルネットワークを組み合わせてこの問いに答えた研究（Hafeezほか, 2019年）があるのでシェアしながら解説していきます。
マイクを特定するとは、何が難しかったのか
マイク識別（microphone identification）とは、録音に使われた特定のマイクを、その録音信号から見分ける技術です。
マイクは製造上のわずかなばらつきにより、同じ型番でも個体ごとに異なる音響的な痕跡を信号に残します。
この痕跡を手がかりに、録音がどのマイクで収録されたかを判定できれば、音声の証拠能力を支える forensic な道具になります。
従来の手法は、音声信号からマイクのインパルス応答（impulse response）を推定するものでした。
インパルス応答とは、ある線形時不変システム（linear time invariant system）に瞬間的な入力（インパルス）を与えたときの出力波形で、システムの特性を完全に表します。
録音の信号経路をこの線形時不変システムとみなし、そのインパルス応答を推定できれば、どのマイクかを判定できる、という考え方です。
問題は、従来の推定法が音声そのものに依存していた点です。
話者の声の特徴や発話内容が推定に影響するため、異なる話者や異なる発話内容では結果が安定しませんでした。
また、ブラインドチャネル同定（blind channel identification）と呼ばれる、元の信号もマイクの特性も未知のまま推定する手法では、RASTA-MFCC という音声特徴量を用いてガウス混合モデル（Gaussian mixture model, GMM）で分類する方法が取られていましたが、やはり音声に依存するという制約がありました。
そこで Hafeez ほか（2019年）が着目したのが、周波数応答（frequency response）です。
周波数応答とは、システムへの入力に対する出力の比を周波数ごとに表したもので、マイクがどの周波数を強調し、どの周波数を減衰させるかを示します。
これを正弦波掃引法（sine sweep method）で直接測定すれば、音声の影響を受けずにマイク固有の特性を取り出せます。
しかも、同じ製造元・同じ型番のマイクどうしでも、個体ごとに周波数応答が異なる（intraclass identification が可能）かもしれない。
この仮説を検証したのが、この研究です。
正弦波でマイクの個性をどう測ったのか
研究チームは、音声を一切使わず、純粋な正弦波トーンでマイクの周波数応答を測定しました。
100 Hz から 8000 Hz まで、100 Hz 刻みで 80 個の正弦波を生成し、それぞれを 50 秒間ずつ再生。
6 本のマイクで同時に録音しました。
内訳は Shure SM58 が 4 本、Audio-Technica ST 95MK が 2 本です。
同じ型番のマイクが複数含まれているのは、型番が同じでも個体差で識別できるかを検証するためです。
録音には ZOOM R-16 レコーダーを使い、サンプリング周波数 44.1 kHz、量子化 16 bits/sample で収録しました。
環境は小さなオフィスで、外部からの音の影響を抑えています。
1 本のマイクあたりの総録音時間は 4000 秒（80 音源×50 秒）に及びます。
周波数応答の推定は、録音された出力信号のフーリエ変換を、入力トーンのフーリエ変換で割ることで求めました。
この計算をマイクごとに 40 回繰り返し、応答の安定性を確認しています。
分類には多層ニューラルネットワークを使い、学習アルゴリズムとして scaled conjugate gradient backpropagation を採用しました。
入力は 80 個の周波数応答点、隠れ層は 10 ノード、出力は 6 本のマイクに対応する 6 ノードです。
ニューラルネットワークを選んだ理由として、著者らは周波数応答という安定した特徴量のパターン学習に適していることを挙げています。
100 ％ の識別率が示すもの
測定の結果、各マイクの周波数応答は極めて安定していました。
40 回の繰り返し測定で、平均値と標準偏差はほぼ同一でした。
ここまでは想定の範囲内です。
注目すべきは、同じ型番のマイクどうしでも周波数応答に明確な違いが現れた点です。
4 本の SM58 は互いに異なる応答曲線を示し、2 本の ST 95MK のあいだにも差がありました。
個体差が周波数応答に十分に現れるという、この研究の前提が裏付けられたことになります。
分類精度は次のとおりです。
訓練、検証、テストのすべての段階で 100 ％ の識別率を達成しました。
6 本のマイクすべてが、周波数応答のパターンだけで完全に見分けられたことになります。
この結果はどこまで通用するのか
著者らは、この研究の限界を明示的には述べていません。
そのため、研究の条件から自然に読み取れる適用範囲を整理します。
第一に、この研究で検証されたのは正弦波トーンに対する応答だけです。
実際の音声信号で同様の識別が可能かは、未検証のままです。
著者らも、音声録音への逆フィルタ適用を今後の課題としています。
第二に、対象としたマイクは Shure SM58（4 本）と Audio-Technica ST 95MK（2 本）の 6 本のみです。
他の製造元や他の型番で同様の結果が得られるかは、この研究からは言えません。
第三に、測定は管理された小さなオフィス環境で行われました。
異なる環境、とくに残響の多い場所や背景騒音がある現場で、周波数応答の推定がどの程度安定するかは未知です。
第四に、周波数範囲は 100 Hz から 8000 Hz に限られています。
この帯域外の情報を使えば、さらに識別が容易になる可能性も、逆にこの帯域が実用的に十分かどうかも、この研究だけでは判断できません。
この研究をどう受け止めるか
音声に依存しないマイク識別の可能性を示した点で、この研究は明確な一歩です。
音声の特徴量に頼っていた従来手法に対し、正弦波で直接測定した周波数応答が識別に十分な情報を持つこと、そして同じ型番のマイクにも個体差があることを、制御された条件で実証しました。
一方で、この結果を実務の forensic 分析にそのまま適用できる段階ではありません。
音声信号での検証、より多様なマイクと環境での再現、そして周波数範囲の拡張といった積み残しがあります。
100 ％ という数字は、あくまで 6 本のマイクを 80 点の正弦波応答で分類した条件下での達成であり、この枠組みの堅牢さを示す第一報として受け止めるのが妥当です。
参考資料
Azeem Hafeez, Khalid Mahmood Malik, Hafiz Malik「Exploiting Frequency Response for the identification of Microphone using Artificial Neural Networks」2019年、AES Conference on Audio Forensics, Porto, Portugal, 2019 June 18 – 20
原典の主張は、（Exploiting Frequency Response for the identification of Microphone using Artificial Neural Networks）をご参照ください。
