Microphone — モバイルデバイスにおける定義、種類、仕組み

マイクとは？

マイクは、音圧の振動を電気信号に変換する電気音響デバイスです。動作原理により、動電型（磁界内のコイル）、コンデンサ型（静電容量変化）、圧電型に分類されます。モバイルデバイスでは、その小型サイズ（2.5×1.5mm）と表面実装技術（SMD）との互換性から、圧倒的にコンデンサ型MEMSマイクが使用されています。

マイクは、音圧で振動するダイアフラムと固定電極で構成され、コンデンサを形成します。プレート間の距離の変化が静電容量を変え、出力電圧を変調します。MEMSマイクでは、ダイアフラムはフォトリソグラフィーによってポリシリコンから製造されます — これにより、バッチ内のすべてのマイクの特性が同一になります。

MEMSマイクの出力信号はPDM（パルス密度変調） — サンプリングレート1～4MHzの1ビットストリームです。スマートフォンのコーデックは、デジタル間引きフィルタを介してPDMをPCM（パルス符号変調）にデコードし、アプリケーション処理用に44.1～96kHz、16～24ビットの標準オーディオ形式を取得します。

MEMS vs エレクトレットマイク

MEMS登場以前、モバイルデバイスではエレクトレットコンデンサマイク（ECM）が使用されていました。これらでは、ダイアフラムが永久電荷（エレクトレット）を持ち、ダイアフラムの振動が交流電圧を生成していました。ECMマイクは大きく（4～6mm）、個別のプリアンプが必要で、PCBの面積が増加します。

MEMSマイクは、小型サイズ、安定した特性、標準SMDラインのはんだ付け対応により主流です。ただし、ECMは部品コストが低い（0.15～0.30ドル vs MEMSの0.25～0.60ドル）ため、低価格デバイスで引き続き使用されています。

マルチマイク構成：メイン、フロント、リア

最新のスマートフォンには3～4個のマイクが搭載されており、その配置が録音品質とノイズキャンセリングを決定します。メインマイク（下部）はUSB-Cポートの横の下端に配置され、通話やビデオ録画時にユーザーの音声を録音します。フロント（上部）マイクは上端にあり、音声コマンドやステレオ録音の2チャンネル目として使用されます。

リア（背面）マイクは通常、背面パネルのカメラ近くに配置され、ノイズキャンセリング専用に使用されます。その信号はオーディオファイルに録音されず、デジタルプロセッサによってメインマイクの信号から差し引かれるだけです。一部のフラッグシップモデル（iPhone 16 Pro、Samsung Galaxy S25）では、ビデオ通話時の録音品質を向上させるため、フロントカメラのノッチに4つ目のマイクが搭載されています。

ステレオビデオ録画は、下部と上部のマイクの組み合わせで実現されます。iOSはデバイスの向きに応じて自動的にマイクのペアを選択します — 横向きモードでは、左チャンネルは左端から、右チャンネルは右端から取得されます。Androidでは、このロジックはOEMメーカーの実装に依存し、モデルによって異なる場合があります。

Kotlin（Android）でのオーディオソース選択例

val recorder = AudioRecord(
    MediaRecorder.AudioSource.CAMCORDER,
    44100,
    AudioFormat.CHANNEL_IN_MONO,
    AudioFormat.ENCODING_PCM_16BIT,
    bufferSize
)
recorder.startRecording()

val buffer = ShortArray(bufferSize)
while (recorder.recordingState == AudioRecord.RECORDSTATE_RECORDING) {
    recorder.read(buffer, 0, buffer.size)
    // PCMバッファ処理
}

AudioSource.CAMCORDERはビデオ録画に最適なマイクを選択します — 通常は自動ゲイン制御付きの下部メインマイクです。音声録音にはVOICE_RECOGNITIONが使用されます — このソースは音声認識用のクリーンな信号を得るために、すべてのフィルタとノイズキャンセリングを無効にします。

スマートフォンのノイズキャンセリングの仕組み

スマートフォンのアクティブノイズキャンセリング（ANC）は差動方式に基づいています：2つ目の（参照）マイクが主に背景ノイズを録音し、メインマイクが音声とノイズの混合をキャプチャします。デジタル信号プロセッサ（DSP）が参照信号をメインから差し引き、クリーンな音声のみを残します。

ノイズキャンセリングの品質は、マイク間の距離と指向性に依存します。定常ノイズ（飛行機、ファン）の標準的な抑制量は20～35dBです。インパルス性ノイズ（ドアのバタン、食器の衝突）には、追加の過渡抑制ブロックが使用され、歪んだセグメントを隣接サンプルから近似した信号に置き換えます。

開発者は、オーディオセッションパラメータを介してのみノイズキャンセリングアルゴリズムに影響を与えられます：AndroidではAudioManager.setParameters("noise_suppression=on/off")、iOSでは.allowBluetoothA2DPオプション付きの.playAndRecordカテゴリのAVAudioSessionです。認識用の録音時には、ノイズキャンセリングは通常無効にされます — STTアルゴリズムは元の信号でより正確に動作します。

オーディオキャプチャ：Android AudioRecordとiOS AVAudioEngine

AudioRecord（Android）は、マイクからPCMデータを直接録音するための低レベルAPIです。アプリケーションは生のオーディオデータを含むバッファを受け取り、リアルタイムで処理できます：音量分析、周波数分析（FFT）、VAD（音声アクティビティ検出）。最小バッファサイズはAudioRecord.getMinBufferSize()で計算されます — より小さいサイズを使用すると、録音の遅延や失敗が発生します。

AVAudioEngine（iOS）は、入力ノード（AVAudioInputNode）がメインミキサーまたはタップハンドラに直接接続されるモジュラーオーディオ処理グラフです。エンジンは、RMS（二乗平均平方根） — 信号音量の指標 — とAVAudioUnitEQによる周波数スペクトルのリアルタイム分析を可能にします。

主要なプラットフォームの違い：iOSでは、録音に.playAndRecordまたは.recordカテゴリのAVAudioSessionの必須アクティベーションが必要です。Androidでは、RECORD_AUDIO権限（実行時権限）とマイクAudioSourceが必要です。Flutterはrecordプラグインを使用してこれらの違いを抽象化します。

Swift（iOS）でのオーディオキャプチャ例

import AVFoundation

let engine = AVAudioEngine()
let inputNode = engine.inputNode
let format = inputNode.outputFormat(forBus: 0)

inputNode.installTap(onBus: 0, bufferSize: 1024,
    format: format) { buffer, time in
    guard let channelData = buffer.floatChannelData else { return }
    let frameLength = Int(buffer.frameLength)
    var sumSquares: Float = 0

    for i in 0..<frameLength {
        sumSquares += channelData[0][i] * channelData[0][i]
    }
    let rms = sqrt(sumSquares / Float(frameLength))
    print("RMS音量: \(rms)")
}

try engine.start()

コードはAVAudioEngineの入力ノードにタップを設定します。各オーディオバッファには、マイクからのモノフォニック信号のfloatデータが含まれます。RMSは振幅の二乗平均平方根として計算されます — 0.0（無音）から～0.5～1.0（大きな声）の範囲の音の音量の標準的な指標です。

マイクの特性：SNR、AOP、周波数範囲

マイクの品質評価には主要なパラメータが使用されます。SNR（信号対雑音比）は、信号レベルとマイクの自己ノイズの比で、dBAで測定されます。SNRが高いほど、録音の背景ノイズが静かになります。音声通話には62～64dBAで十分で、音楽録音には68+dBAが必要です。

AOP（音響過負荷点）は、マイクがクリッピングなしで変換できる最大音圧レベル（SPL）です。標準的なMEMSマイクの場合、AOP = 125dBです。コンサート（110～120dB）では録音はクリーンですが、130+dB（近くの花火）では非線形歪みが発生します（THD > 10%）。

周波数範囲は、マイクが減衰なしで録音できる周波数を決定します。音声には300～3400Hz（電話標準、POTS）で十分です。音楽とビデオには20～20000Hzが必要です。最新世代のスマートフォン（Knowles SPH9855）のMEMSマイクは、±3dBの平坦度で30～18000Hzの範囲を提供します。