はじめに
双方向の音声通信を実装するにあたり、PDMマイクとI2Sマイクという2つの音声認識マイクがあることを知ったので違いをまとめておく。
PDM：音声信号をパルス密度で表現
PDM（Pulse Density Modulation）マイクは、デジタル方式のマイクで、音声信号をパルスの密度で表現する
- 簡素なハードウェア構成：PDMは配線がシンプルで、低コストなマイクによく使われる。
- 処理が複雑：PDM信号はそのままでは音声として使えず、デシメーションフィルタ（高周波成分を取り除く処理）が必要になる。この処理をプログラムで実装する必要があるため、ソフトウェアの負担が増える。
音声信号を直接「1ビットのパルス列」として出力し、音が大きい部分は「1」の密度が高く、小さい部分は「0」の密度が高くなる。変換された信号は「高密度の1と0」で構成されており、人間の可聴領域（20Hz〜20kHz）を超える高周波成分も含んでいる。
この高周波成分が原因で、スピーカーから音声を出力しても「ノイズ混じり」や「ひずみ」が発生するため、高周波成分は取り除いて、人間が聞き取れる滑らかな音声波形を得る必要がある。
I2Sマイク：音声データをPCM形式で送信
I2S（Inter-IC Sound）マイクは、音声データをI2Sプロトコルで伝送するデジタルマイク。I2Sは音声用の標準インターフェースであり、オーディオ機器などにも幅広く使われている。
- シンプルなソフトウェア処理：I2Sマイクは、音声データがすでにPCM（パルス符号変調）形式で出力されるため、特別なフィルタ処理が不要で、データをそのまま扱える。
- 高音質：I2Sはノイズの影響を受けにくく、PDMよりも音質が良い傾向がある。
- 外部接続例：INMP441などのI2SマイクはESP32に簡単に接続できる。
I2Sでは、音声データをPCM（Pulse Code Modulation）形式で送信する。PCMは音声波形を直接デジタルデータに変換したもの。この変換過程では、アナログ信号を一定の間隔でサンプリングし、それを量子化してデジタル値として記録する。
アナログ音声のサンプリング
- アナログ音声を一定のサンプリングレート（例：44.1kHz）でデジタルデータに変換する
量子化（ビット深度）
- 音声の振幅を16ビットや24ビットなどのデジタル値で表す
I2Sプロトコルでの伝送
- 生成されたデジタルデータが左チャンネル・右チャンネル交互に送信されるシリアル通信方式で送られる。
- クロック信号（SCK）、ワードセレクト信号（WS）、データ信号（DATA）の3本のラインで、音声データがタイミングよく送られる。このI2Sプロトコールで必要な3本の信号線の役割は後述
I2SとPDMマイクの具体例
アナログ信号（連続波形）
仮に、アナログの音声波形が以下のような波形だとする。
アナログ波形： ↗︎ ↘︎ ↗︎ ↘︎ ↗︎
振幅値（イメージ）：0.2 0.5 0.8 0.5 0.2I2Sマイク：44.1kHz / 16ビット量子化の例
- 量子化範囲：0〜65,535
- 0.2の振幅 → 13,107（65,535 × 0.2）
- 0.5の振幅 → 32,767（65,535 × 0.5）
- 0.8の振幅 → 52,428（65,535 × 0.8）
デジタル化後のデータ（16ビット）：
13,107 32,767 52,428 32,767 13,107量子化の時点で音声データは「離散的なデジタル値の連なり」になっている。これが音楽データや音声ファイルの内部で保持される形。
PCMデータとしてそのまま扱えるため、デシメーションやフィルタリングを必要とせず、スピーカーで再生する際はそのままアナログ信号に戻される。
PCMは「振幅」と「時間」の2次元で音声を表現する。
PDMマイク：3MHz / 1ビットの例
PDM信号例： 110101111011111011010音が大きいほど「1」の密度が増し、小さいほど「0」が増える。PDMは、量子化された値ではなく「1と0の密度」で音を表現する方式であり、高い解像度の音を1ビットで表現するため（1ビットでしか表現できないため）、サンプリング周波数を非常に高くする必要がある。CD音質が44.1kHzであるのに対して、PDMは2〜3MHzなどの高サンプリングレートで処理される。
言い換えると、瞬間的な振幅を直接表現できず、時間方向（密度）だけで音の大きさを間接的に表す一次元的な方式のため、1回のサンプリングで振幅を表現する手段がないため、時間方向に大量のデータを蓄積して初めて振幅がわかる。PDMは「時間」の1次元でしか音を表現できない。
結果として高サンプリングにより「1と0のパルスが高速で切り替わる」状態が発生し、この高速の切り替え自体が、人間の耳には聞こえない高周波成分となる。結果として、信号には音声成分（低周波）と、不要な高周波成分が同時に含まれることになる。
高周波成分を事後的にデシメーションフィルタ（ローパスフィルタ）を使って取り除く必要がある。
I2Sプロトコールで必要な3本の信号線：BLCK/SCK・WS・DATA
- BCLK / SCK：マスター（例ESP32）とスレーブ（例：INMP441マイク）の間でデータ転送のタイミングを決めるクロック信号。BCLK（Bit Clock）ともSCK（Serial Clock）とも呼ばれる。表記はメーカーによって異なるのみでBCLK=SCKと考えて良い
- WS：左右チャンネルの切り替えを制御する信号。ステレオ音声では「左」と「右」で異なる音声データをイヤホンやスピーカーに送る必要があり、左のスピーカーから出る音と右のスピーカーから出る音が異なることで、立体感や広がりが生まれる。ただ必須ではなくモノラル音声で良い場合は配線しなくて良い。L/R（Left/Right）とも記載される
- DATA：実際の音声データを送るライン。
BCLKの立ち上がりごとに1ビットが送信される。BCLKがないと、INMP441がデータを出力するタイミングが不定になり、ESP32が正しく音声データを受信できない。
WSが「0」のときに左チャンネル（L1, L2, L3…）、WSが「1」のときに右チャンネル（R1, R2, R3…）が送られる。
BCLK: |‾|_|‾|_|‾|_|‾|_|‾|_|‾|_|‾|_|
WS: |‾‾‾‾‾‾‾‾|___________|‾‾‾‾‾‾‾‾|
DATA: L1 L2 L3 R1 R2 R3 L4 L5 L6 R4 R5 R6
