MFCC和语谱图的关系

链接：https://www.zhihu.com/question/370985747/answer/1046843830

语谱图一般口语上说的是语音的log谱特征，就是你用audition或者Audacity看到的横轴是时间，纵轴是频域的图像。简单看一下语音特征的提取过程就可以知道这两者之间的关系了：

1. 对语音序列做STFT，其中包括分帧，加窗和对每一帧的DFT变换，一般在语音识别里面会在加窗之后加一步预加重，输出的结果是复数（DFT的原因）。
2. STFT的结果取模称为线性谱，再加log称为log谱，此处对应语谱图的概念。
3. 对线性谱做mel滤波，即乘上一组mel滤波系数（就是一组三角滤波器，放大了低频的成分），结果称为filter bank（fbank）特征，一般这一步单独拿来用的话也会加上log，称为log fbank特征。
4. MFCC特征就是对log fbank特征做DCT变换进行去相关之后的结果，实际操作也就是成一个DCT变换矩阵。

所以中间就是存在一个mel滤波的概念，从log谱是可以转到MFCC特征的（求一个exp，再做两个线性变换就行），此外，DCT变换是可逆的，所以MFCC和fbank特征也可以进行相互转换，但是从谱特征到fbank的过程不行的（滤波组矩阵不可逆），这一点清楚就行。