[语音处理] 声谱图（spectrogram）FBank（Mel_spectrogram）MFCC(Mel倒谱)到底用哪个作为NN输入？

一般来说一段音频先是经过傅里叶变换得到spec，然后经过三角滤波得到mel_spec,最后通过倒谱得到mfcc，这个过程中feature的维度在不断降低，这就意味着可能会存在信息上的损失。

那么在nn中到底该选哪个作为输入呢？

1. DNN做声学模型时，一般用fbank，不用mfcc，因为fbank信息更多 (mfcc是由mel fbank有损变换得到的）。
2. mfcc一般是GMM做声学模型时用的，因为通常GMM假设是diagonal协方差矩阵，而cepstral coefficient更符合这种假设。
3. linear spectrogram里面冗余信息太多了，维度也高，所以一般都不用。

参考：https://www.zhihu.com/question/269258229