核心要点
原始波形 → 分帧加窗 → STFT 得到频谱（线性频率刻度）
梅尔频谱：用梅尔滤波器组把频谱映射到符合人耳感知的梅尔刻度，再取对数得对数梅尔谱
MFCC：对对数梅尔谱做 DCT，取前若干阶系数（常 13），得到紧凑、去相关的倒谱特征
深度学习时代多直接喂对数梅尔谱给 CNN/Transformer；MFCC 更常见于传统/轻量模型
标准回答
从波形到频谱
音频先分帧、加窗，再做短时傅里叶变换（STFT）得到随时间变化的频谱图，横轴时间、纵轴频率（线性刻度）、值为能量。
梅尔频谱
人耳对低频敏感、对高频分辨率下降，且感知近似对数。梅尔刻度就是这种感知刻度。把线性频谱通过一组梅尔三角滤波器加权汇聚到梅尔频带，再取对数（更贴近响度感知），即得对数梅尔频谱（log-Mel spectrogram）。它压缩了高频细节、突出语音相关频带。
MFCC
MFCC（梅尔倒谱系数）在对数梅尔谱基础上再做离散余弦变换（DCT），并只保留前若干阶（常 13 维）。DCT 起到去相关与降维作用，得到紧凑、各维近似独立的特征，传统上很适合 GMM-HMM 等模型。
如何选择
深度模型（Whisper、声学 CNN/Transformer）通常直接用对数梅尔谱，保留更多信息让网络自学；MFCC 维度低、计算省，适合资源受限或传统流水线。
常见误区
⚠️ 常见踩坑
MFCC 不是「另一种频谱」，而是对梅尔谱再做 DCT 的倒谱系数。现代深度模型多用梅尔谱而非 MFCC，因为 DCT 会丢信息且网络能自行去相关。
追问
追问 1：为什么用梅尔刻度而不是线性频率？
因为人耳对频率的感知是非线性的：低频处分辨率高、高频处分辨率低，近似对数关系。梅尔刻度模拟这一感知，使每个梅尔频带在感知上等距。这样特征更贴合人对语音/声音的辨别方式，在相同维度下保留对语音更有用的信息，提升下游识别效果。
追问 2：为什么深度学习更倾向直接用梅尔谱而非 MFCC？
MFCC 的 DCT 去相关是为 GMM 等假设特征独立的传统模型服务的，但会丢弃部分信息。神经网络（尤其 CNN/Transformer）能自行从相关特征中学表示，不需要人工去相关。保留信息更丰富的对数梅尔谱通常带来更高精度，因此成为现代声学模型的默认输入。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。