上个月，一位名为@jojek的用户在评论中告诉我以下建议：
我可以打赌，如果有足够的数据，CNN 在梅尔能量上的表现将优于 MFCC。你应该试试。对梅尔谱图进行卷积比对去相关系数进行卷积更有意义。
是的，我在 Mel-filterbank 能量上尝试了 CNN，它的性能优于 MFCC，但我仍然不知道原因！
尽管许多教程（例如 Tensorflow 的 this）鼓励在此类应用中使用 MFCC：
由于人耳对某些频率比其他频率更敏感，因此语音识别中的传统做法是对此表示进行进一步处理，将其转换为一组梅尔频率倒谱系数，简称 MFCC。
另外，我想知道 Mel-Filterbank 能量是否仅在 CNN 下优于 MFCC，或者 LSTM、DNN 等也如此。如果您添加参考，我将不胜感激。
更新1：
虽然我对@Nikolay的回答的评论包含相关细节，但我将在这里添加：
如果我错了，请纠正我，因为在这种情况下，对梅尔滤波器组能量应用 DCT 相当于 IDFT，在我看来，当我们保留 2-13（含）倒谱系数并丢弃其余部分时，相当于低时间提升以隔离声道成分，并丢弃源成分（例如具有 F0 尖峰）。
那么，既然我关心的语音命令识别模型就是声道组件，为什么我要使用所有 40 个 MFCC？
更新2
另一个观点（链接）是：
请注意，26 个 DCT 系数中仅保留了 12 个。这是因为较高的 DCT 系数代表滤波器组能量的快速变化，而且事实证明这些快速变化实际上会降低ASR 性能，因此我们通过丢弃它们来获得小的改进。
参考资料：
https://tspace.library.utoronto.ca/bitstream/1807/44123/1/Mohamed_Abdel-rahman_201406_PhD_thesis.pdf
问题是，MFCC 是通过简单的矩阵乘法和降维从梅尔能量计算出来的。该矩阵乘法不会影响任何内容，因为任何其他神经网络随后都会应用许多其他操作。
重要的是降维，而不是 40 梅尔能量，而是采用 13 梅尔系数，剩下的就丢掉了。这会降低 CNN、DNN 等的准确性。
但是，如果您不放弃并仍然使用 40 个 MFCC，您可以获得与梅尔能量相同的精度，甚至更好的精度。
所以 MEL 或 MFCC 并不重要，重要的是你的特征中保留了多少个系数。
伙计，我也被同样的问题所困扰，目前我有几个假设，并且我仍在尝试忍受它。 (1) mfcc适用于处理不同基频的谐波，例如log(mn)-log(mq)=log(n)-log(q)，这意味着无论基频距离如何变化两个和声之间不会改变。这个结果在泛化情况下非常有用，因为即使不同的人以不同的基本频率发音元音，mffc 也不会改变。
(2) 目前mfcc很容易受到nosie和其他声音成分的影响，因此，在应用mfcc之前，现在我正在尝试提取谐波声音。