语音合成目前比较流行的方案是Tacotron(2) + WaveNet(WaveRNN, LPCNet)等神经网络声码器。

这些方案的流程大致相同，先由文本生成特征谱，再将特征谱重建为音频。在选择特征谱的时候，有的使用了Mel谱，有的使用了倒谱。

本文通过梳理计算倒谱的流程，试图说明使用Mel谱和倒谱并无区别。

下图是Matlab计算倒谱的过程

可以分成以下几步：

1. 音频时域信号分帧
2. 对每一帧进行傅里叶变换，并取幅值，得到线性谱
3. 对线性谱进行Mel刻度的加权求和，得到Mel谱
4. 取log10，得到Fbank
5. 取离散余弦变换，得到倒谱系数

从以上过程可以知道，Mel谱和倒谱系数的区别，在于一个取对数和取离散余弦变换的过程。

我们知道，离散余弦变换是一个线性变换。线性变换对于神经网络来说是小菜一碟。所以Mel谱和倒谱系数的主要区别是取对数的过程。

在几乎所有的开源代码中，使用Mel谱特征的时候，都会对Mel谱特征求db值，也就是求一个N*log10()的值。其中N与mel谱幅值是否平方有关：如果Mel谱单是傅里叶变换后的幅值，那么N一般取10；如果Mel谱是傅里叶变换后幅值的平方，那么N一般取20。按照这样的方法，Mel谱特征和倒谱特征只差了一个线性变换矩阵，对于神经网络来说相当于没差。

所以，在使用Mel谱特征时，如果计算了db值，那么和使用Mfcc倒谱特征效果应是相同的。