詳細解釋
梅爾頻譜（Mel-Spectrogram）是人耳感知的頻譜表示，模擬人耳對頻率的非線性感知，是語音和音頻處理的標準輸入。
計算過程：
- 分幀：音頻切分短片段
- FFT：快速傅立葉變換得頻譜
- Mel濾波器組：合併頻率bin到Mel刻度
- 對數壓縮：取對數模擬人耳動態範圍
Mel刻度：
- 模擬人耳對低頻敏感、高頻不敏感
- 低頻區分細，高頻區分粗
- 線性頻率→Mel頻率公式
特性：
- 維度適中：通常80-128維
- 可視化：直觀顯示音頻內容
- 可逆性：可重建近似音頻
- 語義豐富：音高、音色、內容資訊
應用：
- 語音識別：ASR標準輸入
- 語音合成：聲碼器輸入
- 音樂分析：風格、情感識別
- 生成模型：音頻擴散條件
與其他表示的比較：
- 波形：原始，高維
- STFT：線性頻譜
- Mel譜：感知相關，最常用
是音頻AI的基礎表示。