可以进行Fbank特征提取的库有两个：
一个是python_speech_features另一个是pytorch中的torchaudio
import python_speech_features as psf
import torchaudio as ta
对应的两个函数分别是：
ta.compliance.kaldi.fbank
psf.base.logfbank
ta调用了kaldi中的特征提取模块
kaldi 和 python_speech_features 生成fbank特征的不同地方在于以下几点：
转自：https://zhuanlan.zhihu.com/p/55371926
1.预加重不同：
* kaldi是先加窗分帧，再对帧内进行预加重；python_speech_features是全体先预加重，然后再分帧；
* 再看预加重，会发现，对于音频数据（譬如10,17,13,15, ...）第一个数据10，python_speech_features是不变(预加重系数0.97，预加重后是 10,7.3,-3.489,2.39,...)，kaldi是第一个数据也做预加重(预加重后是 0.3,7.3,-3.489,2.39,...)
2. 分帧数不同，功率谱计算不同
python_speech_features 对最后还剩余的数据，不足帧长的，按照一帧计算补齐；
kaldi 如果选择不切断最后剩余数据（snip-edged = False），会发现多了一帧（个人认为这里kaldi错了，python_speech_features正确）；如果snip-edged = True，两者一致
功率谱计算不同：
python_speech_features 计算功率谱是：1.0/NFFT * numpy.square(magspec(frames,NFFT))
kaldi 没有乘1.0/NFFT
3. 梅尔滤波器组计算方法不同
kaldi是在梅尔坐标转换后的梅尔值域计算，index是hz的定义域，通过梅尔转换后比较(个人认为计算量偏大，每次计算都要经过一次转换)；
而python_speech_features是先将linspace后的梅尔值统一转成了hz，再进行计算，index也是hz的定义域，计算量小
其实上述两种的本质是一样的，计算方法不同会导致系数存在差异
