这里至少有两个因素在起作用，可以解释为什么你会得到不同的结果：
1.熔点刻度没有单一的定义。Librosa有两种实现方式：Slaney和HTK。其他软件包可能也将使用不同的定义，导致不同的结果。话虽如此，总体情况应该是相似的。这就引出了第二个问题...

1. python_speech_features默认将能量作为第一（索引零）系数（appendEnergy默认为True），这意味着当您请求例如13MFCC时，您实际上得到12 + 1。
   换句话说，您不是在比较13个librosa与13个python_speech_features系数，而是在比较13个与12个系数。能量大小可能不同，因此由于色阶不同，产生的图像也会大不相同。
   现在，我将演示两个模块如何产生相似的结果：

import librosa
import python_speech_features
import matplotlib.pyplot as plt
from scipy.signal.windows import hann
import seaborn as sns

n_mfcc = 13
n_mels = 40
n_fft = 512 
hop_length = 160
fmin = 0
fmax = None
sr = 16000
y, sr = librosa.load(librosa.util.example_audio_file(), sr=sr, duration=5,offset=30)

mfcc_librosa = librosa.feature.mfcc(y=y, sr=sr, n_fft=n_fft,
                                    n_mfcc=n_mfcc, n_mels=n_mels,
                                    hop_length=hop_length,
                                    fmin=fmin, fmax=fmax, htk=False)

mfcc_speech = python_speech_features.mfcc(signal=y, samplerate=sr, winlen=n_fft / sr, winstep=hop_length / sr,
                                          numcep=n_mfcc, nfilt=n_mels, nfft=n_fft, lowfreq=fmin, highfreq=fmax,
                                          preemph=0.0, ceplifter=0, appendEnergy=False, winfunc=hann)

正如你所看到的规模是不同的，但整体图片看起来真的很相似。注意，我必须确保传递给模块的一些参数是相同的。

This answer是正确的（而且非常有用！），但并不完整，因为它没有解释两种方法之间的巨大差异。我的答案增加了一个重要的额外细节，但仍然没有实现精确匹配。
发生的事情很复杂，最好用下面一段冗长的代码来解释，它将librosa和python_speech_features与另一个包torchaudio进行了比较。

• 首先，注意torchaudio的实现有一个参数log_mels，它的默认值（False）模仿librosa的实现，但是如果设置为True，就会模仿python_speech_features。
• 其次，如果你深入研究torchaudio的实现代码，你会看到一个注解，默认不是“教科书实现”（torchaudio的话，但我相信他们），而是为了Librosa兼容性而提供的; torchaudio中从一个切换到另一个的关键操作是：

mel_specgram = self.MelSpectrogram(waveform)
    if self.log_mels:
        log_offset = 1e-6
        mel_specgram = torch.log(mel_specgram + log_offset)
    else:
        mel_specgram = self.amplitude_to_DB(mel_specgram)

• 第三，你会很自然地想知道你是否能强迫librosa正确地运行，答案是肯定的（或者至少，“看起来是这样”），直接获取mel谱图，获取它的nautral log，并使用它而不是原始样本作为librosa mfcc函数的输入，详细信息请参见下面的代码。
• 最后，请注意，如果您使用此代码，请务必检查查看不同特性时会发生什么。第0个特性仍然存在严重的无法解释的偏移，并且较高的特性往往会彼此偏离。这可能是一些简单的事情，如内部的不同实现或数值稳定常数略有不同，也可能是一些可以通过微调修复的事情。比如填充的选择或者分贝转换的参考。我真的不知道。

下面是一些示例代码：

import librosa
import python_speech_features
import matplotlib.pyplot as plt
from scipy.signal.windows import hann
import torchaudio.transforms
import torch

n_mfcc = 13
n_mels = 40
n_fft = 512 
hop_length = 160
fmin = 0
fmax = None
sr = 16000

melkwargs={"n_fft" : n_fft, "n_mels" : n_mels, "hop_length":hop_length, "f_min" : fmin, "f_max" : fmax}

y, sr = librosa.load(librosa.util.example_audio_file(), sr=sr, duration=5,offset=30)

# Default librosa with db mel scale 
mfcc_lib_db = librosa.feature.mfcc(y=y, sr=sr, n_fft=n_fft,
                                    n_mfcc=n_mfcc, n_mels=n_mels,
                                    hop_length=hop_length,
                                    fmin=fmin, fmax=fmax, htk=False)

# Nearly identical to above
# mfcc_lib_db = librosa.feature.mfcc(S=librosa.power_to_db(S), n_mfcc=n_mfcc, htk=False)

# Modified librosa with log mel scale (helper)
S = librosa.feature.melspectrogram(y=y, sr=sr, n_mels=n_mels, fmin=fmin, 
                                    fmax=fmax, hop_length=hop_length)

# Modified librosa with log mel scale
mfcc_lib_log = librosa.feature.mfcc(S=np.log(S+1e-6), n_mfcc=n_mfcc, htk=False)

# Python_speech_features 
mfcc_speech = python_speech_features.mfcc(signal=y, samplerate=sr, winlen=n_fft / sr, winstep=hop_length / sr,
                                          numcep=n_mfcc, nfilt=n_mels, nfft=n_fft, lowfreq=fmin, highfreq=fmax,
                                          preemph=0.0, ceplifter=0, appendEnergy=False, winfunc=hann)

# Torchaudio 'textbook' log mel scale 
mfcc_torch_log = torchaudio.transforms.MFCC(sample_rate=sr, n_mfcc=n_mfcc, 
                                            dct_type=2, norm='ortho', log_mels=True, 
                                            melkwargs=melkwargs)(torch.from_numpy(y))

# Torchaudio 'librosa compatible' default dB mel scale 
mfcc_torch_db = torchaudio.transforms.MFCC(sample_rate=sr, n_mfcc=n_mfcc, 
                                           dct_type=2, norm='ortho', log_mels=False, 
                                           melkwargs=melkwargs)(torch.from_numpy(y))

feature = 1 # <-------- Play with this!!
plt.subplot(2, 1, 1)

plt.plot(mfcc_lib_log.T[:,feature], 'k')
plt.plot(mfcc_lib_db.T[:,feature], 'b')
plt.plot(mfcc_speech[:,feature], 'r')
plt.plot(mfcc_torch_log.T[:,feature], 'c')
plt.plot(mfcc_torch_db.T[:,feature], 'g')
plt.grid()

plt.subplot(2, 2, 3)
plt.plot(mfcc_lib_log.T[:,feature], 'k')
plt.plot(mfcc_torch_log.T[:,feature], 'c')
plt.plot(mfcc_speech[:,feature], 'r')
plt.grid()

plt.subplot(2, 2, 4)
plt.plot(mfcc_lib_db.T[:,feature], 'b')
plt.plot(mfcc_torch_db.T[:,feature], 'g')
plt.grid()

老实说，这些实现都不能令人满意：

• Python_speech_features采用了一种莫名其妙的奇怪方法，即用能量替换第0个特征，而不是用它来增强，并且没有常用的delta实现
• Librosa在默认情况下是非标准的，没有警告，并且缺乏一种明显的方式来增加能量，但是在库的其他地方有一个非常胜任的delta函数。
• Torchaudio将模仿任何一个，也有一个多功能的delta函数，但仍然没有干净，明显的方式来获得能量。

关于与tf.signal的区别，对于任何仍在寻找这个的人：前段时间我也遇到过类似的问题：将librosa的 *mel滤波器组/mel谱图 * 匹配到tensorflow 实现。解决方案是对谱图使用不同的窗口方法，并将librosa的 mel 矩阵作为常量Tensor。请参见此处和此处。