个人理解，语音转换的研究，基本都是从图像转换那里衍生过来的。而图像转换输入的是图像，那么语音转换输入的就是语音？NO，应该是语音的图像！也就是频谱图。
我们实际上输入的是sp ap mel倒谱系数，我们首先从音频文件中用库载入这些音频文件，然后提取出这些特征（提取的过程中可能包含编码、归一化、填充、分帧等），这些步骤就是预处理。我们放入生成器的东西，就是这些预处理的产物，就是这些特征序列。生成器生成的，也是特征序列，判别器判别的，也是这些特征序列。我们最终将生成的特征序列经过声码器，变成音频，这才是我们最终需要得到的东西。
看看这个starGAN-VC的图，看到生成器和判别器输入的是什么了吗？不就是我们上面说的频谱图吗？不正是声学特征嘛？
甭管那么多，你可以从各种VC代码里看到，我们预处理都是围绕这三大特征展开的，预处理后的东西放入生成器，也就是把这些特征放入生成器啊！！！
cycleGAN-VC也是一样啊！！！