если буфер добить нулями и сделать FFT то при правильной нормировке (Sqrt[512/348]) разницы нет и быть собственно не должно.
небольшая разница есть только из-за того что точек всё-таки не сильно много, и сетки частот разные.

Уменьшено до 87% 1334 x 1036 (109.72 килобайт)

зелёный график - ДФТ посчитанное Герцелем с шагом 1Гц. синий(348 точек) и желтый (512 точек = 348 + нули) график просто берут из него точки по разным сеткам частоты 8000/348 = 23Гц и 8000/512 = 15.6Гц соответственно

но если ваши алгоритмы распознавания чувствительны к такой разнице, то думаю можно сразу закапывать.

Я, наверное, неоптимально представляю, но для N отсчётов ДПФ требуется матрица размером N^2. Взяв по максимуму N=500 получим: 4*N^2=4*500^2/1024=976 КБ. Многовато.

1) считайте ДПФ Герцелем - пример в предыдущем посте на картинке. там только один косинус для каждой частоты считать надо. и можно и без таблицы.
2) делайте FFT.

Ну прямо в лоб-то считать не надо. Ваша таблица по рядам (и по столбцам) будет многократно повторяться.

Лучше составьте таблицу одного периода синуса на N=500 точек (для двоичного ЦПУ практичнее брать число N степени двойки, например N=512).
Для первой палки считаете МАКи, беря синусы: 0,1,2,..,499 (всего 500), для второй палки берете каждый второй: 0,2,4,..,498,0,2,4,..,498 (всего 500).
Для третьей палки берете каждый третий:0,3,6,.. (всего 500) и так далее.

Ну и не надо считать компоненты спектра (пресловутые "палки") выше частоты Найквиста, поскольку амплитудный спектр симметричен.

Для обработки речи что ДПФ, что БПФ - всё едино, т.к. любой микропроцессор успевает.
Например, в телефонном вокодере по 200 выборкам делают автокорреляцию,
по автокорреляции строят АР-фильтр, через фильтр пропускают синусоиды разной частоты,
выбирают синусоиды, на которые фильтр хорошо окликается
и делают интерполяцию частоты речевого сигнала.
На все это и многое другое типа вычисление периода основного тона, подбор сигнала возбуждения
тратится всего 20 млн.оп./с.