D'après ce que j'en comprend, FFT est surtout utilisé pour piloter le système psycho-acoustique (principalement pour détecter les fréquences qui peuvent être éliminées sans gêne).

Mais il est trop grossier et trop consommateur en temps de calcul pour être directement utilisé pour la compression elle-même.

Le MDCT est - lui - chargé de découper le signal à compresser:
- en bandes (sachant que la largeur et l'emplacement de ces bandes peut varier pour s'adapter au signal à compresser.).
- en frames (morceaux), en effectuant un recouvrement des frames pour éviter des 'sauts' dans le signal à la jonction de deux frames.