[总结] Vggish对音频特征的提取

VGGish提取特征过程

输入数据为wav音频文件，音频文件的特征提取过程如下：

1. 将音频重采样为16kHz单声道音频；

2. 使用25 ms的Hann时窗，10 ms的帧移对音频进行短时傅里叶变换得到频谱图；

3. 通过将频谱图映射到64阶mel滤波器组中 计算mel声谱；

4. 计算 log(mel-spectrum + 0.01)，得到稳定的 mel 声谱，所加的 0.01 的偏置是为了避免对 0 取对数；

5. 然后这些特征被以 0.96s的时长被组帧，并且没有帧的重叠，每一帧都包含 64 个mel 频带，时长 10ms（即总共 96 帧）。

VGGish模型输出数据格式为[nums_frames， 128]，其中nums_frames为帧长，nums_frames=音频时长/0.96。