Python tensorflow ffmpeg contrib输出

首先，我想说的是，我对TensorFlow和机器学习完全陌生。
我正在看contrib部分，我看到了解码音频文件的示例，我想知道解码音频文件的向量输出是什么？我正在运行的代码如下所示：

import tensorflow as tf
from tensorflow.contrib import ffmpeg
with tf.Session() as sess:
    audio_binary = tf.read_file('test.wav')
    waveform = ffmpeg.decode_audio(audio_binary, file_format='wav',
                                   samples_per_second=16000, channel_count=1)
    audio = waveform.eval()

---

然后，

audio

变量变成一个

numpy.ndarray

类型，它是一个单元素列表列表（总共约620000个元素），所有元素都在-0.50218207和0.39030123之间浮动。我的问题是：这些数字意味着什么？这是我完全不知道的某种标准音频表示吗？

波形中的每个浮点值都表示相应音频在离散时刻的振幅，具体取决于采样率（在这种情况下，每1/16000秒）。如果你看的是2个声道的音频，而不是1个声道，你会有另一个类似的数据阵列，从而得到一个等间距时间序列数据的2d矩阵

---

您可以通过查找周期周期或振幅变化来确定该波形分量的频率/基音。从正到负再到反的交叉可能代表基频，而较小的周期内振荡可能代表声音的谐波和泛音。通常使用快速傅里叶变换或类似方法进行此类分析。TensorFlow的实现肯定会让人着迷。

这更像是一个ffmpeg问题，而不是TensorFlow/机器学习问题吗？你读过ffmpeg文档吗？