Python 如何确保独立音频文件的帧大小一致？

我目前正在尝试回归网络，以提取MFCC特征。网络的输入是采样和加帧的音频文件，我似乎在做这件事时遇到了一些问题，或者以一种方式来做，这样我就得到了一致的输出——这意味着一致的帧大小，因为它不能作为神经网络的输入

我目前正在对每个音频文件进行采样和分帧，如下所示：

def load_sound_files(file_paths , data_input):
    raw_sounds = []
    data_output = []
    for fp in file_paths:
        y,sr = librosa.load(fp)
        X = librosa.util.frame(y)
        raw_sounds.append(X)
    return raw_sounds

这意味着每个音频都会附加到一个列表中，每个列表中都有一个带帧音频文件的数组

[array([[frame],[frame],...,[frame]],dtype=float32), ...]

我试着打印这个

print raw_sounds[0].shape
print raw_sounds[1].shape

得到了这个结果

(2048, 121)
(2048, 96)

但是为什么我会得到这个结果呢？我没有改变任何关于框架选项的东西，为什么它们不同呢

---

如果没有办法保持一致，那么如何训练一个能够做到这一点的神经网络，并且输入不一致？

音频文件是长度不同的序列

处理可变长度输入有多种方法。通常，您会将固定尺寸的输入多次输入到神经网络，每个音频帧一次。然后，网络使用诸如LSTM或seq2seq（其在变化中，但在contrib/seq2seq中）之类的体系结构从序列中学习。您还可以使用简单的DNN（前馈）体系结构。

您的结果

(2048, 121)
(2048, 96)

给出帧长度和帧数。因此帧大小实际上是2048个样本的长度。两者之间的唯一区别是，第一个声音文件有121帧，第二个声音文件有96帧