哈喽大家好，上面几篇做法是提取的对数mel谱然后用VGG做embedding特征，是否靠谱不得而知，但效果很差是明显的，寡人猜测原因：1.VGG训练的数据很短，很干净，没有其他杂音；2.其他细节问题，比如参数的微调；3.其他特征？？
很多人骂我不分享代码，其实都是基础的东西，没有啥技术含量，这里分享下python一个版本stft【np中当然有直接的函数，这个版本也有依赖】。今天下午我有搜索下“音频分类在视频内容方面的应用”，也下载了很多毕业论文，过年看，没时间玩了。
不知道豪言壮志能不能实现【吹出去的牛逼实现了吗？？回家就不带电脑，只看论文可以不？拭目以待，等我来还债】
Flag立下了，实现不了就让我还单着，年后见！！！
待续。。。
