我一直在使用这个脚本：
spgram = torchaudio.transforms.Spectrogram(512, hop_length=32)
audio = spgram(audio)
以获得一些立体声音乐音频的声谱图。我原以为得到的声谱图的形状是[2257，audio.shape[1]/32]，但事实并非如此。例如，大小为[2199488](sr=24576(的音频剪辑产生大小为[22576241]的声谱图(注意，199488/32=6234(。为什么？以及如何从帧位置转换为采样位置？
参见center参数。
是否在两侧填充
waveform，使得第t帧以时间t x hop_length为中心。(默认值：True(
因此，默认情况下，信号用零填充。填充长度可能为(win_length - hop_length(。这最终会使结果延长(win_length - hop_length) / hop_length，在您的情况下为7。