问题描述
我正在阅读 paper，在描述模型的段落中，
该模型通过在音频序列上滑动 0.35 秒的窗口，逐帧生成视频。帧每次向前移动 1 帧（0.04 秒）。
该模型在给定两个输入的情况下生成说话人脸的视频：(1) 音频片段，(2) 目标身份的静止图像（正面头像）。
引用的部分令人困惑。
例如，如果输入是 1.4 秒长的音频，模型会生成 4 帧的视频，对吗？
但该帧每次向前移动 1 帧，因此长度为 0.16 秒。
那么这意味着 1.4 秒长的音频变成了 0.16 秒长的视频。
我在哪里迷路了？
解决方法
我认为可能令人困惑的是视频的帧速率不一定完全划分为视频时间。
例如，如果您有每秒 2 帧的帧速率和 10 秒长的视频，那么很明显它会在第 20 帧或最后一帧恰好在 10 秒处停止。
如果您的视频时长仅为 9.45 秒，则视频会在最后一帧处停止 - 在本例中为 9.30 秒。