问题描述
我正在尝试使用一小部分声音作为LSTM的输入，以进行说话人识别。
问题在于每个语音样本的长度都不同。
输入到网络的频谱图是具有不同形状的矩阵。
我尝试了批处理训练，批处理大小等于每个频谱图中的帧（子阵列）数。拟合模型时，我必须传递与频谱图中的帧数相同大小的标签向量。
因此，它基本上在每一帧上一次训练，并且丢失了时间信息。
你有什么建议？
如果需要，我可以提供更多详细信息。
解决方法
暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！
如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@）