vggish模型的输出向量的维度不一样

VGGish使用了Google提供的预训练模型，目前通过调整阈值，听不清类别准确率达到95%的准确率3 标准问题匹配在实际交互过程；VGGish 模型的输入，得到一个 128 维的embedding，然后经过 BiLSTM + Attention 进行预测，判断说话人性别虽然性别识别的准；的VGG模型，称为VGGishVGGish能从音频波形中提取具有语义的128维embedding特征向量，其具体网络结构如下图所示 声音类。

例如语音模态的VGGish模型，视频的I3D ResNet模型，I3DRGB和I3DFlow特征2采用Attention来学习问题Query相关的多模；深度表示特征提取利用VGGish模型提取音频的深度特征加权联合预测结合宽度和深度模型的预测结果，通过投票法设置权重；为此，谷歌基于此前在AudioSet上的VGGish模型，实现了一个基于设备的神经网络语音检测器它能检测语音并自动管理到云端的网。

而为了识别接吻场景的声音，研究人员采用了名为VGGish的深度学习模型，通过每个以秒分段的场景的后960毫秒音频训练这种双管。

相当于每秒会得到一个128维的音频特征，VGGish 模型训练使用的是 Audio set 数据集，类似于在图片领域的 ImageNet 这样的模型。