人们在处理机器学习任务（如音乐分类）中的长音频片段（2分钟-5分钟，44.1khz）时会做些什么？
除了缩减采样之外是否有任何方法可以帮助减少音频数据的维数？
答案 0 :(得分：2)
通常，您要提取频谱图或MFCC等频率特征，然后对它们进行分类。它们的值低于原始音频，因此更容易分析。
你可以在这里找到一些频谱图和MFCC的可视化（与语音有关，但与音阶有关）：
https://www.kaggle.com/davids1992/speech-visualization-and-exploration
请注意，汇总会降低CNN中数据的维度。
所以找到光谱分析。你很少使用原始波，虽然它们也开始工作，如WaveNet：
https://deepmind.com/blog/wavenet-generative-model-raw-audio/