我的项目的目的是确定输入的声音是否是人工产生的，如果是，则是什么声音（语音，尖叫，哭泣等）。因此，我发现了https://research.google.com/audioset//download.html，它提供了来自youtube的音频的音频集和带有类标签索引的csv。
我的问题是数据集的文件是具有这种格式的tfrecord文件à（如上面链接的页面所示）：
上下文：{ 功能：{ 关键：“ video_id” 值：{ bytes_list：{ 值：[YouTube视频ID字符串] } } }
功能：{ 键：“ start_time_seconds” 值：{ float_list：{ 价值：6.0 } } } 功能：{ 键：“ end_time_seconds” 值：{ float_list：{ 价值：16.0 } } } 功能：{ 关键：“标签” 值：{ int64_list：{ value：[1，522，11，172]＃标签的含义可以在这里找到。 } } } }
功能列表：{ feature_list：{ 关键：“音频嵌入” 值：{ 功能：{ bytes_list：{ 值：[128个8位量化特征] } } 功能：{ bytes_list：{ 值：[128个8位量化特征] } } } ...＃每隔一秒钟重复一次 }
}
所以，我的问题是要了解tfrecords文件中每个音频帧所属的音频类，并以[[audio1，'Speech']，[audio2，'Animal Sound']等方式映射它们。 ]训练神经网络模型。