RNN 没有产生足够好的结果，而且也很难训练，所以我选择了 CNN。

因为特定的动物声音只有几秒钟长，我们可以将频谱图分成块。我使用了 3 秒的长度。然后，我们对每个块执行分类并对输出进行平均，从而为每个音频文件创建一个预测。这非常有效，而且实现起来也很简单。

更深入的解释可以在这里找到： http ://ceur-ws.org/Vol-1609/16090547.pdf

对于自动语音识别 (ASR)，滤波器组特征在频谱图上的表现与 CNN 一样好，见表 1。你可以在 fbank 上训练一个 DBN-DNN 系统来对动物的声音进行分类。

在实践中，较长的语音话语被划分为较短的话语，因为维特比解码对于较长的话语效果不佳。你也可以这样做。

您可以将较长的话语分成固定长度的较小话语。将较长的话语分成更小的话语很容易。问题在于增加较小话语的长度以达到固定长度。

您可以扭曲频谱图的频率轴以增强较小的话语。这种数据增强已被证明可以提高 ASR 性能数据增强。

对于其中包含多个声音的较长话语，您可以使用音乐分割算法将其分成多个话语。这些话语可以通过除法或扩充来制成固定长度。