所以问题是你想对一些音频样本进行分类，但每个样本都有不同的大小。AFAIK 没有使用（简单）神经网络执行此操作的特殊方法。

对于一般分类器，我相信有很多方法，但这些方法非常简单，因此您可以开始解决这个问题：

1. 将您的信号除以相同大小的帧/段，并使用每一帧，就好像它是一个训练示例一样。最后，您将使用投票策略。由于您使用的是神经网络，因此您可以使用最后一层的概率输出而不是硬类来加权此投票。

2. 使用信号中所有帧/段的平均值。这是一种非常轻量级的方法，但有时可以产生良好的结果。

无论哪种方式，在“特征提取”部分，您都需要使用一些基于光谱的转换。我建议使用频谱的对数或计算 MFCC 向量。你也可以从原始音频训练你的网络，但这有点不寻常。

您应该注意，由于粒度的原因，这两种方法完全破坏了系统的动态。尝试使用帧大小或聚合相邻帧来增加或减少粒度。