语音信号处理-基本概念（一）：音频长度（s）、采样率（Hz；如16000）、帧长（25ms）、帧数、帧移（12.5ms）、hop_size（每帧移动的样本点数=16000*12.5/1000=200）一、采样率（采样频率）：每秒内进行采样的次数二、帧长三、帧移四、hop_size五、nb_samples
需要明白一点，mel帧数 * 帧移 = 音频长度（采样点个数，可换算为音频时长，具体怎么做不用说了吧）因此，对于22050采样率， hopsize大小设置为256， 那么对应的mel-spectrogram需要上采样 256倍如果是16000采样率呢？使用帧长是50ms,帧移 12.5ms 那么hop_size就是200（16000*12.5/1000=200）啦，所以上采样倍数就是200倍啦.......
