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）
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.
一、采样率（采样频率）：每秒内进行采样的次数
每秒内进行采样的次数。符号是 fS，单位是 Hz。采样率越高，数字波形的形状就越接近原始模拟波形，声音的还原就越真实。
根据奈奎斯特·香农采样定理（Nyquist–Shannon sampling theorem），只有采样频率高于原始模拟信号中最高频率两倍，才能完美还原原信号。 常用的采样率如下图所示
二、帧长
三、帧移
四、hop_size
五、nb_samples
nb_samples表示一帧音频数据中采样的数量（次数），nb_sample