音频维度问题

[YoungSeng]

关于DiffuseStyleGesture+提取出的特征的维度，提取音频特征的维度为什么要这样设置：40+64+2+2+1024+1

为什么MFCC是40，log-mel是64，韵律特征是4等等，这样设置有什么特别的用意吗，为什么要这样取特征的维度

[YoungSeng]

正如论文中所写的，这是一个冗余的特征，发现使用似乎显示更多的音频特征，能够使模型的表现更好；这是一个超参数，一般提取完直接用的是这些维度，当然可以调整，但是对效果应该不敏感。比如WavLM就是768维度的，large就是1024维度的。