必须用tf.signal.stft以保证梯度可回传，手写FFT会切断计算图；其输出复数需转幅度谱（tf.abs），并设pad_end=True、合理配置frame_length/step以避免shape错误和时频分辨率失衡。
STFT特征提取为什么必须用tf.signal.stft而不是手写FFT
直接调用tf.signal.stft才能保证训练时梯度可回传，手写FFT（比如用tf.fft或NumPy）会切断计算图。它默认输出复数张量，但CNN无法直接处理复数，所以必须转成实部+虚部拼接或幅度谱——后者更常用，也更鲁棒。
常见错误是忽略pad_end=True参数，导致batch内音频长度不一致时报ValueError: All tensors must have the same shape；另一个坑是frame_length和frame_step没对齐采样率，例如16kHz音频用512/256帧长/步长，对应约32ms/16ms窗，太小易受噪声干扰，太大则丢失语音起始细节。
- 推荐配置：
frame_length=512,frame_step=128,fft_length=512,pad_end=True - 幅度谱计算用
tf.abs(stft_result)，别用tf.math.log做log压缩——先留着线性尺度，让CNN自己学归一化 - 输出形状是
[batch, time_frames, freq_bins]，需用tf.expand_dims(..., -1)加通道维才能喂给CNN
CNN输入维度怎么和STFT输出对齐
TensorFlow的Conv2D要求输入是[batch, height, width, channels]，而STFT幅度谱是[batch, time, freq]。这里time对应height，freq对应width，必须显式reshape或expand_dims，不能依赖自动广播。
如果直接把[batch, time, freq]送进Conv2D会报ValueError: Input 0 of layer conv2d is incompatible with the layer，因为缺channel维。另外，freq_bins数量由fft_length//2+1决定（实信号单边谱），512点FFT得257个频点，这个数固定，不能在模型里动态适配。
立即学习“Python免费学习笔记（深入）”；
- 正确做法：
stft_mag = tf.abs(tf.signal.stft(...))→spec_img = tf.expand_dims(stft_mag, -1) - 第一层
Conv2D建议用kernel_size=(3, 3)，strides=(2, 2)快速降维，避免time维过长拖慢训练 - 别用
GlobalAveragePooling2D收尾——它抹平了时间结构，端点检测需要帧级输出，改用TimeDistributed(Dense(1, activation='sigmoid'))
标签怎么构造才匹配CNN帧级输出
语音端点检测本质是序列二分类：每帧判“有声”或“无声”。标签不能只标开头/结尾时间点，必须生成和STFT输出time_frames等长的0-1向量。常见错误是用原始音频采样点打标后直接映射，忽略了STFT的帧重叠和padding带来的偏移。
关键要对齐：假设frame_step=128、采样率16kHz，则每帧对应128/16000≈8ms真实时间；第i帧覆盖时间区间[i×8ms, (i+1)×8ms]。标签生成必须基于这个映射，而非简单除法取整。
- 用
librosa.time_to_frames或手动算：label_frame = int(round(true_time_sec * sr / frame_step)) - 静音段前后各扩展1~2帧（即8~16ms），缓解帧边界判决模糊问题
- 训练时用
tf.keras.losses.BinaryCrossentropy(from_logits=False)，输出层用sigmoid，别用softmax——这是二分类，不是多类
为什么验证时要用滑动平均而非单帧阈值判断
CNN输出的是每帧概率，但真实端点是连续区间。直接对输出设0.5阈值会产生大量碎点（尤其在信噪比低时），导致“咔哒”声或漏切。必须后处理：对CNN输出做长度为3~5帧的移动平均，再阈值化，能显著提升VAD鲁棒性。
这个步骤不能写进模型训练流程（否则梯度不准），必须放在model.predict()之后。TensorFlow Serving部署时也得把这段逻辑打包进预/后处理函数，否则线上效果断崖下跌。
- 示例后处理：
smoothed = np.convolve(preds[0], np.ones(3)/3, mode='same') - 端点提取用
scipy.ndimage.find_objects或手动找连续True区间，别用np.where逐点判断 - 实际部署前务必用真实通话录音（带键盘声、呼吸声、远场混响）测F1，仅用clean数据集训的模型上线后大概率失效
