看视频时,我们常常会下意识地把声音和画面联系起来。 听见琴声,就去看演奏的人;听见狗叫,就去找画面里的小狗;机器突然响起来,目光也会移向正在运转的部件。 这个过程对人很自然,但对程序来说,要同时理解声