NOAI 2025 复赛题解｜第3题：声音变成图片，然后当CV题做

NOAI复赛 计算机视觉 / 音频处理

需要真题、资料，请拉到文末添加艾斯老师微信。

题目回顾

区分真实人声和 AI 合成语音。原始音频已转成梅尔频谱图，以 .pt 格式存储，形状 (1, 128, 94)。bonafide = 真实（标签 0），spoof = 合成（标签 1）。

题目提示："可以把这道题纯当做计算机视觉题来做。"

梅尔频谱图是什么

不用纠结物理细节 😌声音 → 梅尔频谱图 = 把声音变成一张"图片"。横轴时间，纵轴频率，颜色深浅表示能量大小。形状 (1, 128, 94)：单通道、128 个频率带、94 个时间帧。跟灰度图一样。

你要做的就是：对一张 128×94 的单通道图片做二分类。

思路一：ResNet18 Fine-tune

model = models.resnet18(pretrained=True) # 改第一层：频谱图是1通道，不是3通道 model.conv1 = nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3, bias=False) # 改最后一层：二分类 model.fc = nn.Linear(512, 1)

ImageNet 预训练的特征提取能力（边缘、纹理、模式）对频谱图也部分适用，fine-tune 比从头训练收敛更快。

思路二：轻量 CNN

3 层 Conv + BatchNorm + MaxPool，最后用 AdaptiveAvgPool2d(1) 全局平均池化——不用手算 feature map 尺寸。比 ResNet18 小很多，训练更快，如果数据量不大效果可能接近。

思路三：频谱图的数据增强

频谱图和普通图片有一个重要区别：横轴（时间）和纵轴（频率）语义不同。

知道"哪些增强能用、哪些不能用"，需要理解数据本身的物理含义，这是做过音频或信号处理项目的同学的优势。

容易踩的坑

坑 1通道数不匹配

频谱图是 1 通道，ResNet18 默认 3 通道。要么改 conv1，要么 x.repeat(1,3,1,1) 复制成 3 通道。

坑 2模型太大 epoch 不够

题目提示"如果选择比 ResNet18 规模大的模型，需控制训练 epoch 数量"。不要选 ResNet50 或更大的模型。

坑 3忘了归一化

频谱图数值可能是 dB 值（负数），也可能是 0~1。检查实际范围，做归一化。

区分度在哪

• ResNet18 fine-tune 最稳，但要正确处理通道数

• 轻量 CNN 效果可能接近但训练更快

• 数据增强要尊重频谱图的物理语义

这道题不难，但"当 CV 题做"不意味着无脑套 CV 的所有技巧。频谱图有自己的规则。