当前的采样频率为11025HZ，overlap=0.5，取的是1024个采样点为1帧。则time step为256时的时间长度为11秒。即以11秒为单位分割原始的音频，生成一张语普图。

>>> 512.0*256/11025.0
11.888616780045352

当采样频率为16000HZ，overlap=0.5，取的是1024个采样点为1帧。则time step为256时的时间长度为8秒。

>>> 512.0*256/16000.0
8.192

当采样频率为44100HZ，overlap=0.5，取的是1024个采样点为1帧。则time step为256时的时间长度为3秒。

>>> 512.0*256/44100.0
2.972154195011338

假设以s秒为单位分割语音，即每s秒生成一张语普图，设采样频率为rhz，overlap=0.5,则应该取多少个采样点（设为x）为1帧呢？time step应该为多少（设为y）呢？

满足如下公式：x*0.5*y/r = s

设s = 1,r=16000,则 x* y = 2*r*s = 32000，假设x=1000,则 y=32