一些问题

[YoungSeng]

1. 文中有说按0.5s去切分动作，但看代码好像没有这个逻辑？这个逻辑在哪里呢？

每次匹配是4个codes（Gesture VQVAE的Downsample rate=8，即对应32帧，BEAT为60fps，即约为0.5s）的划窗生成

2. 动作的vq-vae是4s的，我理解是每4s的动作和4s的语音去匹配，不知道是否正确？ 我测试发现小于4s的语音是没法生成动作的

手势库中的database是按每32个codes一段保存的，是的，没有写对短于4s的padding代码；其实对长于4s的的最后一段不足4s的好像也没有处理直接丢掉了

3. Levenshtein distance在代码里并没有默认启用，这是为什么呢?

抱歉有疑问，是的，在生成自己的音频时不是总是文本信息，所以方便测试默认用语音的音频，代码很杂乱，供参考