请教多模态说话人日志处理问题

[liuruoling]

你好，我在运行3D-Speaker-main/egs/3dspeaker/speaker-diarization的run_video.sh，在speaker-diarization/local/vision_processer.py的第89行，frame_st, frame_ed = int(audio_sample_st/640), int(audio_sample_ed/640)，计算每个音频段的帧数时，为什么是将采样点数除以640，这样算出来是40ms一帧，640这个数是怎么得出来的。

据我所知，不同的视频帧率会不一样的，会对结果有什么影响吗？vision_processer.py是否对视频做过处理？

 for [audio_sample_st, audio_sample_ed] in self.audio_vad:
            # frame_st and frame_ed are the starting and ending frames of current interval.
            frame_st, frame_ed = int(audio_sample_st/640), int(audio_sample_ed/640)
            num_frames = frame_ed - frame_st + 1

[wanghuii1]

video帧率是25fps，audio是16k，模型只支持处理该类型的数据，run_video.sh中的stage2已经对音视频进行了格式转换。
frame_st和frame_ed指vad结果中audio片段对应的video片段起始帧，并非audio帧。audio_sample_st/16000*25=audio_sample_st/640