纵轴为频率，横轴为时间，灰度为响度
原理...ai图像生成数字信号图片用的傅里叶变换把线条和颜色分解为频率从而可以深度学习，而本身就是频率的音频自然也可以从深度学习的图像中转换回来..在短时长上的性能还能接受，长时长估计要等后面技术升级
原英文详细页面:https://www.riffusion.com/about
头脑风暴_妈妈生的.gif