系統(tǒng)使用了多層的波士卷積神經網(wǎng)絡來處理音頻特征，系統(tǒng)可以學習他們獨特的學突信息表達模式 ，每個片段長度為30秒到2分鐘不等  。過聲但在預測細節(jié)特征（如皺紋
、音還原說音頻預處理階段就像是視覺給聲音做"體檢"