Issue on long time audio reconstruction

[Goya-ye]

你好，我对这项工作十分感兴趣，但是我在尝试的时候，发现对于10s以内的音频来说重建效果非常不错，而对于相对较长的音频（比如30s）来说，重建效果并不稳定，会出现基本听不清内容的问题，想问一下你们是否在实验时有发现过这个问题，感谢解答

[cantabile-kwok]

你好，抱歉才看到（github不知为何没通知）
30s的音频在训练数据中几乎属于长度上限，这个模型可能还是在见过的长度内性能比较好。对于“听不清内容”，是指整句话几乎都是噪音，还是说仍然是人声但发音模糊呢？可否分享一个会产生问题的输入音频，以便复现一下？