电话回铃中，包含 ：空号、关机、无法接通、正常振铃、或者嘟嘟声 等不同描述

使用ASR语音转写过于占用资源，需要一个高性能的音频分类模型，建立有效的特征抽取方法，推理电话振铃中的回铃类型。

线上真实推理的场景：
线上的500ms、1s、5s 音频传递给模型（实际使用中为流式，累积音频时长去持续判断），模型反馈 可能的分类。
有可能的场景是1个5秒的音频，前2秒时振铃，后3秒是关机报错：“您拨打的” 但并未说完，
需要输出 ： 0-2s：概率最大的分类和概率值、 2-5s：关机概率最大的分类和概率值

可提供的训练集：
不同类别音频量各3000个，原始回铃音文件，前面的振铃音需要自行通过VAD或其他方式预处理掉。

交付结果：
1）分类模型和推理使用的方法
2）中间训练和预处理的过程说明（特征、模型、框架，优先使用Python相关技术栈）
3）性能越高越好，至少单机QPS能做到500，单核推理的返回速度控制在 100ms 以内