我想比较两个语音文件。第一个文件（ref）和比较文件（comp）分别由不同的人发音。我的假设是，语音相似度越接近，发音、语调、语气就会相同。然而，问题是这两个文件的长度不同。可以比较吗？

!pip install librosa     # colab

import numpy as np
import matplotlib
import matplotlib.pyplot as plt
import librosa
import librosa.display

plt.figure(figsize=(10, 3))

x_1, fs_1 = librosa.load('voice_tar.wav')
x_2, fs_2 = librosa.load('voice_comp.wav')

print('<Voice_tar>', 'audio shape:', x_1.shape, 'length:', x_1.shape[0]/float(fs_1), 'secs')
print('<Voice_comp>', 'audio shape:', x_2.shape, 'length:', x_2.shape[0]/float(fs_2), 'secs')

fig, ax = plt.subplots(nrows=2, sharex=True, sharey=True)
librosa.display.waveshow(x_1, sr=fs_1, ax=ax[0])
ax[0].set(title='Voice_tar')
ax[0].label_outer()

librosa.display.waveshow(x_2, sr=fs_2, ax=ax[1])
ax[1].set(title='Voice_comp')

结果如下。
音频形状：(43395,) 长度：1.9680272108843537 秒
音频形状：(31673,) 长度：1.4364172335600907 秒

这是 2 个语音文件的图像。
2 个语音文件的图像

并且，如何获得 ibrosa.segment.cross_similarity() 的相似性？