请教一些关于数据集的收集和微调问题

[954028118]

1 关于voxceleb2数据集，我下载了不同来源的几份数据后发现视频的分辨率都是224224，作者是在这个224224的基础上resize到某个固定的大小，再通过数据预处理的pipeline得出最终256256的训练数据吗？
2 对于256256分辨率的中文微调，参照论文及各个issue知道只需微调unet的stage2即可，这部分的微调数据是只需要一些（中文数据集）即可还是说应该是（原始训练集+自定义中文数据集），还有就是微调的数据量大概需要多少个小时的数据呢？