渐渐上了轨道。
一切的一切仅仅因为相信自己能做好，也必须做好。
不懂就去查，去问，去找资料，去找视频。
渐渐的，我开始懂了，也慢慢有了系统性的理解。
随后经常能发散思维。
最近，
在自动增益，
音频降噪，
语速检测，
相位谱重建各个算法之间穿梭。
慢慢有所产出，有所突破。
特别是在音频降噪领域，
不能算质的飞跃，
但是确实摸到了一些规律。
而写完相位谱重建算法之后，
我也突发奇想，
相位谱既然能通过高斯分布的思路进行重建，
那是不是可以说明，
高斯分布可以用来作为音频算法的信号标准化，归一化。
这是一个值得去研究的方向，
音频信号的高斯归一化。
前面面试了一家公司的时候，
提到说音频通过能量谱可以重建相位谱，
那面试官好像认定我是傻子，
就好像觉得我是在胡扯一样。
真的懒得解释，
实操是验证真理的唯一标准。
而语速检测，
其实有点类似音乐的节拍检测，
只不过一定要去除空白帧，
因为空白从另一个角度来说，
可以认为是停顿，或者说换气。
所以语速检测的思路也可以基本确认。
而自动增益方面，
找资料的时候发现一个神奇的标准，EBU R128，
这里就不科普展开了，感兴趣的可以维基一下。
这个算法在FFMEPG里面有很详细的实现，
抠出来算法代码，直接应用，
效果不要太好。
近期，终于回到广东，
在南京接受了太多的负能量，回来之后真的有获得新生的感觉。
世界顿时和平。
相对于深度学习而言，
我还是比较检测采用传统算法去实现降噪增益等处理，
原因也很简单，音频时效性特别重要。
采用深度学习很多时候要做大量的工作才能保证时效性了，
从软件，硬件的角度来说，音频不比图像好处理。
自然挑战也多了起来，
不过庆幸的是，
在傻逼一样的坚持之后，
不采用深度学习方案的音频降噪，
终于达到近乎可以商用的程度了。
当然最近也在思考算法的下一步优化方案。
继续验证思路，继续改良。
这里放出linux系统下的可执行文件，供大家评测。
下载地址：https://files.cnblogs.com/files/cpuimage/denoise.zip
解压后采用命令行: ./denoise sample.wav
执行后生成降噪后的文件sample_out.wav
现在是自适应降噪强度，
降噪后自动做增益，
后续计划加上降噪的强度控制。
噪声样本自行寻觅，
比较好找。就不提供了。
在音频这条路上，
如果我走偏了，大家记得把我拉回来。