我再试试

我就试试

@governcoco

降噪的方法有很多，传统数字信号领域有很多方式，
1. 最简单的一种方式是高通滤波器，你讲课的语音估计低频白噪占一部分，最好再加上 weight-A 计权，有助于提升语音降噪后的质量，当然在不同场景下噪声分布情况，可选择成熟的自适应滤波器也有很多如维纳滤波、卡尔曼等等；
2. 谱减法，这种方法需要估算下噪声的功率谱情况，频域上直接操作，某些场景下效果要好很多；
3. 深度学习相关，这种方式目前发的 paper 不少，语音增强和去噪方面取得了显著的进展，用常见 CNN 或 LSTM 等其他常用网络模型训练，需要对大量数据打标或生成相关场景下不同样本增强数据

大概这么多，希望对你有帮助

@airqj
1. 支持的功能比 pyAudioAnalysis 要多一些，支持数十种时频分析变换方法和数百种对应的时域、频域特征组合。
2. 性能高效，核心大部分 C 实现，基于不同平台 FFT 硬件加速，方便大规模数据特征提取。
3. 跨平台，支持移动端音频流实时计算，release 的时候已发布 android ，iOS 平台相关 so 库

@ppxiale 感谢
1. 支持的功能比 pyAudioAnalysis 要多一些，支持数十种时频分析变换方法和数百种对应的时域、频域特征组合。
2. 性能高效，核心大部分 C 实现，基于不同平台 FFT 硬件加速，方便大规模数据特征提取。
3. 跨平台，支持移动端音频流实时计算，release 的时候已发布 android ，iOS 平台相关 so 库

@zhengwu119 我这边真的没有什么经验，能上估计全靠运气。

@fanjk 大佬分析的非常有道理，GPT-4 已支持插件系统，预示着又一个“苹果商店”生态即将崛起，将对各行业都会产生深远影响，这里面机会非常多.

@collinmehle 是的，marktechpost 挺专业的，不少项目都有 github 开源，是学习找项目的好地方。

@arrhenius 666 感谢老铁

@xbcslzy 应该是，这个网站过来的量占大部分

@Lirika 英语一般，做研发查资料、写论文用的多些，习惯就好

@xbcslzy 国内高校优质项目不少，我这个估计应该排不上。

clash for Windows 上用 Mixin 实现。android 没用过不知道

@lbingl

librosa ，目前业界内常用的库，其过程命令式的接口实现设计，方便易用、易理解的同时，也加剧了其性能短板，大规模数据跑起来特别慢。

audioFlux ，音频特征较为全面，支持移动端，提供尽可能细粒度、体系化的特征维度和组合。算法使用 C 实现，性能要比 librosa 快很多。适合大规模特征提取。

@CMLab 是用 pip 安装的吗？ 之前编译时漏了 macOS arm 的支持，这两天会发布更新版本。
或者先使用源码自行编译可以支持 M1 芯片。

@xieren58 感谢老铁

@CMLab 你好，有音高估算的 demo 。


```
import numpy as np
import audioflux as af
from audioflux.type import PitchType

import matplotlib.pyplot as plt
from audioflux.display import fill_wave

# Read audio data and sample rate
audio_arr, sr = af.read(af.utils.sample_path('voice'))

obj = af.Pitch(pitch_type=PitchType.YIN)

fre_arr, value_arr1, value_arr2 = obj.pitch(audio_arr)
fre_arr[fre_arr < 1] = np.nan

# Display
fig, ax = plt.subplots(nrows=2, figsize=(8, 6), sharex=True)
times = np.arange(0, len(fre_arr)) * (obj.slide_length / obj.samplate)

fill_wave(audio_arr, samplate=sr, axes=ax[0])

ax[1].xaxis.set_label_text("Time(s)")
ax[1].yaxis.set_label_text("Frequency(Hz)")
ax[1].plot(times, fre_arr, label='fre', linewidth=3)
# set real plot
real_fre_arr = np.zeros_like(fre_arr)
real_fre_arr[25:48] = 261.6
real_fre_arr[56:78] = 293.7
real_fre_arr[87:107] = 329.6
real_fre_arr[118:135] = 349.2
real_fre_arr[150:169] = 392.0
real_fre_arr[179:200] = 440.0
real_fre_arr[212:243] = 493.9
real_fre_arr[real_fre_arr == 0] = np.nan
ax[1].plot(times, real_fre_arr, color='red', label='fre', linewidth=2)

plt.show()
```


没有

可惜后端不开源 并且还要收费使用。。