第10章 現代聲音AI#

過去十年，聲音處理的主角從手工特徵與統計模型換成了深度神經網路。本書大部分章節介紹的經典演算法並沒有消失——它們轉身成為神經網路的「前處理表示」（梅爾頻譜）、度量工具（FFT、STFT、自相關）與理論基礎。本章把這條新舊交會的路走完。

首先建立深度學習聲音模型的基礎觀念：從原始波形端到端學習，或在 STFT/梅爾頻譜上疊加 1D/2D 摺積與 Transformer；討論折疊時頻表示、感受野、殘差連結與正規化，並實作一個簡單的神經網路前端推論流程（以數值方式展示摺積與池化對波形/頻譜的作用）。接著是聲源分離：從老式的 STA/W 统计法、非負矩陣分解（NMF），到今日的時域模型 Conv-TasNet 與合唱式的混合式模型，並以 numpy 示範 NMF 把混合頻譜分解成人聲與伴奏兩組基底。最後以「聲音演算法實戰總結」收尾：把全書演算法分門別類、提出架構選型心法、常見陷阱與效能清單，並給出一個把端點偵測、特徵提取、壓縮與後處理串成一條應用流水線的總複習。

學完本章，你將既懂「為什麼」也懂「現在怎麼做」，能站在經典與 AI 的交界上設計自己的聲音系統。