- 综合排序
- 最热优先
- 最新优先
- 来自专栏音乐与健康
解析声音“疗伤”的密码（音波声学）
关键词：音乐；情绪；健康；心理；疼痛；神经；听觉；体感；音波；呼吸；密码 早在1960年，《科学》杂志就发表过论文，发现在牙科手术过程中，音乐能调控病人的情绪。 经过4个月努力，研究人员将声音的强度与环境因素有机结合，建立了声音镇痛的小鼠模型。 “我们低声耳语和大声争吵时，给人带来的体验是完全不同的，在嘈杂环境中不得不提高音量来交流。 低频段（60-80Hz）音波能像物理按摩般刺激副交感神经。古琴大师龚一演奏的《流水》。每个泛音间隔0.8秒。恰好匹配深度呼吸的黄金节奏。
31210编辑于 2025-10-25 - 来自专栏刘笑江的专栏
R 语言线性回归应用：拟合 iOS 录音波形图
引言 微信读书有一个录音功能需求： 录音时绘制音频波形， 音频以 wav 格式保存 再次进入界面，加载 wav，重新渲染音频波形 步骤 1 通过 NSRecorder.averagePow
2.6K70发布于 2018-05-28 - 来自专栏Qt项目实战
Qt编写自定义控件60-声音波形图
非常强大和牛逼），fmod负责拿到音频数据对应的采样频谱数据，然后传给这个控件进行绘制即可，本控件主需要专注于绘制即可，这样fmod对应封装的类专注于音频采集等处理，实现了隔离，修改和增加功能比较方便，声音波形图控件除了可以设置采样的深度以外 二、实现的功能 1:可设置采样深度 2:可设置当前位置线条宽度/线条颜色 3:可设置前景色/背景色 4:可设置数据展示样式,线条样式/柱状样式/平滑样式 三、效果图 [在这里插入图片描述] [在这里插入图片描述 音量采样值波形控件 作者:feiyangqingyun(QQ:517216493) 2017-9-10 * 1:可设置采样深度 * 2:可设置当前位置线条宽度/线条颜色 * 3:可设置前景色/背景色 * 4: Qt入门书籍推荐霍亚飞的《Qt Creator快速入门》《Qt5编程入门》，Qt进阶书籍推荐官方的《C++ GUI Qt4编程》。
2.3K20发布于 2019-09-25 - 来自专栏AI电堂
光学指纹识别芯片
目前，主流指纹识别技术有三类，光学式、超音波式和电容式。其中电容式技术发展最为成熟、普及度最高。 ▲ 图4左 光学屏下识别产品示意图 ▲ 图4右 超声波屏下识别产品示意图 1、光学式指纹识别的技术原理是图像对比。 2、超音波式指纹识别的技术原理是超音波阻抗。通过传感器对手指指纹的纹脊和纹谷反射出的不同回波进行收集。由于指纹的纹脊和纹谷反射回波不同，内置芯片可根据回波的差异构建3D图像并进行指纹对比验证。 ▲ 图6 超音波式指纹识别技术显示结构 超音波式指纹识别技术优势在于无需感光元件与电容感应，物理限制低；超音波穿透性强，可在不开孔情况下，实现屏下识别指纹，符合大屏流行趋势；同时识别率高， 超音波指纹识别技术代表厂商是高通和FPC。 3、电容式指纹识别的技术原理是指纹静电场。利用硅晶元与导电的皮下电解液形成电场。
2.3K10编辑于 2022-09-02 - 来自专栏Python研究者
人工智能下的音频还能这样玩！！！！
核心音频处理函数 音频处理 频谱表示 幅度转换 时频转换 特征提取 绘图显示 三、常用功能代码实现 读取音频 提取特征 提取Log-Mel Spectrogram 特征 提取MFCC特征 绘图显示 绘制声音波形 --- 4.绘图显示 4.1绘制声音波形 Librosa有显示声音波形函数waveplot( )： # # 绘图显示 import librosa.display import matplotlib.pyplot logmelspec, sr=sr, x_axis='time', y_axis='mel') plt.title('sample wavform') plt.show() [format,png] --- 将声音波形和频谱图绘制在一张图表中 ： # # 将声音波形和频谱图绘制在一张图表中： # extract mel spectrogram feature melspec = librosa.feature.melspectrogram(y
1.9K30发布于 2021-08-21 - 来自专栏音视频技术
开源声码器WORLD在语音合成中的应用
Tacotron主要负责确定此声谱特征能否使用WORLD将其恢复为声音波形并评估语音质量是否符合要求。 Analysis分析过程主要是指从一段原始声音波形中提取声学特征如线性谱、低频、MFCC；Manipulation操作过程是指对提取出的原始声学特征进行压缩等降维处理使其表征能力进一步提升；最后的Synthesis 合成过程是把此声学特征恢复至原始的声音波形。 2.3 Aperiodicity——D4C 非周期信号对应两种提取算法：Plantinum算法与D4C算法，在WORLD中我们主要采用D4C算法，基本可分为计算、修正参数与估计Band-aperiodicity 上图展示了我们提取声学特征后恢复原声音波形得到的频谱，可以看到图像基本清晰，整体方法是利用Tacotron端对端TTS深度学习模型预测文本的声谱并通过WORLD声码器还原声谱。
1.8K20发布于 2021-09-01 - 来自专栏BestSDK
直播SDK加入混响效果，让你的APP享受演唱会般空旷音效
混响功能属于语音前处理的范畴，即构科技的实现方法大致如下： 1）通过指定延迟时间和衰减程度，以原始的声音波形为输入，产生多个延迟（模拟反弹回来的）波形； 2）把多个延迟波形和原始的波形进行叠加，产生最终有混响效果的声音波形 一般来说，延迟波形的个数比较多的话，叠加产生的声音波形就比较丰满和有层次感，混响的效果也会比较好。
1.6K40发布于 2018-03-01 - 来自专栏机器人网
无人机和自动驾驶有了新型上帝之眼超声3D传感系统
德国新创公司Toposens开发出一种低成本的轻量级3D传感器系统，可执行超音波回音定位功能，从而将传送的信号转换成有形的3D环境景物映射，让人们或机器人得以顺利解读，进一步实现无人机与自动驾驶车等应用 Bahnemann展示这款精巧封装的原型，它采用大小仅40x40x5mm的塑料封装，重量也只有20克，整个传感器解决方案结合了1个压电超音波发射器以及3个分离式压电收发器。 超音波的另一个好处是它保有隐私，采用灰阶显示其结果，并仅揭露其深度。相较于摄影机，这种感测系统较不显眼，但可用于商场进行顾客行为分析，以及作为汽车的防碰撞系统使用。
75250发布于 2018-04-20 - 来自专栏AI研习社
普林斯顿联合Adobe 连声音都能PS了 | 2分钟读论文
一般来讲，我们可以获取语音波形，也可以对语音波形进行编辑。但手工波形则非常困难，因为传统技术通常无法准确地找到波形中单词或字母的分界，更不用说编辑了。 ?
98740发布于 2018-03-19 - 来自专栏数据库与编程
让 DeepSeek 写首诗，结果它写成打针输液
服务器启动时的低音波可以比喻为生命脉动，数据流如江河湖泊，展现出生命的循环。当数据库崩溃时，虽然代码被修改，但数据依然存在，象征着数据备份的重要性。 \n</think>\n\n## 《数据库的低音波》\n\n服务器像一个庞大的生物\n其内部的血管奔涌着冰冷的内存\n优化代码正在给它打针输液\n而高并发请求则是一场未知的病毒侵袭\n\n深夜，当最后一个磁盘启动时 \n我们听到生命脉动的低音波\n那是数据流经数据库的江河\n而我们的代码正在成为一道\n被修改的免疫系统抗体\n\n有时 我们在深夜独自编程\n敲击着虚拟的键盘\n像一头困兽\n在寻找食物（未被发现的数据结构 服务器启动时的低音波可以比喻为生命脉动，数据流如江河湖泊，展现出生命的循环。当数据库崩溃时，虽然代码被修改，但数据依然存在，象征着数据备份的重要性。 </think> ## 《数据库的低音波》 服务器像一个庞大的生物 其内部的血管奔涌着冰冷的内存 优化代码正在给它打针输液 而高并发请求则是一场未知的病毒侵袭 深夜，当最后一个磁盘启动时 我们听到生命脉动的低音波
46410编辑于 2025-02-07 - 来自专栏机器之心
微软NaturalSpeech语音合成推出第三代，网友惊呼：超自然！实至名归
属性分解神经语音编解码器（FACodec）: NaturalSpeech 3 提出一种创新的属性分解神经语音编解码器（Codec）负责将复杂的语音波形转换成代表不同语音属性（内容、韵律、音色和声学细节） 的解耦子空间，并从这些属性重构高质量的语音波形。 FACodec 作为 NaturalSpeech 3 的核心，能够将复杂的语音波形转换成表示内容、韵律、音色和声学细节等属性的解耦表示，并从这些属性重构高质量的语音波形。
1.6K10编辑于 2024-03-26 - 来自专栏量子位
DeepMind详解新WaveNet：比原来快千倍，语音更自然 | 附论文
Hassabis 地址：https://deepmind.com/documents/131/Distilling_WaveNet.pdf 原版WaveNet模型用自回归连接来一个样本一个样本地合成声音波形 以及中间的整个句子，我们都可以同时生成出来，如下图所示： △ 新WaveNet模型以白噪声为输入，并行合成所有样本 在训练过程中，学生网络从随机状态开始，被输入随机的白噪声，它的任务是里输出一串连续的声音波形 然后，生成出的声音波形被输入到以训练的原始WaveNet模型（也就是教师网络）中，教师网络给每个样本打分，给出一个信号来让学生理解这个样本和教师网络所要求的输出相差有多远。
3K50发布于 2018-03-23 - 来自专栏全栈程序员必看
librosa怎么安装_librosa保存音频
核心音频处理函数 音频处理 频谱表示 幅度转换 时频转换 特征提取 绘图显示 三、常用功能代码实现 读取音频 提取特征 提取Log-Mel Spectrogram 特征 提取MFCC特征 绘图显示 绘制声音波形 绘图显示 绘制声音波形 Librosa有显示声音波形函数waveplot( )： >>> import librosa >>> import librosa.display >>> # Load a wav logmelspec, sr=sr, x_axis='time', y_axis='mel') >>> plt.title('Beat wavform') >>> plt.show() 输出结果为： 将声音波形和频谱图绘制在一张图表中
2.5K40编辑于 2022-11-03 - 来自专栏芯智讯
特斯拉移除超声波传感器，正式转向纯视觉自动驾驶
以 Model 3 为例，车辆前后保险杆都有超音波感测器，主要功能就是停车时，提供短距离物体侦测效果，避免碰撞。 特斯拉表示，从移除雷达以来，完全依靠摄像头的自动刹车和自动辅助驾驶系统表现，和之前相同甚至更好，因此再移除超音波感测器，让电脑与摄影机负担更多任务。 不过，特斯拉并不打算停用已售车辆的超音波感测器，它们会继续肩负短距感测任务。
52320编辑于 2022-10-28 - 来自专栏渗透靶机
hackmyvm靶机：p4l4nc4
hackmyvm.eu/1.在官网搜索你想要的镜像,然后下载2.下载好后解压得到.ova的文件，右击选择VMware或者Oracle VirtualBox进行打开3.在弹出的框中，选择存放的位置，然后点击导入4. /n3gr4后面还跟一个php页面。也是得要扫出来的。m414nj3.php然后就是爆破参数。这里ffuf或者抓包都可以，我就选我熟悉的用了。文件包含漏洞，直接弹shell了。 friendster那就可以登录p4l4nc4这个用户了。用私钥登录就好了。登录上去之后直接跑脚本就好了。可以从/etc/passwd提权。那就直接把密码删了就完了。nano改一下就好了。
58300编辑于 2025-05-18 - 来自专栏技术杂记
4
因此对于上边界就是从200，280，180，300开始的一块内存区域，仅需要猜4次。2 多数“影子栈”以F5结尾，所以这个2位我不去猜，我默认猜测的区域以F5结尾。
60110编辑于 2022-06-29 - 来自专栏前端加油站
angular4实战（4）ngrx
ngrx主要有四个模块，分别是 ngrx/store， ngrx/effects， ngrx/router-store， ngrx/store-devtools 本次实例用的是ngrx 4. 比如{name:j_bleach}=>{name:bleach} 或者输入属性为一个数组的时候[1,2,3]=>[1,2,3].push(4) 以上这两种方式都不会引发angular的检查策略 如Object.assign({}, {name:j_bleach}, {name:bleach}); 或者[…[1,2,3],4]这样返回一个新的对象。 项目地址：https://github.com/jiwenjiang/angular4-material2
2.4K30发布于 2019-07-02 - 来自专栏Spring Cloud设计原理
Junit 4 Tutorials(Junit 4 教程)
本教程是比较全面的、较新的Junit 4 实用教程，译自：http://www.javatutorials.co.in/junit-4/，希望对大家有所帮助！ Junit 4注解 Junit4 注解提供了书写单元测试的基本功能。 Junit 4断言方法（Assert methods） 断言方法检查 测试得到的真实值和期望值。 Junit 4参数化测试 参数化测试允许使用不同范围的参数测试Java类中的方法。 Junit 4测试套件(Test Suite) 使用测试套件类来同时运行各种测试类。 Junit 4忽略测试(Ignore Test) 忽略测试 用于禁止 运行单元测试类中一些或全部测试方法。
76120发布于 2021-09-14 - 来自专栏IT派
用 TensorFlow 让机器人唱首歌给你听
输入的数据，是一个单独的节点，它作为粗糙的音波，首先需要进行一下预处理，以便于进行下面的操作。 ? 最后，这个结果会被再次投入到网络中，来生成下一个时间点所需要的音波数据。 重复这个过程就可以生成更多的语音。 这个网络很大，在他们的 GPU 集群上需要花费九十分钟，并且仅仅只能生成一秒的音频。 tf.matmul(x, W) bh)) #The sample of the hidden nodes, starting from the visible state of x_sample 4. then save the vector as a midi file S = np.reshape(sample[i,:], (num_timesteps, 2*note_range)) 4. midi_manipulation.noteStateMatrixToMidi(S, "generated_chord_{}".format(i)) ---- 综上，就是用 CNN 来参数化地生成音波
34520发布于 2018-07-30 - 来自专栏AI科技评论
动态 | 语音识别如何突破延迟瓶颈？谷歌推出了基于 RNN-T 的全神经元设备端语音识别器
在 2014 年左右，研究人员就开始重点训练单个神经网络，来直接将一个输入语音波形映射到一个输出句子。 与大多数序列到序列模型需要处理整个输入序列（本文案例中的语音波形）以生成输出（句子）不同，RNN-T 能持续地处理输入的样本和数据流，并进行符号化的输出，这种符号化的输出有助于进行语音听写。 在给定输入信号的情况下，当语音波形抵达识别器时，「解码器」就会在图中搜索出概率最大的路径，并读出该路径所采用的单词序列。 与经过训练的浮点模型相比，模型量化的压缩高出 4 倍，运行速度也提高了 4 倍，从而让 RNN-T 比单核上的实时语音运行得更快。经过压缩后，模型最终缩小至 80MB。
1.5K20发布于 2019-05-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号