面向 RISC-V NPU 架构研究、gem5 仿真、AI 编译器前端（tinygrad）链路的调研整理关键词：Tile ISA · PTO 算子 · 昇腾 CANN · 脉动阵列 · gem5 · tinygrad · Triton · Gemmini。

面向 RISC-V NPU 架构研究、gem5 仿真、AI 编译器前端（tinygrad）链路的调研整理关键词：Tile ISA · PTO 算子 · 昇腾 CANN · 脉动阵列 · gem5 · tinygrad · Triton · Gemmini。

本文介绍了ADC（模数转换器）关键性能指标及其测试方法。核心指标包括分辨率、有效位数（ENOB）、信噪比（SNR）、总谐波失真（THD）、动态范围（DR）等，并详细说明了利用正弦波信号和FFT分析计算ENOB、THD+N等参数的数学原理。测试时需注意使用-60dBFS小信号避免非线性失真，通过特定公式将测量值转换为实际指标。测试环境需信号源、示波器等硬件配合Python/Matlab进行数据分析，

webrtc中的噪声抑制之一：频域维纳滤波前言在开源的噪声抑制算法中,webrtc ns是很有名的,社区里也有很多分享的文章,但要么深要么浅,还有一些误导读者的,所以趁着移植项目的机会,从盲人摸象到庖丁解牛的学习一番这里面的算法原理和工程实现。WebRtc Ns模块采用的是频域维纳滤波的方法，结合VAD检测得到前验信噪比和后验信噪比，算出频域维纳滤波器的系数，在频域实现了噪声的滤除。该模块有...

webrtc中的噪声抑制之二：噪声估计模型前言上一篇学习研究了频域维纳滤波的基本原理，得出两个信噪比计算是实现精准的噪声抑制的前提，那么本篇继续学习研究噪声估计是如何在WebRtc实现的，以及据此而得出的先验信噪比和后验信噪比。噪声估计使用维纳滤波进行语音降噪的过程，其实是把降噪过程视为一个线性时不变系统，当带噪语音通过这个系统时，在均方误差最小化准则下，使得系统的输出与期望的纯净语音信号...

webrtc中的噪声抑制之三：基于信号存在概率的递归平均噪声估计承上启下上文学习了webrtc中利用当前帧经过STFT得到频率幅值，结合quantile算法，先进行一轮初始噪声估计，但这还没完，接下来利用这个估计的噪声和频率幅值带入到ComputeSnr中，计算先验信噪比和后验信噪比，1.先验信噪比估计值是通过前一帧保存的幅值（未去噪）和最终的噪声估计值，在乘以一个平滑因子得到的，平滑因子是...

WebRtc AEC核心算法之一：频域自适应滤波WebRtc和Speex作为目前开源的语音增强平台，可以给非科班出身的工程师一探究竟的途径，接下来以WebRtc的Aec模块，研究一下比较核心的算法和实现。一直以来在心目中AEC就是利用自适应滤波器求解梯度的迭代过程，时域的LMS/RLS经典算法在教科书和主流文章中都有介绍，但频域的介绍的就不多了，恰恰两个流行的平台都选用了频域自适应滤波器，首先是.

UDPC更像是一个“优化工具”，它告诉你“如何让一个庞大的网络跑得更快”；而MTFAA-Net则更像是一个“性能引擎”，它告诉你“如何设计一个更强大的网络来得到更好的结果”。两者在“时频双路径”处理上有理念的相似，但UDPC将此理念用于压缩，而MTFAA-Net则将其用于特征建模。如果你关心的是如何在资源受限的设备上部署模型，UDPC的思路更有参考价值；如果你关心的是如何提升语音增强任务本身的性能

起步基线：使用 SI-SDR Loss + Multi-Resolution STFT Loss 的组合，这是最稳妥、最高效的选择。感知优化：若基线在听感上不理想，可引入 TAPLoss 或 PESQ Loss 作为辅助。解决特定问题：若模型出现明显失真，可尝试 NAALoss 或 NDA Loss。回声消除专项：在损失函数中加入针对残留回声的惩罚项，或引入多任务学习。

引用“Skills are reusable capabilities for AI agents.”用一个码农思维，就是ai对通用性的/专用性的东西封装的一个api。摸索了一段ide 和open code等环境，切实体会到生成模型的shithill能力，也许skill能让AI给出更加靠谱的代码。