HANDS-ON LAB
六个实验，亲手做一遍
六个工作站，每站只讲一件事；完成挑战即点亮徽章。
STATION 01 · MICROPHONE
看见你的声音
想研究声音，先得看见它。波形是声压随时间的形状；语谱图是每个瞬间各频率的能量。
WAVEFORM · 波形
时间 →
SPECTROGRAM · 语谱图
0–8 kHz ↑
试试：拖长“啊——”，看水平的谐波线；发“嘶——”，看高频的噪声块；音调上滑，看线条一起上弯。
元音是水平的谐波线，“嘶”是高频噪声块——语谱图逐瞬间画出各频率的能量。
🏅 挑战：让语谱图上出现 3 条以上清晰的水平谐波线（发元音就行）。
未完成
STATION 02 · FRAMING
分帧与加窗
整句话一直在变，但 25 毫秒内近似稳定——这是全部特征提取的前提。
WAVEFORM · “人工智能”
≈0.9 s · 16 kHz
FRAME · 帧内放大波形
25 ms
SPECTRUM · 该帧频谱
0–8 kHz →
→ 1 秒 ≈ 100 帧
帧窗一挪，频谱就换一张：“近似稳定”只在 25 毫秒的窗内成立。
🏅 挑战：把帧长调到 50 ms、帧移 5 ms，算算 1 秒有多少帧？（答案会自动出现）
未完成
STATION 03 · CTC
对齐与 CTC 折叠
100 个帧 ≠ 4 个字。CTC 允许模型逐帧乱猜，再用两条规则折叠出答案。
① 合并相邻重复
先猜：这 24 帧折叠后会剩几个字？点「▶ 折叠」验证
② 删除 ε
最终输出会出现在这里
CTC 的多对一：无数条帧级路径折叠成同一句话。语速、停顿怎么调，答案都是「人工智能」。
🏅 挑战：把“语速”调到 2、“停顿”调到 4，看看 ε 占了多少格——折叠后答案变了吗？
未完成
STATION 04 · METRIC
CER 计算器
识别得好不好，总得能打个分。CER =（替换 S + 删除 D + 插入 I）÷ 参考字数 N。分母是参考文本，所以 CER 可以超过 100%。
默认例子仍是那句「人工智能」，多带了「大模型」三个字。这也是一种对齐：和第 3 站一样，为两个不等长序列找对应。
🏅 挑战：构造一对文本，让 CER 恰好等于 50%。
未完成
STATION 05 · PROSODY
TTS 调音台
同一句话，怎么读出不同的意思？字读对只是底线；语速、音高、停顿——韵律本身承载意思。
预合成 16 kHz 样例，供对比。
字没换，只挪停顿、调语速，句子的意味就变了——韵律本身承载意思。
🏅 挑战：把语速调到 0.6 以下、音高调到 1.5 以上，各朗读一次，感受韵律怎么改变“同一句话”。
未完成
STATION 06 · NOISE
噪声实验室
还是那句 0.9 秒的「人工智能」：信噪比一路下降，识别错误怎样一步步出现？
WAVEFORM · “人工智能” + 白噪声
≈0.9 s · 16 kHz
先猜：最嘈杂档还能听清吗？点 ▶ 验证。
安静人工智能改变世界96%
轻微噪声人工只能改变世界81%
明显噪声人工只能改变世届58%
非常嘈杂人工…能…世界29%
噪声越大，先错同音字、再丢字——错误逐级出现，不是一下崩掉。
表中识别结果为教学模拟，并非真实模型输出；错误取自常见模式，如“智→只”的同音字替换。想知道每一行错得多严重？亲手算它们的 CER →
🏅 挑战：拉到最嘈杂档完整播放一遍。（人耳往往比机器更鲁棒）
未完成