“宿主，你能要點臉不？你哪來的自信，出賣身體，能賺幾千萬?！?/br>
    “我……我……”林奇竟然無言以對。

    林奇仔細思考了下，發(fā)現(xiàn)自身記憶力驚人，學知識的速度快。但是也不能教授給別人，別人學不來的，他們沒有這些機遇。

    那利用已經(jīng)學習到的知識，怎么能在短時間內(nèi)賺那么多的錢呢？

    自己是把學校里面的東西學會了，但是這該怎么賺錢？辦補習班，來錢太慢了。

    除此以外林奇也就學習了電池制造相關(guān)的東西，正是因為要等待大規(guī)模生產(chǎn)才這么缺錢，所以這條路也走不通。

    那就剩余一個了——自己之前學習的編程，還在算法大賽中取得第二名，贏得過20萬獎金。

    但是應該通過什么賺錢呢，開發(fā)出來游戲嗎？小游戲是簡單，但是沒有一個好的創(chuàng)意，很難有大的影響力。大的游戲又不是一時半會能開發(fā)出來的。

    林奇拿著手機打開了手機內(nèi)的軟件。

    打車軟件，共享單車軟件，新聞客戶端，郵件系統(tǒng)，短信，語音，視頻，聊天工具。

    看了一個又一個的軟件，林奇突然腦中一閃，語音通話。

    現(xiàn)在聊天工具能直接進行視頻和語音通話，還有一些軟件只有語音通話功能。

    這些語音通話軟件有一個共同的特點就是都消耗的是流量，不用話費。

    最近幾年，語音通話的軟件是越來越多，并且不用話費。

    有很大一部分人都用這個來代替打電話。但是因為這些需要的是流量，所以通話質(zhì)量不是那么的有保證，質(zhì)量和和網(wǎng)絡的穩(wěn)定性成正比。

    如果是在良好的4g網(wǎng)絡下或者ifi環(huán)境下，通話質(zhì)量都挺好的，但是在3g甚至2g，或者信號不穩(wěn)定的地方，發(fā)文字還正常，但是語音通話就不行，通話雙方會感覺卡頓，對方聽不到，聽不清這是經(jīng)常會發(fā)生的事情。

    如果能開發(fā)出一個軟件可以在各種復雜的網(wǎng)絡環(huán)境下讓語音通話都依然流暢，應該很有市場。

    林奇通過看手機上的各種軟件，想到了這么一個賺錢的機會。

    怎么才能實現(xiàn)這個目標呢？最好的就是發(fā)送文字，因為文字占用的帶寬最少了，即使網(wǎng)絡很不穩(wěn)定也能收到，除非是完全沒有網(wǎng)絡。

    最后林奇想到了一個非常精妙的方法，能實現(xiàn)這個功能。

    那就是通過機器學習來建立每個人的音色庫，然后再把不同的文字用上不同的語氣，只要這個個人的模型訓練好，發(fā)送對方的手機里面，然后把要說的話轉(zhuǎn)換為文字，每次都只發(fā)送文字過去，這樣需要傳輸?shù)男畔⒕蜁『芏唷?/br>
    雖然這個方法想起來非常的簡單，但是做起來可不是這么容易的。

    首先每個人都有一個自己的語音模型，訓練這個模型需要有一個很優(yōu)秀的訓練好的模型，然后做遷移學習。

    但是訓練基礎模型的時候，是需要很多數(shù)據(jù)的，程序林奇很快的就做好了，但是沒有語音數(shù)據(jù)是硬傷。

    最后林奇收集了很多的網(wǎng)絡上公開的音頻資料，來輸入到模型中進行訓練，剛開始的時候找來了很多的漢語的音頻。包括從電視劇，電影還有廣播，新聞等里面抽取的音頻。

    等訓練好之后林奇測試之后發(fā)現(xiàn)針對標準的普通話，這個表現(xiàn)很好，但是如果是方言甚至是另一種少數(shù)民族，比如蒙古語，這個軟件表現(xiàn)的就非常的不盡人意。

    后來林奇換了一個思路，不把每個人的語音轉(zhuǎn)換為文字。而是讓機器自己發(fā)明一種能發(fā)音的文字，不需要人類能看懂，只需要這個軟件自己能看懂就好，可以把聽到的任何聲音都轉(zhuǎn)換為這種機器自己能識別的文字。

    修改了核心的算法之后，林奇再次把數(shù)據(jù)輸入進去，同時這次增加了很多的其他的數(shù)據(jù)，包括英語，德語，日語……幾十種語言的數(shù)據(jù)。還有很多的大自然的聲音，樂器的聲音，等等。

    電腦分析這些數(shù)據(jù)建立一個模型過程是很慢的，經(jīng)過漫長的等待之后，終于重新生成了一個模型。

    經(jīng)過測試之后，效果出奇的好，林奇發(fā)現(xiàn)尤其是針對有規(guī)律的東西，包括語言，樂器這些東西，都能有很好的效果。

    然后這些數(shù)據(jù)經(jīng)過壓縮之后，體積比文字的還小了很多，即使網(wǎng)絡環(huán)境再不好，只要不是完全沒有，通話的質(zhì)量都是很完美的。

    但是美中不足的是，針對不太規(guī)律的東西，這個模型處理的效果就不是很好，比如一些環(huán)境噪音或者大自然的風聲雨聲鳥叫等。

    林奇接著又去修改了模型，但是訓練后的結(jié)果都不是很好。

    后來林奇想了想“環(huán)境噪音，在語音通話過程中，人們應該是不想要的，我干嘛還要費那么大的力氣給加上。這不正是幾千塊錢的所謂的主動降噪耳機，或者是骨傳導耳機追求的降噪的功能嗎？”

    想至此，林奇想抽自己兩巴掌，白白浪費了那么多時間。

    至于一些風聲什么的，林奇也有了一個很好的解決方法，就是在算法里面判斷這個聲音，如果是沒有規(guī)律的，但是和環(huán)境噪音又有些區(qū)別的，那么就保留原有的語音通話，只有這種有語言的才智能的運用自己這套系統(tǒng)。

    這個系統(tǒng)的價值在于能讓語言的傳輸大大減小體積，同時還能高度還原原聲，甚至帶有主動降噪功能。

    而這個系統(tǒng)的難點在于模型的訓練。

    訓練的時候剛開始針對的是普通話，到了后來，林奇徹底的放開了自己的思維，讓機器自己去生成一種能傳輸?shù)淖约赫J識的語言，這樣效果大大的提升了，不用針對每一種語言來訓練好一個模型，而是針對所有的聲音，訓練出了一套通用的模型。

    在使用的時候，只需要把這個模型加載到用戶的手機，用戶只需要說幾句話，模型就會自動生成對應的音色，還有對應的語言的機器翻譯。

    通過實際的使用，林奇測試發(fā)現(xiàn)，這完全秒殺了世面上所有的語音通話軟件。