本文为知乎问题回答，原文：
如何看待faker.js 开源作者删除了所有的代码？ – zahet的回答 – 知乎 https://www.zhihu.com/question/510180628/answer/2449158085
作为一个在开源社区混迹了多年的开源项目owner，即时是非常理性的我也非常能够理解faker.js开源作者的感受，也能够体会到他的心境。已有的一些答案普遍是从faker.js作者和第三方舆论的角度进行分析。我想从我的视角谈谈当前国内外开源贡献者面临的问题及其可能的根源，以及当前我们做开源的真正目的是什么。
众所周知，AI柠檬博客创始于2017年年初，而现在已经是2022年了，算下来已经整整五年了，今年的第一篇文章，来的比以往更晚一些。博主在做这一年总结的同时，打算顺便谈谈自己是怎么坚持下来的。
在当前的计算机技术和互联网应用技术的发展浪潮之下，很多传统的线下物质资料记录存储方式逐步转移到了计算机设备(包含手机、平板、手环等)或者线上存储中，这种新的记录方式、无处不在的互联网应用和硬盘技术的发展，使得在计算机介质中生产、存储的个人数据规模变得越来越大。而且在企业数据的重要性越来越被得到认知从而出现“数据治理”这一概念的大背景下，个人数据也需要进行“数据治理”，从而提升我们生活的便捷性，享受科技发展带来的好处。
AI柠檬博客近期开通了微信小程序，又将在一个新的平台跟大家见面啦！继三年前AI柠檬博客开通微信公众号后，如今AI柠檬博客再一次上线了微信小程序，打通了博客服务器数据跟微信公众平台的文章数据隔离的问题，实现“一套后端，多种前端”。各位扫描下面的小程序码或在小程序搜索“AI柠檬博客”即可打开AI柠檬博客的微信小程序：
一个是学校团队做的项目，一个是企业团队做的项目，从直觉上讲，你会更信任哪个团队？为什么会这样认为呢？不同的人会有不同的想法和结论，也许你会认为学校团队做的更靠谱，尤其是Top X的学校的话，也许你会认为企业不论如何都做的会更专业些。但是总的来说，学校团队在做一个项目的过程中，往往会存在一些弊病，这些问题是企业团队做项目时很少会存在的问题。
对于刚开始接触语音领域的新人来说，如何学习入门是一个棘手的问题。AI柠檬博主经常在群里遇到询问如何入门语音识别或者有什么语音识别学习资料推荐的问题，那么今天博主就在这里做一些如何入门的介绍和相关资料的推荐吧。（纯干货）
AI柠檬博主在之前的一篇文章里讲了常见的MFCC、FBank、LogFBank等语音特征提取算法。不过ASRT语音识别系统在声学特征的提取上，使用的既不是大家所熟知的MFCC算法，也不是FBank(或LogFBank)算法，而是一种语谱图特征。不过这种语谱图特征也是AI柠檬博主从MFCC和FBank算法修改而来的，原则是保留更多的原始信息以供神经网络计算，避免经过人工特征设计的滤波器产生大量的信息损失。
几乎任何做自动语音识别的系统，第一步就是对语音信号，进行特征的提取。通过提取语音信号的相关特征，有利于识别相关的语音信息，并丢弃携带的其他不相关的所有信息，如背景噪声、情绪等。
我们都知道，人类说话是通过体内的发声器产生的初始声音，被包括舌头和牙齿在内的其他物体形成的声道的形状进行滤波，从而产生出各种各样的语音的。传统的语音特征提取算法正是基于这一点，通过一些数字信号处理算法，能够更准确地包含相关的特征，从而有助于后续的语音识别过程。常见的语音特征提取算法有MFCC、FBank、LogFBank等。
写了这么多博客文章了，源于最近的一些感悟，AI柠檬博主也想谈谈当我们在写技术博客的时候，其实真正意义上写的是什么。博客这种东西伴随着第一代互联网的诞生，就已经产生了，在早期的互联网，如果我们自己开设有自己的网络博客，尤其是一个自己的“xxx.com”域名，那是一件很有“范”儿的事情。然而，在最近的若干年以来，博客这类事物却在网络上变得少见了起来，取而代之的是各类平台上的XX号。
首先我们来明确一下基本概念，语音激活检测（VAD, Voice Activation Detection）算法主要是用来检测当前声音信号中是否存在人的话音信号的。该算法通过对输入信号进行判断，将话音信号片段与各种背景噪声信号片段区分出来，使得我们能够分别对两种信号采用不同的处理方法。
