WebRTC提供一套音频处理引擎，
包含以下算法：
AGC自动增益控制(Automatic Gain Control)
ANS噪音抑制(Automatic Noise Suppression)
AEC是声学回声消除(Acoustic Echo Canceller for Mobile)
VAD是静音检测(Voice Activity Detection)
这是一套非常经典，以及值得细细品阅学习的音频算法资源。
在前面分享的博文，也有提及音频相关知识点。
一些算法优化的知识点，由于历史的原因，
WebRTC的实现已经不是当下最优的思路。
但也是非常经典的。
例如:
AGE算法中的WebRtcSpl_Sqrt 快速开平方的实现。
可以采用如下汇编函数替换之：
static float fast_sqrt(float x) { float s; #if defined(__x86_64__) __asm__ __volatile__ ("sqrtss %1, %0" : "=x"(s) : "x"(x)); #elif defined(__i386__) s = x; __asm__ __volatile__ ("fsqrt" : "+t"(s)); #elif defined(__arm__) && defined(__VFP_FP__) __asm__ __volatile__ ("vsqrt.f32 %0, %1" : "=w"(s) : "w"(x)); #else s = sqrtf(x); #endif return s; }
现代很多cpu 汇编指令已经支持开平方的快速实现，
经过测试比对确实会比WebRtcSpl_Sqrt 快不少的。
关于开平方的快速实现，详情可以看下：
https://www.codeproject.com/Articles/69941/Best-Square-Root-Method-Algorithm-Function-Precisi
做算法优化的同学，就放过开平方吧。
每个算法有两个基本指标，
性能，效果。
WebRTC 着力于音频通信，所以它对性能的要求是极高的。
而算法的性能的优化，绝大多数情况的思路，都是特例化。
以前在公司开技术分享会的时候，也分享过。
也就一句话，越靠近CPU，性能越快。
也就是除非要不得以，请不要写到硬盘上，然后再读上来。
因为硬盘离CPU太远了。
所以优化的思路也就非常明显了。
从快到慢的介质分别是
CPU的寄存器 -> CPU的缓存 -> 内存空间 -> 硬盘空间(磁盘)
所以 尽可能地要使用上层的资源，能用寄存器就用寄存器，
能往CPU的资源上靠，就要把算法数据结构和资源做得更加紧凑。
关于CPU的相关资源：
https://www.cpuid.com/softwares/cpu-z.html
可以下一个CPU-Z 查看一下。
抽丝剥茧，一定要了解CPU的结构性能信息。
然后对症下药，尽可能符合CPU的口味。
科普下算法优化的思路：
1.尽可能多用局部变量，编写最短，最有效的闭合函数。
为了编译处理的时候，能最终用上寄存器，去缓存。
2.尽可能少调用函数，参数最好是指针或引用传递，这样能减少拷贝，
当然，可以的话参数要尽可能地少。
3.处理的数据尽可能紧凑且少，数据对齐很大程度上，
就是为了符合CPU的喜好，用上它的缓存。
4.尽可能顺序读写，也是为了用上缓存资源
5.计算降级，一般情况下乘法比加法耗时，除法比乘法耗时。
浮点比整形耗时。
所以将乘法降为加法，将除法降为乘法，浮点降为整形(定点化)。
这一条大多数朋友若是不清楚为什么，可以移步资源：
https://github.com/ARM-software/CMSIS_5
阅读其中的一些实现，你会找到具体原因的。
这里就不展开了。
6.能用内存的，就不要用磁盘，我想这个没必要多解释了。
7.当然如果能用特定算法思路数据接口进行优化也是可以的，例如查表之类的。
好像有点跑题了，回到主题上。
抽空把以上提及的几个算法整理成
单文件实现的方式,并附加示例代码。
便于学习或者工程化之用。
相关项目地址：
https://github.com/cpuimage/WebRTC_AECM
https://github.com/cpuimage/WebRTC_NS
https://github.com/cpuimage/WebRTC_VAD
https://github.com/cpuimage/WebRTC_AGC
路漫漫其修远兮，一条道走到黑。
用cmake即可进行编译示例代码，详情见CMakeLists.txt。
若有其他相关问题或者需求也可以邮件联系俺探讨。
邮箱地址是:
gaozhihan@vip.qq.com