这是一门从语音信号基础到前沿生成式语音模型的系统实战课。课程从WAV/PCM读取、波形显示与librosa工具链讲起，逐步深入STFT、FBank、MFCC等特征，静音消除、预加重等预处理；再通过Shazam音频指纹、DTW热词检测、谱减法、维纳滤波与SEGAN，打通检索、识别、增强等典型任务。后半程聚焦VITS：从VAE、GAN、Flow基础，到模型结构、TextEncoder、PosteriorEncoder、Flow、Decoder、判别器与损失函数，并带你完成AISHELL多说话人TTS训练、快速微调及So-VITS-SVC 5.0声音转换。适合有Python和深度学习基础、希望进入语音算法或提升工程能力的学生与开发者。学完后，你既能理解核心原理，也能复现代码流程，独立开展语音增强、音频检索、TTS与音色转换实验。