别再用 Python 跑 AI 降噪了!手把手带你把 DeepFilterNet / FunASR 嵌入 C++,延迟直接压到 10ms

[ Audio Input (PCM 48kHz) ]           │           ▼ (RingBuffer / Direct Lock-Free)[ DeepFilterNet C-API (libdf) ] ──(Denoised PCM)──> [ Speaker/RTC Pipeline ]           │           ▼ (Sub-sampled / Frame Aggregator)[ FunASR / ONNX Runtime C++ Engine ] ──> [ Real-time Text Streaming ]

#include<iostream>#include<vector>#include<memory>// 引入 libdf 原生 C 接口头文件#include"deep_filter.h"class RealtimeDenoiser {public:    RealtimeDenoiser() {        // 1. 初始化 DeepFilter 状态 (48kHz, 单通道/双通道)        df_state_ = df_create_state(48000, DF_ATTEN_LIMIT_DB_DEFAULT);        if (!df_state_) {            throw std::runtime_error("Failed to initialize DeepFilterNet state.");        }        // 获取模型推荐的 Frame Size (通常为 10ms 或 20ms)        frame_size_ = df_get_frame_size(df_state_);        std::cout << "[AI Audio] DeepFilterNet initialized. Frame size: " << frame_size_ << " samples.\n";    }    ~RealtimeDenoiser() {        if (df_state_) {            df_free_state(df_state_);        }    }    // 毫秒级实时音频帧处理函数 (In-place 或 Out-of-place 零拷贝)    voidProcessFrame(float* pcm_in_out, size_t sample_count){        if (sample_count != frame_size_) {            // 处理尺寸不匹配情况，实际工程中需配合 SPSC RingBuffer            return;         }        // 调用 Rust 编译出的 C 接口进行实时降噪（内部自动利用 AVX2/FMA 加速）        df_process_frame(df_state_, pcm_in_out, pcm_in_out);    }private:    DFState* df_state_{nullptr};    size_t frame_size_{0};};

#include<atomic>#include<vector>#include<cstdint>template <typename T, size_t Capacity>class AudioRingBuffer {public:    AudioRingBuffer() : head_(0), tail_(0) {        buffer_.resize(Capacity);    }    // 音频采集线程 (Producer) 写入 PCM 数据    boolWrite(const T* data, size_t count){        size_t current_tail = tail_.load(std::memory_order_relaxed);        size_t current_head = head_.load(std::memory_order_acquire);        if ((current_tail + count - current_head) > Capacity) {            return false; // Buffer overflow, 避免阻塞音频回调        }        for (size_t i = 0; i < count; ++i) {            buffer_[(current_tail + i) % Capacity] = data[i];        }        tail_.store(current_tail + count, std::memory_order_release);        return true;    }    // AI 推理线程 (Consumer) 读取 PCM 数据    boolRead(T* out_data, size_t count){        size_t current_head = head_.load(std::memory_order_relaxed);        size_t current_tail = tail_.load(std::memory_order_acquire);        if (current_tail - current_head < count) {            return false; // 数据不足一帧        }        for (size_t i = 0; i < count; ++i) {            out_data[i] = buffer_[(current_head + i) % Capacity];        }        head_.store(current_head + count, std::memory_order_release);        return true;    }private:    std::vector<T> buffer_;    alignas(64) std::atomic<size_t> head_; // 消除 Cache Line 伪共享 (False Sharing)    alignas(64) std::atomic<size_t> tail_;};

#include<onnxruntime_cxx_api.h>#include<vector>class FastASRInference {public:    FastASRInference(const wchar_t* model_path) {        env_ = Ort::Env(ORT_LOGGING_LEVEL_WARNING, "ASREngine");        Ort::SessionOptions session_options;        // 关键优化：开启 Intel OpenMP / AVX2 并行线程压榨 CPU 性能        session_options.SetIntraOpNumThreads(2);        session_options.SetGraphOptimizationLevel(GraphOptimizationLevel::ORT_ENABLE_ALL);        session_ = Ort::Session(env_, model_path, session_options);    }    voidInferSpeechToText(const std::vector<float>& feature_matrix){        // 构造 ONNX 拼帧 Tensor 输入，直接进行推理获取 Tokens        // 相比 Python 版减少了大量的 PyTorch/Python C-API 转换开销    }private:    Ort::Env env_{nullptr};    Ort::Session session_{nullptr};};