夜雨聆风自从有了AI编程，过去那些想做但不值得的项目，现在变成了“可以试试”。
省流总结
一位开发者借助AI编程工具，仅用约8小时就搭建了一套完整的睡眠噪音追踪系统，成功找出导致自己夜间频繁醒来的干扰源。
项目背景
开发者Martin住在嘈杂的城市，经常在凌晨被不明噪音惊醒，但等清醒过来噪音已消失，无法确定干扰源。过去这类项目因"投入产出比太低"而被搁置，但AI工具让"周末项目"成为可能。
系统架构
两台USB麦克风（室内+窗外）+ Raspberry Pi采集音频 通过Home Assistant智能家居系统控制，仅在睡眠时段启用 整合Garmin手表的睡眠数据（睡眠阶段、心率、HRV） 原有传感器网络（门窗、运动、环境等） Web应用以DAW式多轨道时间轴可视化呈现
AI的角色
Martin强调AI用于降低开发成本（生成代码、调试、测试），而非替代人工判断——声音识别仍需他本人聆听，AI只负责定位“哪些时刻值得听”。
发现与改进
系统快速识别出主要干扰源：关门声、餐具碰撞、街道交通。基于数据采取了针对性隔音措施，睡眠质量得到改善。
隐私设计
全程本地运行，数据不离开家庭网络，PWA形式提供推送通知。
一位生活在噪音城市的开发者近日分享了一个有趣的个人项目：他借助AI编程工具，仅用约8小时就搭建了一套完整的睡眠噪音追踪系统，成功找出导致自己夜间频繁醒来的干扰源。
从"想都不敢想"到"周末就能搞定"
这位名为Martin的开发者居住在一座嘈杂的城市，经常在凌晨3点左右被不明噪音惊醒，或者第二天查看智能手表时发现睡眠数据出现了异常中断。困扰他的是，当声音把人从睡梦中唤醒时，大脑需要一定时间才能完全恢复清醒，等反应过来时，噪音往往已经消失。没有明确的干扰源，就无法针对性地解决问题。
"几年前我会把这种项目归类为'投入产出比太低'而不予考虑，"Martin在博客中写道，"但现在有了AI工具，这类项目完全可以塞进一个周末完成。"
系统架构：多源数据融合的可视化时间轴
Martin的解决方案整合了多个数据源：
硬件层：两台廉价USB麦克风（分别放置在室内和朝向街道的窗外），以及一台Raspberry Pi微型计算机作为音频采集终端。 数据采集：音频仅在特定条件下才会被采集——通过Home Assistant智能家居系统的自动化规则，只有当Martin在家、在床上且处于常规睡眠时间时，麦克风才会开启。其他时间系统完全禁用，确保隐私安全。 睡眠数据：来自Garmin智能手表的睡眠阶段、心率、心率变异性（HRV）等生物指标。 传感器数据：原有的智能家居传感器网络，包括运动检测、门窗状态、灯光、温湿度、二氧化碳和空气质量等。
当Raspberry Pi检测到超过阈值的音量时，会保存包含前后几秒上下文的音频片段。所有数据最终汇集到一个Web应用中，以类似音乐制作软件（DAW）的多轨道时间轴形式呈现。
核心创新：用AI降低开发成本，而非替代人工判断
Martin特别澄清了AI在这个项目中的角色：
AI负责的部分：整个系统的开发工作，包括Web应用、Raspberry Pi端的音频采集程序、Home Assistant集成组件等。Martin甚至没有阅读生成的代码，而是通过测试结果给出反馈，让AI自行验证输出（通过浏览器截图）。对于Raspberry Pi，他甚至给了AI编程助手SSH访问权限，让AI直接在设备上进行实验和调试。
AI不负责的部分：声音识别。判断一段音频是关门声、餐具碰撞还是摩托车轰鸣，仍然需要Martin本人戴上耳机逐一聆听。AI只是帮他定位"哪些时刻值得听"。
"有趣的变化不在于AI解决了我的问题，而在于AI降低了构建'让我自己解决问题'的工具的成本。"
发现与改进：数据驱动的睡眠优化
使用这套系统后，Martin很快发现了规律：
关门声：邻居摔门或家人夜间使用卫生间时的关门声 餐具碰撞：高频尖锐的声音，在公寓内传播效果出奇地好 街道噪音：摩托车、踏板车、卡车以及垃圾清运车 误判情况：有些噪音原本以为是室外来源，实际来自室内，反之亦然
基于这些数据，Martin采取了针对性措施：安装宜家办公室隔音板、在卧室门和窗户周围增加密封条（硅胶、橡胶等）。对于室内噪音，解决方案则是"一次友好的交谈"。
技术细节与隐私考量
从技术实现来看，这套系统有几个值得注意的设计：
Raspberry Pi采用滚动内存缓冲区持续录音（仅在启用检测模式时），音量超过阈值才写入磁盘。输入端配置了噪声抑制配置文件，过滤掉持续性的背景噪音（如远处的交通嗡嗡声、冰箱运转声），大幅减少误触发。
整个系统运行在家庭内网，Web应用采用渐进式Web应用（PWA）形式，支持Web推送通知。每天醒来查看手机时，Martin会收到"昨晚数据已准备好"的通知，所有数据都不离开本地网络。
未来可能的扩展
Martin列出了几个尚未实现但可能有趣的扩展方向：
智能通知：仅在检测到值得关注的噪音时才发送推送，安静的夜晚自动跳过 声音聚类：使用模型将相似音频片段自动分组，只需标注一次（门、餐具、摩托车等），后续系统可自行推测新事件的来源 条件警报：仅在检测到可能干扰睡眠的噪音时才发出提醒
"这些扩展每个可能都需要再花一个周末，而这正是我想表达的核心观点——过去那些'想做但不值得'的项目，现在变成了'可以试试'。"
原文博客：https://martin.sh/i-let-ai-build-a-tool-to-help-me-figure-out-what-was-waking-me-up-at-night/
