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：

1. 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。
2. 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。
3. 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。
4. 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/