借助该VST3插件，可以实现将DAW的音频信号通过HTTP协议发送到音频处理程序中，用以实现C/S结构的音频信号处理系统
举例：
结合AI猫雷项目，可以将猫雷变声器集成到你的DAW中
在实时模式进行了一些尝试，目前实时模式主要有以下问题以及解决方案：
1.过短的音频切片使得模型输出声音很奇怪，此处通过在每个前片前额外加入上一句音频，使得算法模型输入长度增加，模型能或得到足够长的信息，不会生成过于奇怪的声音，并在VST端对两个音频做首尾交叉淡化降低音频切片衔接的突兀感，但是目前仍然有些许爆音，在纯Python端做交叉淡化效果挺好，但VST里有瑕疵，估计我写的代码有问题，欢迎大佬来优化
建议的参数设置
最长音频切片时长：0.25s
交叉淡化时长: 0.25s
使用JUCE框架重新开发，提高了在不同DAW里的兼容性，例如AU、StudioOne、Reaper
！！！注意：更换了配置文件的路径！！！，新路径为C:\Program Files\Common Files\VST3\NetProcessJUCEVersion\netProcessConfig.json
在release页面下载最新的压缩包，解压后会有3个文件netProcessConfig.json，NetProcessJUCEVersion.vst3，samplerate.dll，将这些文件放在如下目录下C:\Program Files\Common Files\VST3\NetProcessJUCEVersion，！！！！注意路径一定要对，不然可能DAW扫描不到VST插件
按需要修改netProcessConfig.json中的内容，其中每个字段的定义如下
| 字段 | 默认值 | 说明 |
|---|---|---|
| configVersion | "2.0" | 配置文件版本号（勿改） |
| fSampleVolumeWorkActiveVal | 0.05 | 静音检测音量阈值（范围0-1），低于这个阈值被认为是静音 |
| bEnableSOVITSPreResample | false | 启用对SOVITS输入音频提前重采样，把重采样流程放到VST插件中，如果DAW里处理速度比后端快，可以开启 |
| iSOVITSModelInputSamplerate | 22050 | SOVITS输入音频提前重采样频率 |
| bEnableHUBERTPreResample | false | 启用对HUBERT输入音频提前重采样，，把重采样流程放到VST插件中，如果DAW里处理速度比后端快，可以开启，如果后端不支持的话，这里用false |
| iHUBERTInputSampleRate | 16000 | HUBERT输入音频提前重采样频率 |
| roleList | 多角色配置列表，至少放一个，不然插件报错打不开 |
多角色配置字段说明，每个说话人一个配置字典
| 字段 | 默认值 | 说明 |
|---|---|---|
| apiUrl | "http://127.0.0.1:6844" | 后端服务地址，也可以启用多个不同的模型，然后在这里配置不同的接口地址 |
| speakId | "0" | 说话人ID |
| name | "XXXX" | 说话人名称（只支持字母或者数字），会显示在插件UI界面便于实时切换说话人 |
插件安装完毕后会在StudioOne里按如下显示
插件的界面如下
| 选项 | 默认值 | 说明 |
|---|---|---|
| 实时模式 | 关 | 实时模式（可用，有略微咔哒声，有明显延迟），关闭后为逐句模式 |
| 调试日志 | 关 | Debug开关（保持关闭就行） |
| 最长音频切片时长 | 0.8s | 最长音频切片的长度，单位是秒 |
| 变调 | 14 | 变调（这个参数直接传给后端） |
| 最长静音时长 | 0.17s | 逐句模式下有效，单位是秒，当0.17秒内没有声音的时候，认为句子结束，开始调用模型 |
| 交叉淡化时长 | 0 | （实验性参数，保持为0就好） |
| 切换角色 | role | 角色切换，切换是实时生效的，角色配置在netProcessConfig.json的roleList字段中 |
| 算法耗时 | 0ms | 每次调用算法的耗时，单位毫秒 |
| 丢弃数据时长 | 0ms | （实时模式下因为网络波动而丢弃的数据长度） |
studioOne里工程的采样率应设置为44.1Khz
Studio One版本：Windows 5.5.1.85792
插件版本：v2.0
AU版本：Windows 22.1.1.23
插件版本：v2.0
Reaper版本：Windows v6.45
插件版本：v2.0
QQ:896919430
Email:natas_hw@163.com
Bilibili:串串香火锅