开发一个x矢量系统来执行说话人识别。

扬声器分区化是根据扬声器的身份将音频信号分割成段的过程。它在不事先知道说话人的情况下回答了“谁在什么时候说话”的问题，根据应用情况，也不事先知道说话人的数量。

使用转换后的数据存储在内存不足的听觉频谱图上训练语音数字识别网络。在本例中，您使用audioDatastore和audioFeatureExtractor从音频中提取听觉频谱图，并将它们写入磁盘。然后在训练期间使用signalDatastore访问特性。当训练特征不适合内存时，工作流是有用的。在这个工作流中，您只提取一次特征，如果您正在迭代深度学习模型设计，这将加快您的工作流。

使用转换后的数据存储在内存不足的音频数据上训练语音数字识别网络。在本例中，您将随机音高偏移应用于用于训练卷积神经网络(CNN)的音频数据。对于每个训练迭代，使用audioDataAugmenter对象增强音频数据，然后使用audioFeatureExtractor对象提取特征。本例中的工作流适用于训练循环中使用的任何随机数据增强。当底层音频数据集或训练特征不适合内存时，该工作流也适用。

训练一个深度学习模型，检测音频中语音命令的存在。

使用深度学习在低信噪比环境中检测语音区域。该示例使用语音命令数据集来训练双向长短期记忆(BiLSTM)网络来检测语音活动。

使用机器和深度学习技术对语音数字进行分类。在本例中，使用支持向量机(SVM)和长短期记忆(LSTM)网络的小波时间散射执行分类。万博1manbetx您还应用贝叶斯优化来确定合适的超参数，以提高LSTM网络的精度。此外，该示例说明了使用深度卷积神经网络(CNN)和mel频率谱图的方法。

一个典型的特征选择工作流应用于语音数字识别任务。

创建一个多模型声场景识别后期融合系统。该示例使用mel谱图训练卷积神经网络(CNN)，使用小波散射训练集成分类器。本例使用TUT数据集进行训练和评估[1]。

扬声器验证，或认证，是确认一个扬声器的身份是谁的任务。说话人验证一直是一个活跃的研究领域。早期的性能突破是在声学特征(通常是mfcc)上使用高斯混合模型和通用背景模型(GMM-UBM)[1]。例如，请参见使用高斯混合模型验证扬声器。GMM-UBM系统的主要困难之一涉及会话间的可变性。联合因子分析(Joint factor analysis, JFA)通过分别模拟说话者间变异性和信道或会话变异性[2][3]来补偿这种变异性。而[4]发现JFA中的信道因子也包含扬声器的信息，并提出将信道空间和扬声器空间合并为一个总变率空间。然后使用后端程序补偿会话间的可变性，如线性判别分析(LDA)和类内协方差归一化(WCCN)，然后进行评分，如余弦相似度评分。[5]提出用概率LDA (PLDA)模型代替余弦相似度评分。[11]和[12]提出了一种方法对i向量进行高斯化，从而在PLDA中进行高斯假设，称为G-PLDA或简化PLDA。 While i-vectors were originally proposed for speaker verification, they have been applied to many problems, like language recognition, speaker diarization, emotion recognition, age estimation, and anti-spoofing [10]. Recently, deep learning techniques have been proposed to replace i-vectors with d-vectors or x-vectors [8] [6].

扬声器验证，或认证，是验证给定的演讲片段是否属于给定的演讲者的任务。在说话人验证系统中，所有其他说话人都有一个未知的集合，因此将一个话语属于验证目标的可能性与它不属于验证目标的可能性进行比较。这与说话人识别任务形成对比，在识别任务中，每个说话人的可能性都是计算出来的，并且这些可能性是比较的。说话人验证和说话人识别可以依赖于文本，也可以独立于文本。在本例中，您将使用高斯混合模型/通用背景模型(GMM-UBM)创建一个依赖文本的说话人验证系统。

使用多重音高估计、八度和中值平滑以及隐马尔可夫模型(HMM)执行音高跟踪。

使用Levinson-Durbin和时变晶格滤波器块用于使用线性预测编码的低带宽语音传输。

使用自定义深度学习层执行语音识别，该层实现了mel规模的滤波器组。

训练滤波和网络(FaSNet)使用双音域数据进行语音增强。

设计一个自动编码器神经网络，利用无监督学习对机器声音进行异常检测。