列车检测声音的语音命令的存在深刻的学习模式。该示例使用语音命令数据集[1]来训练卷积神经网络识别一组给定的命令。

演示机器学习的方法来识别基于从录制的语音提取的特征的人。用于训练分类器的特征是语音的有声段和梅尔倒频谱系数（MFCC）的音高。这是一个闭集说话人识别：扬声器测试音频免受一切可用的扬声器的机型相比（有限集）和最接近的匹配返回。

隔离使用深学习网络的语音信号。

标识使用深学习网络在有噪声的语音关键字。特别地，该示例使用了双向长短期存储器（BiLSTM）网络和梅尔频率倒谱系数（MFCC）。

采用深学习网络降噪语音信号。该实施例比较了两种类型的施加到相同的任务的网络：完全连接，和卷积。

火车和使用生成对抗网络（GAN）来产生声音。

检测采用深度学习低信号噪声环境下的语音区域。该示例使用语音命令数据集来训练双向长短期记忆（BiLSTM）网络检测到语音活动。

分类采用深学习讲话者的性别。该示例使用一个双向长短期存储器（BiLSTM）网络和伽马通倒频谱系数（GTCC），俯仰，谐波比，和若干频谱形状描述符。

分类口语同时使用机器和深入学习技术的数字。在示例中，您使用小波时散射用支持向量机（SVM），并具有长的短期记忆（LSTM）网络执行分类。万博1manbetx您也适用贝叶斯优化来确定合适的超参数，以提高网络LSTM的准确性。此外，该示例示出了使用深卷积神经网络（CNN）和梅尔频率谱图的方法。

分类小波时间散射和音频数据存储音乐节选的风格。在小波散射，数据通过一系列小波变换，非线性，和平均化的所述数据的生产低方差表示传播。然后将这些低方差表示被用作输入到分类器。

为特征选择典型的工作流程应用到语音数字识别的任务。

说明使用BiLSTM网络一个简单的语音情感识别（SER）系统。你开始通过下载数据集，然后对单个文件测试训练的网络。该网络进行训练小德的语言数据库[1]。

创建声场景识别多模式后融合系统。该示例使用训练梅尔频谱，并使用小波散射综合识别卷积神经网络（CNN）。该示例使用用于训练和评估[1] TUT数据集。

音箱验证，身份验证，是验证一个给定的声音片段属于给定扬声器的任务。在说话者确认系统中，存在一个未知的集合中的所有其他扬声器，使得发声属于验证目标的可能性相比，它不可能性。这与说话人识别任务，其中计算每个扬声器的可能性，和那些可能对比度进行比较。两个扬声器检验和说话者识别可以是文本依赖性或文本独立的。在此例中，创建使用高斯混合模型/通用背景模型（GMM-UBM）与文本相关的说话者验证系统。

音箱验证，身份验证，是确认扬声器的身份，他们声称是谁的任务。说话人确认已经很多年活跃的研究领域。一个早期的性能突破是为使用声学特征高斯混合模型和通用背景模型（GMM-UBM）[1]（通常MFCC）。举一个例子，看说话人确认使用高斯混合模型。一个GMM-UBM系统的主要困难包括闭会期间的变化。联合因子分析（JFA）提出了通过分别建模扬声器间的变异和信道或会话变异[2] [3]，以补偿这种变化。然而，[4]发现在围绕扬声器JFA也包含信息信道的因素，并提出了信道和扬声器空格组合成总变异性的空间。休会变异然后通过使用后端程序，例如线性判别分析（LDA）和类内协方差归一化（WCCN），随后通过记分，如余弦相似度得分补偿。[5]提出了一种概率LDA（PLDA）代替余弦相似性的得分。虽然我-载体最初提出了说话人确认，他们已经被应用到很多问题，如语言识别，说话diarization，情感识别，年龄估计和反欺骗[10]。 Recently, deep learning techniques have been proposed to replace i-vectors with d-vectors or x-vectors [8] [6].

使用多个间距估计，八度和中值滤波和隐马尔可夫模型（HMM）进行沥青跟踪。

时频掩蔽是施加权重的时频表示的二进制位来增强，减弱，或音频的分离部分的处理。

使用莱文森 - 德宾和时变格型滤波器模块，使用线性预测编码语音的低带宽传输。