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。

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。

演示了使用双向长短期记忆(BiLSTM)网络和mel频率倒谱系数(MFCC)特征提取进行关键字发现的代码生成。具有深度学习支持的MATLAB®Coder™可以生成独立的可执行文件万博1manbetx(.exe)。MATLAB®(.mlx)文件和生成的可执行文件之间的通信发生在异步用户数据报协议(UDP)上。输入的语音信号使用时规显示。掩码显示为围绕关键字YES的标记实例的蓝色矩形。有关MFCC特征提取和深度学习网络训练的更多详细信息，请访问使用MFCC和LSTM网络在噪声中发现关键字。

演示了在树莓派™上使用双向长短期记忆(BiLSTM)网络和mel频率倒谱系数(MFCC)特征提取进行关键字发现的代码生成。具有深度学习支持的MATLAB®Coder™可以在树莓派上生成独立的万博1manbetx可执行文件(.elf)。MATLAB®(.mlx)文件和生成的可执行文件之间的通信发生在异步用户数据报协议(UDP)上。输入的语音信号使用时规显示。掩码显示为围绕关键字YES的标记实例的蓝色矩形。有关MFCC特征提取和深度学习网络训练的更多详细信息，请访问使用MFCC和LSTM网络在噪声中发现关键字。

训练一个深度学习模型，检测音频中语音命令的存在。该示例使用语音命令数据集[1]来训练卷积神经网络来识别给定的命令集。

在Intel®处理器上部署特征提取和卷积神经网络(CNN)用于语音命令识别。为了生成特征提取和网络代码，您使用MATLAB Coder和Intel深度神经网络数学内核库(MKL-DNN)。在本例中，生成的代码是一个MATLAB可执行(MEX)函数，由MATLAB脚本调用，该脚本显示预测的语音命令以及时域信号和听觉频谱图。有关音频预处理和网络训练的详细信息，请参见使用深度学习的语音命令识别。

将用于语音命令识别的特征提取和卷积神经网络(CNN)部署到树莓派™。为了生成特征提取和网络代码，您使用MATLAB Coder、MATLAB支持包(用于树莓派硬件)和ARM®计算库。万博1manbetx在本例中，生成的代码是树莓派上的可执行文件，由MATLAB脚本调用，该脚本显示预测的语音命令以及信号和听觉谱图。MATLAB脚本和树莓派上可执行文件之间的交互是使用用户数据报协议(UDP)处理的。有关音频预处理和网络训练的详细信息，请参见使用深度学习的语音命令识别。

使用深度学习网络识别嘈杂语音中的关键字。特别地，该示例使用了双向长短期记忆(BiLSTM)网络和mel频率倒谱系数(MFCC)。

使用深度学习网络去噪语音信号。该示例比较了应用于同一任务的两种网络类型:全连接网络和卷积网络。

训练和使用生成对抗网络(GAN)来生成声音。

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。

介绍了一个基于BiLSTM网络的简单语音情感识别系统。首先下载数据集，然后在各个文件上测试训练好的网络。该网络是在一个小型德语数据库[1]上训练的。

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]。

使用端到端深度学习网络进行与说话人无关的语音分离。

开发一个深度学习模型来检测空气压缩机中的故障，并将系统打包以对流数据进行操作。

生成MATLAB^®用于基于声学的机器故障识别的独立可执行文件。

生成一个树莓派™独立可执行文件，用于基于声学的机器故障识别。

利用gpu进行特征提取，以减少训练音频深度学习模型所需的时间。