训练一个深度学习模型来检测语音命令的存在。本例使用语音命令数据集[1]训练卷积神经网络识别给定的一组命令。

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。

使用深度学习网络分离语音信号。

利用深度学习网络识别含噪语音中的关键字。特别地，这个例子使用了双向长短时记忆(BiLSTM)网络和mel-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。

训练并使用生成式对抗网络(GAN)来生成声音。

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。

使用机器和深度学习技术对语音数字进行分类。在本例中，使用小波时间散射和支持向量机(SVM)以及长短时记忆(LSTM)网络进行分类。万博1manbetx您还可以应用贝叶斯优化来确定合适的超参数，以提高LSTM网络的准确性。此外，该例子还演示了一种使用深度卷积神经网络(CNN)和mel-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。

语音数字识别任务中典型的特征选择工作流程。

说明了一个简单的语音情感识别(SER)系统使用的BiLSTM网络。首先下载数据集，然后在各个文件上测试经过训练的网络。该网络是在一个小型德语数据库[1]上训练的。

建立了一个多模型的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。该示例使用TUT数据集进行训练和评估[1]。

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。

说话人验证(或身份验证)的任务是确认说话人的身份是他们声称要成为的人。多年来，说话人验证一直是一个活跃的研究领域。早期的性能突破是使用高斯混合模型和通用背景模型(GMM-UBM)[1]对声学特征(通常是mfcc)。有关示例，请参见使用高斯混合模型的说话人验证。GMM-UBM系统的主要难点之一是会话间的可变性。联合因素分析(JFA)被提议通过单独建模说话人之间的差异性和通道或会话的差异性[2][3]来补偿这种差异性。然而，[4]发现JFA中的信道因子也包含了关于音箱的信息，并提出将信道和音箱空间合并成一个全变率空间。然后，使用后端过程(如线性判别分析(LDA)和类内协方差标准化(WCCN))对会话间的可变性进行补偿，然后进行评分(如余弦相似度评分)。[5]提出用概率LDA (PLDA)代替余弦相似度评分。虽然i-vector最初被提出用于说话人验证，但它们已经被应用于许多问题，如语言识别、说话人二值化、情感识别、年龄估计和反欺骗干扰[10]。 Recently, deep learning techniques have been proposed to replace i-vectors with d-vectors or x-vectors [8] [6].

使用多种基音估计、八度和中值平滑以及隐马尔科夫模型(HMM)进行基音跟踪。

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。