音频工具箱
设计和分析语音、声学和音频处理系统
Audio Toolbox™提供音频处理、语音分析和声学测量工具。它包括处理音频信号(如均衡和时间延伸)的算法,估计音频信号度量(如响度和清晰度),以及提取音频特征(如MFCC和音调)的算法。它还提供先进的机器学习模型,包括i-向量,和预先训练的深度学习网络,包括VGGish和CREPE。工具箱应用程序支持实时算法万博1manbetx测试、脉冲响应测量和信号标记。工具箱提供了ASIO、CoreAudio和其他声卡的流接口;MIDI设备;以及用于生成和托管VST和音频单元插件的工具。
使用Audio Toolbox,您可以导入、标记和扩充音频数据集,以及提取特征以训练机器学习和深度学习模型。提供的预训练模型可应用于音频录制,以进行高级语义分析。
您可以实时创建音频处理算法的原型,也可以通过将低延迟音频传输到声卡或从声卡传输来运行定制的声学测量。你可以验证你的算法,把它变成一个音频插件运行在外部主机应用程序,如数字音频工作站。插件托管让您使用外部音频插件作为常规MATLAB®对象。
开始:
连接到标准音频驱动程序
使用标准音频驱动程序(如ASIO, WASAPI, CoreAudio和ALSA)跨Windows从声卡(如USB或Thunderbolt™)读写音频样本®,Mac®和Linux®操作系统。
预先训练的深度学习模型
使用深度学习执行复杂的信号处理任务,提取音频嵌入与单行代码。访问已建立的预先训练的网络,如YAMNet、VGGish、CREPE和OpenL3,并在预先配置的特征提取函数的帮助下应用它们。
音频,语音和声学的特征提取
将信号转换成时频表征,如Mel、Bark和ERB谱图。计算倒谱系数,如MFCC和GTCC,以及标量特征,如音调、谐波和谱描述符。使用预先训练的深度学习模型(VGGish, OpenL3)和i-向量系统提取高级特征和信号嵌入。加速特征提取与兼容的GPU卡。
机器学习模型和训练食谱
用您的音频数据集训练最先进的机器学习。使用已建立的模型系统,如i-vector,用于发言者识别和验证等应用程序。从工作示例中学习如何设计和训练音频、语音和声学应用的高级神经网络和层。
导入、注释和预处理音频数据集
读取、分区和预处理大量音频记录集合。用应用程序手动标注音频信号。使用预先训练的机器学习模型自动识别和分割感兴趣的区域。
用方框图进行系统仿真
使用Simulink中的音频处理模块库设计和仿真系统模型万博1manbetx®.使用交互式控件和动态绘图调整参数并可视化系统行为。
通过用户界面进行实时参数调整
自动创建用户界面的可调参数的音频处理算法。使用Audio Test Bench应用程序测试单个算法,并使用自动生成的交互控件在运行程序中调整参数。
用于参数控制和消息交换的MIDI连接
利用MIDI控制曲面交互改变MATLAB算法的参数。通过发送和接收任何类型的MIDI消息来控制外部硬件或响应事件。
基于标准的计量和分析
应用声压级(SPL)计和响度计记录或现场信号。用八度和分数八度滤波器分析信号。对原始记录应用符合标准的A-、C-或k -加权过滤器。测量声锐度、粗糙度和波动强度。
脉冲响应测量
用最大长度序列(MLS)和指数扫描正弦波(ESS)测量声学和音频系统的脉冲和频率响应。开始使用脉冲响应测量应用程序。通过编程生成激励信号和估计系统响应,实现自动化测量。
生成音频插件
直接从MATLAB代码生成VST插件、AU插件和独立可执行插件,无需手动设计用户界面。对于更高级的插件原型,生成准备好的JuSE C++项目(需要MATLAB编码器)™).
托管外部音频插件
使用外部VST和AU插件作为常规MATLAB对象。更改插件参数并以编程方式处理MATLAB数组。或者,自动将插件参数与用户界面和MIDI控件关联。托管从MATLAB代码生成的插件,以提高执行效率。
CPU和GPU目标的代码生成
与MathWorks®编码器产品,s manbetx 845生成C和c++源代码从信号处理和机器学习算法提供的工具箱函数,对象,和块。生成CUDA的源代码从选择特征提取函数mfcc
和melSpectrogram
.
低成本和移动设备
通过使用板载或外部多通道音频接口,Raspberry Pi™上的原型音频处理设计。创建交互式控制面板作为Android的移动应用程序®或iOS设备。
实现零延迟的系统
具有单样本输入和输出的原型音频处理设计,用于自适应噪声控制、助听器验证或其他需要最小往返DSP延迟的应用程序。自动目标Speedgoat音频机和ST发现板直接从Simulink模型。万博1manbetx