fs = 16 e3;[演讲,fileFs] = audioread (“Counting-16-44p1-mono-15secs.wav”）;演讲=重新取样(演讲、fs、fileFs);演讲=演讲/ max (abs(演讲));声音(演讲中,fs)

赢=海明（50E-3 * FS，“周期”)；检测语音（语音、fs、，'窗户'，赢）

[噪音，文件]=音频读取('洗衣机-16-8-单200secs.mp3'）;噪声=重采样（噪音，FS，fileFs）;SNR = -20;noiseGain = 10 ^（ -  SNR / 20）*范数（语音）/常态（噪声）;noisySpeech =语音+ noiseGain *噪声（1：numel（语音））;noisySpeech = noisySpeech./max(abs(noisySpeech））;声音（noisySpeech，FS）

检测语音（NoiseSpeech，fs，'窗户'，赢）

网址=“http://ssd.mathworks.com/金宝appsupportfiles/audio/VoiceActivityDetection.zip”；downloadNetFolder = TEMPDIR;netFolder =完整文件（downloadNetFolder，“语音活性检测”）;如果~exist（netFolder，“dir”) disp ('下载预训练网络(1文件- 8mb)…'）解压缩（URL，downloadNetFolder）结束负载（完整文件（netFolder，'voiceActivityDetectionExample.mat'））;

speechDetectNet

afe

特点=提取(afe noisySpeech);feature = (Features - mean(Features,1)) ./ std(Features，[]，1);特点=功能”;

decisionsCategorical=分类（speechDetectNet，特征）；

decisionsWindow = 1.2 *（双（decisionsCategorical）-1）;decisionsSample = [repelem（decisionsWindow（1），numel（afe.Window）），......repelem (decisionsWindow(2:结束),元素个数(afe.Window) -afe.OverlapLength)];t =(0:元素个数(decisionsSample) 1) / afe.SampleRate;情节(t, noisySpeech(1:元素个数(t)),......t、 致辞全文(一:努梅尔(t)),，......吨，decisionsSample）;Xlabel（‘时间’)伊拉贝尔(“振幅”） 传奇（“噪音演说”，“演讲”，'VAD'，'地点'，'西南'）

audiowrite (“Speech.wav”，演讲，fs）音频写作(“Noise.wav”、噪音、fs)

testDuration =20.；sequenceLength =400；sequenceHop =20.；信噪比=-20噪声噪声=10^（-SNR/20）*标准（语音）/标准（噪声）；信号监听=“嘈杂”；

helperStreamingDemo (afe speechDetectNet,......“Speech.wav”，“Noise.wav”，......testDuration，sequenceLength，sequenceHop，signalToListenTo，noiseGain）;

网址=“https://ssd.mathworks.com/金宝appsupportfiles/audio/google_speech.zip”；downloadFolder = tempdir;datasetFolder = fullfile (downloadFolder,“谷歌演讲”）;如果~exist（datasetFolder，“dir”) disp (“谷歌下载语音命令数据集（1.9 GB）......”）解压缩（URL，downloadFolder）结束

adsTrain=音频数据存储（完整文件（数据集文件夹，“火车”），“Includesubfolders”，真的）;

adsValidation = audioDatastore（完整文件（datasetFolder，“验证”），“Includesubfolders”，真的）;

[data，adsInfo]=read（adsTrain）；Fs=adsInfo.SampleRate；

声音（数据，FS）

时间向量=（1/Fs）*（0:numel（数据）-1）；绘图（时间向量，数据）标签(“振幅”）xlabel（“时间(s)”)头衔(“音频样本”)网格在…上

赢=汉明（50E-3 * Fs的“周期”）;detectSpeech（数据，FS，'窗户',赢了);

speechIndices = detectSpeech(数据、Fs、'窗户',赢了);声音(数据(speechIndices (1,1): speechIndices(1、2),Fs)

= max(speech hindices (1,1) - 5*numel(win)，1);= min(speech hindices (1,2) + 5*numel(win)，numel(data));声音(数据(speechIndices (1,1): speechIndices(1、2),Fs)

reset(adsTrain) adsTrain = shuffle(adsTrain);adsValidation = shuffle (adsValidation);

TM=[]；为索引1 = 1：500点的数据=读（adsTrain）;[〜，T] = detectSpeech（数据，FS，'窗户',赢了);TM = [TM; T];结束T=平均值（TM）；重置（adsTrain）

时间= 2000 * Fs;audioTraining = 0(持续时间,1);

maskTraining=零（持续时间，1）；

maxSilenceSegment = 2;

numSamples=1；虽然numSamples < duration data = read(adsTrain);Data = Data ./ max(abs(Data));％幅度正常化％确定演讲的地区IDX = detectSpeech（数据，FS，'窗户'赢“阈值”T);%如果检测到语音区域如果~ isempty (idx)%将索引扩展五帧Idx (1,1) = max(1, Idx (1,1) - 5*numel(win));idx(1、2)= min(长度(数据),idx(1、2)+ 5 *元素个数(赢得));%隔离演讲数据=数据（idx（1,1）：idx（1,2））；将语音片段写入训练信号audioTraining（NUMSAMPLES：NUMSAMPLES + numel（数据）-1）=数据;％设定VAD基线maskTraining (numSamples: numSamples +元素个数(数据)1)= true;%随机静默期numSilenceSamples =兰迪(maxSilenceSegment * Fs, 1,1);numSamples = numSamples + nummel (data) + numsilencessamples;结束结束

图形范围=1:10*Fs；绘图（（1/Fs）*（范围-1），音频培训（范围））；保持在…上绘图（（1/Fs）*（范围-1），maskTraining（范围））；网格在…上行= findall (gcf,“类型”，“行”)；行（1）。线宽=2；xlabel(“时间(s)”） 传奇（“信号”，“语音区间”)头衔(“训练信号（前10秒）”）;

声音（音频训练（范围），Fs）；

噪音= audioread (“洗衣机-16-8-单1000secs.mp3”）;噪声=重采样（噪音，2,1）;

audioTraining = audioTraining（1：numel（噪声））;SNR = -10;噪声= 10 ^（ -  SNR / 20）* *噪声规范（audioTraining）/常态（噪声）;audioTrainingNoisy = audioTraining +噪声;audioTrainingNoisy = audioTrainingNoisy / MAX（ABS（audioTrainingNoisy））;

图绘制((1 / Fs) *(范围1)audioTrainingNoisy(范围);持有在…上绘图（（1/Fs）*（范围-1），maskTraining（范围））；网格在…上行= findall (gcf,“类型”，“行”)；行（1）。线宽=2；xlabel(“时间(s)”） 传奇（“噪声信号”，“语音区”)头衔(“训练信号（前10秒）”）;

声音(audioTrainingNoisy(范围)、Fs)

speechIndices = detectSpeech (audioTrainingNoisy Fs,'窗户',赢了);speechIndices（：，1）= MAX（1，speechIndices（：，1） -  5 * numel（WIN））;speechIndices（：，2）=分钟（numel（audioTrainingNoisy），speechIndices（：，2）+ 5 * numel（WIN））;noisyMask =零（大小（audioTrainingNoisy））;为ii = 1:size(speech hindices) noisyMask(speech hindices (ii,1):speech hindices (ii,2)) = 1;结束

图绘制((1 / Fs) *(范围1)audioTrainingNoisy(范围);持有在…上情节((1 / Fs) *(范围1)noisyMask(范围);网格在…上行= findall (gcf,“类型”，“行”)；行（1）。线宽=2；xlabel(“时间(s)”） 传奇（“噪声信号”，“从噪声信号屏蔽”)头衔(“训练信号（前10秒）”）;

时间= 200 * Fs;audioValidation = 0(持续时间,1);maskValidation = 0(持续时间,1);

numSamples=1；虽然numSamples < duration data = read(adsValidation);Data = Data ./ max(abs(Data));％幅度正常化％确定演讲的地区IDX = detectSpeech（数据，FS，'窗户'赢“阈值”T);%如果检测到语音区域如果~ isempty (idx)%将索引扩展五帧Idx (1,1) = max(1, Idx (1,1) - 5*numel(win));idx(1、2)= min(长度(数据),idx(1、2)+ 5 *元素个数(赢得));%隔离演讲数据=数据（idx（1,1）：idx（1,2））；将语音片段写入训练信号audioValidation（NUMSAMPLES：NUMSAMPLES + numel（数据）-1）=数据;%设置VAD基线maskValidation (numSamples: numSamples +元素个数(数据)1)= true;%随机静默期numSilenceSamples =兰迪(maxSilenceSegment * Fs, 1,1);numSamples = numSamples + nummel (data) + numsilencessamples;结束结束

噪音= audioread (“洗衣机-16-8-单200secs.mp3”）;噪声=重采样（噪音，2,1）;噪声=噪声（1：持续时间）;audioValidation = audioValidation（1：numel（噪声））;噪声= 10 ^（ -  SNR / 20）* *噪声规范（audioValidation）/常态（噪声）;audioValidationNoisy = audioValidation +噪声;audioValidationNoisy = audioValidationNoisy / MAX（ABS（audioValidationNoisy））;

afe = audioFeatureExtractor ('采样率'Fs,......'窗户'，hann（256，“周期”），......'OverlapLength',128,............'spectralCentroid'，真的，......“幽灵休息”，真的，......“spectralEntropy”，真的，......“Spectraflux”，真的，......'spectralKurtosis'，真的，......“光谱衰减点”，真的，......“光谱可见度”，真的，......“spectralSlope”，真的，......'harmonicRatio'，真的）;featuresTraining =提取物（AFE，audioTrainingNoisy）;

[numWindows，numFeatures] =尺寸（featuresTraining）

M =平均（featuresTraining，1）;S = STD（featuresTraining，[]，1）;featuresTraining =（featuresTraining  -  M）./ S;

featuresValidation =提取物（AFE，audioValidationNoisy）;featuresValidation =（featuresValidation  - 平均（featuresValidation，1））./ STD（featuresValidation，[]，1）;

windowLength=numel（afe.Window）；hopLength=windowLength-afe.OverlapLength；range=（hopLength）*（1:size（featuresTraining，1））+hopLength；maskMode=零（size（range））；为index=1:numel（range）maskMode（index）=模式（maskTraining（（index-1）*hopLength+1:（index-1）*hopLength+windowLength））；结束maskTraining = maskMode'。maskTrainingCat =分类（maskTraining）;

范围=（hopLength）*（1：尺寸（特征验证，1））+hopLength；maskMode=零（大小（范围））；为maskMode(index) = mode(maskValidation((index-1)*hopLength+1:(index-1)*hopLength+windowLength));结束maskValidation=maskMode.'；maskValidationCat=categorical（maskValidation）；

sequenceLength = 800;sequenceOverlap = ROUND（0.75 * sequenceLength）;trainFeatureCell = helperFeatureVector2Sequence（featuresTraining”，sequenceLength，sequenceOverlap）;trainLabelCell = helperFeatureVector2Sequence（maskTrainingCat”，sequenceLength，sequenceOverlap）;

层=[......sequenceInputLayer（大小（featuresValidation，2））bilstmLayer（200，“输出outputmode”，“顺序”) bilstmLayer (200,“输出outputmode”，“顺序”)完整连接层（2）softmaxLayer分类层]；

maxEpochs = 20;miniBatchSize = 64;选择= trainingOptions (“亚当”，......“最大时代”，maxEpochs，......“最小批量大小”，小批量，......“洗牌”，“每个时代”，......“详细”，0，......“SequenceLength”，序列长度，......“ValidationFrequency”，地板（numel（trainFeatureCell）/小批量尺寸），......“ValidationData”{featuresValidation。 'maskValidationCat。'}，......“阴谋”，“训练进度”，......“LearnRateSchedule”，“分段”，......“LearnRateDropFactor”, 0.1,......“LearnRateDropPeriod”5);

doTraining = TRUE;如果doTraining[speechDetectNet，netInfo]=列车网络（列车功能单元、列车标签单元、层、选项）；fprintf(“验证准确度：％F％的\ n”，netInfo.FinalValidationAccuracy）;其他的负载speechDetectNet结束

EstimatedVADMask =分类(speechDetectNet featuresValidation。');EstimatedVADMask =双(EstimatedVADMask);EstimatedVADMask = EstimatedVADMask。”——1;

图cm=混淆图（maskValidation、EstimatedVadTask、，“标题”，“验证准确度”）;厘米。ColumnSummary =“列规格化”；厘米。RowSummary =“行标准化”；

resaveNetwork =假；如果resaveNetwork保存（“Audio_VoiceActivityDetectionExample.mat”，'speechDetectNet'，“afe”）;结束

作用[序列,sequencePerFile] = helperFeatureVector2Sequence(特性、featureVectorsPerSequence featureVectorOverlap)如果FeatureVector序列<=FeatureVector重叠错误(重叠特征向量的数量必须小于每个序列的特征向量的数量。）结束如果~iscell(feature) feature = {feature};结束hopLength=featureVectorsPerSequence-featureVectorOverlap；idx1=1；sequences={}；sequencePerFile=cell（numel（features），1）；为ii=1:numel（features）sequencePerFile{ii}=floor（（size（features{ii}，2）-featureVectorsPerSequence）/hopLength）+1；idx2=1；为J = 1：sequencePerFile {II} {序列} i​​dx1,1 =功能{II}（：，IDX2：IDX2 + featureVectorsPerSequence  -  1）;% #好< AGROW >idx1=idx1+1；idx2=idx2+hopLength；结束结束结束

作用helperStreamingDemo（speechDetectNet、afe、cleanSpeech、noise、测试持续时间、sequenceLength、sequenceHop、signalToListenTo、noiseGain）

speechReader = dsp.AudioFileReader（cleanSpeech，“PlayCount”，inf）；noiseReader=dsp.AudioFileReader（噪音，“PlayCount”、正);fs = speechReader.SampleRate;

movSTD = dsp。MovingStandardDeviation ('方法'，指数权重的，“遗忘因子”,1);movMean = dsp.MovingAverage（'方法'，指数权重的，“遗忘因子”,1);

audioInBuffer = dsp.AsyncBuffer;featureBuffer = dsp.AsyncBuffer;audioOutBuffer = dsp.AsyncBuffer;

channelToListenTo = 1;如果strcmp（信号监听），“清洁”) channelToListenTo = 2;结束

范围=时间波谱（'采样率'，财政司司长，......“TimeSpanSource”，“属性”，......'时间跨度'3.......“缓冲长度”，FS * 3 * 3，......“YLimits”,[-1 1],......'TimeSpanOverrunAction'，“滚动”，......“ShowGrid”，真的，......“NumInputPorts”3.......'LayoutDimensions',[3,1],......“头衔”，“噪音演说”）;scope.ActiveDisplay = 2;scope.Title =“干净的演讲(原始)”；scope.YLimits=[-1]；scope.ActiveDisplay=3；scope.Title=“发现演讲”; scope.YLimits=[-1]；

deviceWriter=音频设备编写器('采样率'，FS）;

windowLength =元素个数(afe.Window);hopLength = windowLength - afe.OverlapLength;myMax = 0;audioBufferInitialized = false;featureBufferInitialized = false;

抽搐虽然toc%读取一帧语音信号和一帧噪声信号speechIn = speechReader（）;noiseIn = noiseReader（）;%在指定的信噪比下混合语音和噪声noisyAudio = speech + noiseGain*noise ein;为标准化更新一个运行最大值myMax=max（myMax，max（abs（noiseyaudio））；%将嘈杂的音频和语音写入缓冲区写作（音频缓冲，[noiseyaudio，speechIn]）；%如果缓冲足够的样本，％标记音频缓冲器作为初始化，并推读指针%为音频缓冲区增加一个窗口长度。如果audioInBuffer。NumUnreadSamples >= windowLength && ~audioBufferInitialized audioBufferInitialized = true;读(audioInBuffer windowLength);结束%如果音频缓冲区中有足够的样本来计算特征%向量，读取样本，归一化，提取特征向量，写入％最新的特征向量的特征缓冲。虽然（audioInBuffer.NumUnreadSamples> = hopLength）&& audioBufferInitialized X =读（audioInBuffer，窗口长度+ hopLength，窗口长度）;写（audioOutBuffer中，x（端hopLength + 1：端，:)）;noisyAudio = X（：，1）;noisyAudio = noisyAudio / myMax;设有=提取物（AFE，noisyAudio）;写（featureBuffer，特征（2，:)）;结束%如果缓冲了足够的特征向量，标记特征缓冲区%初始化，并将读取指针推入特性缓冲区%和音频输出缓冲区（以便它们同步）。如果featureBuffer。NumUnreadSamples >= (sequenceLength + sequenceHop) && ~featureBufferInitialized featureBufferInitialized = true;读(featureBuffer sequenceLength - sequenceHop);读(audioOutBuffer (sequenceLength - sequenceHop) * windowLength);结束虽然featureBuffer。NumUnreadSamples >= sequenceHop && featureBufferInitialized features = read(featureBuffer,sequenceLength,sequenceLength - sequenceHop);特性(isnan(特性))= 0;％仅使用新功能更新%标准差和平均值。将特征标准化。localSTD=movSTD（features（end sequenceHop+1:end，：）；localMean=movMean（features（end sequenceHop+1:end，：）；features=（features-localMean（end，：）。/localSTD（end，：）；decision=classify（speechDetectNet，features'）；decision（end sequenceHop+1:end）；decision=double（decision）-1；decision=Replem（decision，HopLen；audioHop=读取（AudioBuffer，sequenceHop*hopLength）；%听演讲或演讲+噪音deviceWriter（audioHop（：，channelToListenTo））;%将语音+噪波、原始语音和％语音活动检测。范围（audioHop（：，1），audioHop（：，2），audioHop（：，1）*决定）结束结束发布（deviceWriter）发布（audioInBuffer）发布（audioOutBuffer）发布（featureBuffer）发布（movSTD）发布（movMean）发布（scope）结束