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的工具。它包括用于处理音频信号的算法,例如均衡和时间拉伸,估计诸如响度和清晰度的声学信号度量,以及提取诸如MFCC和音调的音频特征。它还提供先进的机器学习模型,包括i-vectors,以及预先覆盖的深度学习网络,包括vgggish和crepe。工具箱应用支持实时算法测试金宝app,脉冲响应测量和信号标记。该工具箱为Asio,Coreaudio和其他声卡提供流式界面;MIDI设备;和用于生成和托管VST和音频单元插件的工具。
使用Audio Toolbox您可以导入,标签和增强音频数据集,以及培训机器学习和深度学习模型的提取功能。提供的预先训练的型号可以应用于高级语义分析的音频录制。
您可以实时原型音频处理算法,或通过将低延迟音频传输到声卡来运行定制声学测量。您可以通过将其转换为音频插件来验证您的算法,以在外部主机应用程序(如数字音频工作站)中运行。插件托管让您使用外部音频插件作为常规MATLAB®对象。
开始:
与标准音频驱动程序的连接
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®, 苹果电脑®和Linux.®操作系统。
预训练的深度学习模式
使用深度学习进行复杂的信号处理任务,并用单行代码提取音频嵌入式。访问建立的预先培训的网络,如yamnet,Vggnish,Crepe和OpenL3,并在预配置的特征提取功能的帮助下应用它们。
音频,语音和声学的功能提取
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。
机器学习模型和培训配方
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。
具有框图的系统仿真
使用Simulink的音频处理块图书馆设计和模拟系统模型金宝app®。使用交互式控件和动态绘图调整参数和可视化系统行为。
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
将声压水平(SPL)仪表和响度计施加到录制或实时信号。分析八度音阶和分数倍频滤波器的信号。将标准符合标准的A,C-,或K加权过滤器应用于原始录制。测量声学清晰度,粗糙度和波动强度。
脉冲响应测量
测量声音和音频系统的脉冲和频率响应具有最大限度序列(MLS)和指数扫描正弦曲线(ESS)。开始使用脉冲响应测量值应用程序。通过以编程方式产生激励信号和估计系统响应来自动化测量。
生成音频插件
直接从MATLAB代码生成VST插件,AU插件和独立的可执行插件,无需手动设计用户界面。对于更高级插件原型设计,生成即可建立的juce C ++项目(需要Matlab Coder™)。
托管外部音频插件
使用外部VST和AU插件作为常规MATLAB对象。更改插件参数和以编程方式处理MATLAB阵列。或者,使用用户界面和MIDI控件自动化插件参数的关联。从MATLAB代码生成的主机插件,以提高执行效率。
CPU和GPU目标的代码生成
与MathWorks®编码器产品,下载188bet金宝搏生成C和C ++源代码从信号处理和机器学习算法提供作为工具箱功能,对象和块。从SELECT Feation提取功能生成CUDA源代码MFCC.
和MELSPectRoge.
。
低成本和移动设备
使用车载或外部多通道音频接口进行覆盆子PI™上的原型音频处理。创建交互式控制面板作为Android的移动应用程序®或iOS设备。
零延迟系统
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。金宝app