说话人识别回答了“谁在讲话？”。说话人识别通常分为两个任务：说话人识别和说话人确认。在说话人识别中，通过将说话人的语音与一组封闭的模板进行比较来识别说话人。在说话人验证中，通过将语音属于特定说话人的可能性与预定阈值进行比较来识别说话人。传统的机器学习方法在理想条件下可以很好地完成这些任务。有关使用传统机器学习方法的说话人识别示例，请参见使用基音和MFCC的说话人识别和使用i向量的说话人验证。音频工具箱™ 提供iVector系统，它封装了培训i-vector系统、注册扬声器或其他音频标签、评估系统的决策阈值以及识别或验证扬声器或其他音频标签的功能。

说话人二值化是根据说话人身份将音频信号划分为若干段的过程。它回答了“谁在何时发言”的问题，但事先不知道发言者的情况，并且根据申请情况，事先不知道发言者的人数。

使用转换后的数据存储对内存不足的音频数据进行语音数字识别网络培训。在本例中，将对用于训练卷积神经网络（CNN）的音频数据应用随机基音偏移。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培训功能不适合内存时，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，并将其写入磁盘。然后在训练期间使用signalDatastore访问这些功能。当培训功能不适合内存。在此工作流中，您只提取一次功能，如果您正在迭代深度学习模型设计，这将加快您的工作流。

演示如何使用双向长短时记忆（BiLSTM）网络和mel频率倒谱系数（MFCC）特征提取生成关键字识别代码。MATLAB®编码器™ 借助深度学习支持，可以生成独立的可执行（.exe）文件。MATLAB®（.mlx）文件和生成的可执行文件之间的通信通过异步用户数据报协议（UDP）进行。输入的语音信号使用时间范围显示。掩码显示为一个蓝色矩形，围绕着关键字YES的斑点实例。有关MFCC特征提取和深度学习网络训练的更多详细信息，请金宝app访问使用MFCC和LSTM网络的噪声中的关键词识别。

演示使用双向长短时记忆（BiLSTM）网络和Raspberry Pi上的mel频率倒谱系数（MFCC）特征提取生成关键字识别代码™. MATLAB®编码器™ 借助深度学习支持，可以在Raspberry Pi上生成独立的可执行（.elf）文件。MATLAB®（.mlx）文件与生成的可执行文件之间的通信通过异步用户数据报协议（UDP）进行。传入语音信号使用时间范围显示。掩码显示为蓝色矩形，包围关键字的斑点实例。是。有关MFCC特征提取和深度学习网络训练的更多金宝app详细信息，请访问使用MFCC和LSTM网络的噪声中的关键字斑点。

训练深度学习模型，检测音频中是否存在语音命令。该示例使用语音命令数据集[1]来训练卷积神经网络以识别给定的命令集。

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。要生成特征提取和网络代码，您可以使用MATLAB编码器和英特尔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，由一个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。

采用特征提取和卷积神经网络(CNN)对Raspberry Pi™进行语音命令识别。为了生成特征提取和网络代码，您使用MATLAB Coder, MATLAB支持包树莓派硬件，和ARM®计算库。金宝app在本例中，生成的代码是Raspberry Pi上的可执行文件，它由一个MATLAB脚本调用，该脚本显示预测的语音命令以及信号和听觉声谱图。MATLAB脚本和树莓派上的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。

使用深度学习网络隔离语音信号。

利用深度学习网络在嘈杂语音中识别关键字。具体来说，该示例使用了双向长短期记忆(BiLSTM)网络和mel频率倒频谱系数(MFCC)。

使用深度学习网络降噪语音信号。这个例子比较了应用于同一任务的两种类型的网络:全连接网络和卷积网络。

训练并使用生成性对抗网络（GAN）生成声音。

在低信噪比环境下使用深度学习检测语音区域。该示例使用语音命令数据集训练双向长短期记忆(BiLSTM)网络来检测语音活动。

使用深度学习对说话者的性别进行分类。该示例使用了一个门控循环单元(GRU)网络和伽玛通倒频谱系数(gtcc)、音调、谐波比和几个谱形状描述符。

使用机器和深度学习技术对语音数字进行分类。在本例中，使用支持向量机(SVM)和长短期记忆(LSTM)网络使用小波时间散射进行分类。金宝app您还可以应用贝叶斯优化来确定合适的超参数，以提高LSTM网络的精度。此外，该示例说明了一种使用深度卷积神经网络(CNN)和梅尔频率谱图的方法。

一个典型的特征选择工作流程应用于语音数字识别任务。

说明了一个使用BiLSTM网络的简单语音情感识别（SER）系统。首先下载数据集，然后在单个文件上测试经过培训的网络。该网络是在一个小型德语数据库[1]上训练的。

创建用于声学场景识别的多模型后期融合系统。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数据集进行培训和评估[1]。