开发一个x向量系统来执行说话人识别。

讲话者日记是根据讲话者身份将音频信号分割成若干段的过程。它回答了“谁在什么时候说话”的问题，而不需要事先知道说话者的情况，根据应用程序，也不需要事先知道说话者的数量。

使用转换后的数据存储在内存不足的音频数据上训练语音数字识别网络。在本例中，您将对用于训练卷积神经网络(CNN)的音频数据应用随机音高变换。对于每次训练迭代，使用audioDataAugmenter对象扩充音频数据，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训练特征不适合存储时，该工作流程也适用。

使用转换的数据存储在内存不足的听觉谱图上训练一个语音数字识别网络。在本例中，您使用audioDatastore和audioFeatureExtractor从音频中提取听觉谱图，并将它们写入磁盘。然后在培训期间使用signalDatastore访问这些特性。当训练特征不适合记忆时，工作流是有用的。在这个工作流中，您只提取一次特征，如果您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期记忆(BiLSTM)网络和mel频率倒谱系数(MFCC)特征提取来生成关键字识别的代码。MATLAB®编码器™具有深度学习支持，可以生成一个独立的可执行文件金宝app(.exe)。在MATLAB®(.mlx)文件和生成的可执行文件之间的通信发生在异步用户数据报协议(UDP)。输入的语音信号是使用时间显示器显示的。掩码显示为蓝色矩形，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细节，请访问使用MFCC和LSTM网络在噪声中识别关键字。

演示了在树莓Pi™上使用双向长短期记忆(BiLSTM)网络和mel频率倒谱系数(MFCC)特征提取的关键字识别代码生成。MATLAB®Coder™具有深度学习支持，可以在树莓派上生成独立的金宝app可执行文件(.elf)。MATLAB®(.mlx)文件和生成的可执行文件之间的通信发生在异步用户数据报协议(UDP)。输入的语音信号是使用时间显示器显示的。掩码显示为蓝色矩形，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细节，请访问使用MFCC和LSTM网络在噪声中识别关键字。

训练一个深度学习模型来检测音频中语音命令的存在。该示例使用语音命令数据集[1]训练卷积神经网络来识别给定的命令集。

在Intel®处理器上部署语音命令识别的特征提取和卷积神经网络(CNN)。为了生成特征提取和网络代码，您使用MATLAB编码器和英特尔深度神经网络数学内核库(MKL-DNN)。在这个示例中，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。

将语音命令识别的特征提取和卷积神经网络(CNN)部署到树莓派™中。为了生成特征提取和网络代码，你使用MATLAB编码器，MATLAB树莓派硬件支持包，ARM®计算库。金宝app在本例中，生成的代码是Raspberry Pi上的可执行代码，由MATLAB脚本调用，该脚本显示预测的语音命令以及信号和听觉谱图。MATLAB脚本和Raspberry Pi上的可执行文件之间的交互使用用户数据报协议(UDP)处理。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频率倒谱系数(MFCC)。

使用深度学习网络去噪语音信号。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。

训练和使用生成式对抗网络(GAN)生成声音。

利用深度学习在低信噪比环境中检测语音区域。这个例子使用语音命令数据集来训练一个双向长短期记忆(BiLSTM)网络来检测语音活动。

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。

建立多模型声场景识别后期融合系统。该示例使用mel谱图和使用小波散射的集成分类器训练卷积神经网络(CNN)。示例使用TUT数据集进行培训和评估[1]。

使用端到端深度学习网络进行独立于说话人的语音分离。

开发深度学习模型，检测空压机故障，并打包系统运行流数据。

生成一个MATLAB^®独立的可执行文件，用于基于声学的机器故障识别。

生成树莓派™独立的可执行文件，用于基于声学的机器故障识别。

利用gpu进行特征提取，以减少训练音频深度学习模型所需的时间。