开发一个X-向量系统来执行扬声器识别。

扬声器日流是根据扬声器标识将音频信号划分为段的过程。它回答了“谁谈到”讲话者的事先知识的问题，并且根据申请，没有先验知识的扬声器的知识。

使用转换后的数据存储，在内存不足的听觉谱图上训练口语数字识别网络。在本例中，您使用audioDatastore和audioFeatureExtractor从音频中提取听觉光谱图，并将它们写入磁盘。然后在训练期间使用signalDatastore访问特性。当训练特性不适合内存时，工作流是有用的。在这个工作流中，您只提取一次特征，如果您在深度学习模型设计上进行迭代，这将加快您的工作流。

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移位。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在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性不适合内存时，该工作流也适用。

培训深入学习模型，可检测音频中的语音命令的存在。该示例使用语音命令数据集[1]培训卷积神经网络以识别给定的一组命令。

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。

使用小波时间散射和音频数据存储来分类音乐摘录的类型。在小波散射中，数据通过一系列小波变换，非线性和平均传播，以产生数据的低方差表示。然后将这些低方差表示作为分类器的输入。

一个典型的特征选择工作流应用于语音数字识别任务。

建立多模型声场景识别后期融合系统。这个例子训练卷积神经网络(CNN)使用mel谱图和集成分类器使用小波散射。该示例使用TUT数据集进行训练和评估[1]。

说话人验证或认证的任务是确认说话人的身份是否属实。多年来，发言人验证一直是一个活跃的研究领域。早期的一个性能突破是使用高斯混合模型和通用背景模型(GMM-UBM)[1]对声学特征(通常是mfcc)。例如，请参见使用高斯混合模型的扬声器验证。GMM-UBM系统的主要困难之一涉及会话间的可变性。联合因素分析(JFA)被提议通过分别模拟说话间变异性和频道或会话变异性[2][3]来补偿这种变异性。然而，[4]发现JFA中的通道因子也包含了关于说话人的信息，并提出将通道和说话人空间合并成一个总的可变性空间。然后使用后端程序(如线性判别分析(LDA)和类内协方差归一化(WCCN))来补偿会话间的变异性，然后是一个评分，如余弦相似度评分。[5]提出用概率LDA (PLDA)模型代替余弦相似度评分。[11]和[12]提出了一种将i向量高斯化的方法，从而在PLDA中做高斯假设，简称G-PLDA或简化PLDA。 While i-vectors were originally proposed for speaker verification, they have been applied to many problems, like language recognition, speaker diarization, emotion recognition, age estimation, and anti-spoofing [10]. Recently, deep learning techniques have been proposed to replace i-vectors with d-vectors or x-vectors [8] [6].

说话人验证或身份验证的任务是验证一个给定的语音片段是否属于一个给定的说话人。在说话人验证系统中，存在一个所有其他说话人的未知集合，因此，话语属于验证对象的可能性与不属于验证对象的可能性进行比较。这与识别说话人的任务形成对比，在识别任务中，计算每个说话人的可能性，并对这些可能性进行比较。说话人验证和说话人识别都可以是文本依赖或文本独立的。在本例中，您使用高斯混合模型/通用背景模型(GMM-UBM)创建一个依赖文本的说话者验证系统。

使用多个基音估计、倍频和中值平滑以及隐马尔可夫模型(HMM)进行基音跟踪。

使用线性预测编码使用Levinson-Durbin和时变晶格过滤器块进行低带宽传输语音。

使用自定义深度学习层进行语音识别，该层实现了梅尔尺度滤波器组。