说话者识别可以回答“谁在说话”这个问题。说话人识别通常分为两个任务:说话人识别和说话人验证。在说话人识别中，说话人是通过将他们的讲话与一组封闭的模板进行比较来识别的。在说话人验证中，说话人是通过比较说话人属于某个特定说话人的可能性与预定的阈值来识别的。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识别说话人的示例，请参见使用音高和MFCC的说话人识别和使用i-Vectors的说话人验证。Audio Toolbox™提供了ivectorSystem，它封装了训练i矢量系统的能力，注册扬声器或其他音频标签，评估系统的决策阈值，并识别或验证扬声器或其他音频标签。

讲话者日记是根据讲话者身份将音频信号分成若干段的过程。它在不知道说话者的情况下回答了“谁在什么时候说话”的问题，根据应用程序，也不知道说话者的数量。

使用变换的数据存储列在内存失控的音频数据上进行口头识别网络。在此示例中，您将随机间距移位应用于用于训练卷积神经网络（CNN）的音频数据。对于每个训练迭代，使用audiodataAugmenter对象增强音频数据，然后使用audiofeatureextractor对象提取功能。此示例中的工作流程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功能不适合内存时，工作流程也适用。

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。

演示使用双向长短期记忆(BiLSTM)网络和mel频率倒频谱系数(MFCC)特征提取来识别关键字的代码生成。带深度学习支持的MATLAB®Coder™能够生成独立的可执行文件(金宝app.exe)。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。输入的语音信号是用时间显示器显示的。一个掩码显示为一个围绕关键字YES的被标记实例的蓝色矩形。有关MFCC特征提取和深度学习网络训练的更多细节，请访问MFCC和LSTM网络噪声中的关键字识别。

演示了在Raspberry Pi™上使用双向长短期记忆(BiLSTM)网络和mel频率倒谱系数(MFCC)特征提取来识别关键字的代码生成。MATLAB®Coder™与深度学习支持，使生成一个独立的可执行文件金宝app(.elf)树莓派。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。输入的语音信号是用时间显示器显示的。一个掩码显示为一个围绕关键字YES的被标记实例的蓝色矩形。有关MFCC特征提取和深度学习网络训练的更多细节，请访问MFCC和LSTM网络噪声中的关键字识别。

训练一个深度学习模型，检测语音指令的存在。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。

部署特征提取和卷积神经网络（CNN），用于在英特尔®处理器上进行语音命令识别。要生成特征提取和网络代码，请使用MATLAB编码器和Intel Math内核库进行深度神经网络（MKL-DNN）。在此示例中，生成的代码是MATLAB可执行（MEX）函数，其由MATLAB脚本调用，该MATLAB脚本与时域信号和听觉频谱图一起显示预测的语音命令。有关音频预处理和网络培训的详细信息，请参阅使用深度学习的语音命令识别。

部署特征提取和卷积神经网络（CNN），用于语音命令识别到Raspberry PI™。要生成特征提取和网络代码，请使用MATLAB编码器，MATLAB支持包进行RASPBERRY PI硬件和ARM®计算库。金宝app在此示例中，生成的代码是覆盆子PI上的可执行文件，其由Matlab脚本调用，该Matlab脚本与信号和听觉频谱图一起显示预测的语音命令。使用用户数据报协议（UDP）处理MATLAB脚本与raspberry pi上可执行文件之间的交互。有关音频预处理和网络培训的详细信息，请参阅使用深度学习的语音命令识别。

使用深度学习网络分离语音信号。

使用深度学习网络识别嘈杂演奏中的关键字。特别地，该示例使用双向长期短期存储器（BILSTM）网络和MEL频率谱系数（MFCC）。

使用深度学习网络代谢语音信号。该示例将应用于相同任务的两种类型的网络进行比较：完全连接和卷积。

训练并使用生成式对抗网络(GAN)来生成声音。

使用深度学习检测低信噪比中的语音区域。该示例使用语音命令数据集培训双向短期内存（BILSTM）网络以检测语音活动。

使用深度学习对演讲者的性别进行分类。该示例使用门控复发单元（GRU）网络和γ谱系齐系数（GTCC），俯仰，谐波比和几种光谱形状描述符。

使用机器和深度学习技术进行语音数字。在该示例中，使用使用支持向量机（SVM）和长短期存储器（LSTM）网络来执行使用小波时间散射进行分类。金宝app您还应用贝叶斯优化来确定合适的超参数，以提高LSTM网络的准确性。另外，该示例说明了使用深卷积神经网络（CNN）和熔融频谱图的方法。

一个典型的特征选择工作流应用于语音数字识别任务。

演示了一个使用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。该网络通过一个小型德语数据库[1]进行训练。

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]。