人工智能的音频

模型仿真软件的智能扬声器系统金宝app^®包含语音命令识别和实时运行。

火车一个深度学习模型,检测音频语音命令的存在。

部署特征提取和一个卷积神经网络(CNN)的语音命令识别英特尔®处理器。生成特征提取和网络代码,使用MATLAB®编码器™和英特尔®数学内核库深层神经网络(MKL-DNN)。在本例中,生成的代码是一个MATLAB可执行(墨西哥人)函数,也就是通过MATLAB脚本显示预测语音命令以及时域信号和听觉谱图。音频预处理和网络训练的详细信息,请参阅使用深度学习语音命令识别。

部署特征提取和一个卷积神经网络(CNN)的语音命令识别覆盆子π™。生成特征提取和网络代码,使用MATLAB编码器™,MATLAB®支持包树莓π硬件,手臂®计算库。金宝app在本例中,生成的代码是一个可执行文件在你的树莓π,叫做通过MATLAB脚本显示预测语音命令信号和听觉谱图。之间的交互MATLAB脚本和可执行文件在你的树莓π是使用用户数据报协议(UDP)处理。音频预处理和网络训练的详细信息,请参阅使用深度学习语音命令识别。

识别关键字在嘈杂的演讲中使用深度学习网络。特别是,示例使用双向长短期记忆(BiLSTM)网络和mel频率cepstral系数(MFCC)。

降噪使用深度学习网络的语音信号。这个例子比较了两种类型的网络应用于相同的任务:完全连接,卷积。

使用深度学习网络隔离一个语音信号。

培训和使用生成对抗网络(GAN)来产生声音。

使用机器学习识别人们基于特征提取记录演讲。

演讲者验证或认证,确认演讲者的身份的任务就是他们声称。演讲者验证多年来一直是一个活跃的研究领域。早期的性能突破是使用高斯混合模型和通用背景模型(GMM-UBM)[1]在声学特性(通常mfcc)。例如,看到演讲者使用高斯混合模型验证。的一个主要困难GMM-UBM系统涉及intersession可变性。联合因子分析(时装周)分别提出了弥补这种可变性建模inter-speaker可变性和通道或会话变化[2][3]。然而,[4]发现通道因素在日本足球协会也包含关于扬声器的信息,并提出结合通道和扬声器空间总变化空间。Intersession可变性当时补偿利用后台程序,如线性判别分析(LDA)和在类协方差归一化(WCCN),后跟一个评分,如余弦相似性得分。[5]提出更换的余弦相似性得分概率LDA (PLDA)模型。[11]和[12]提出了一种方法来Gaussianize i-vectors PLDA因此做高斯假设,称为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].

使用一个端到端的深度学习网络非特定人语音分离。