设计一个自动编码器神经网络，利用无监督学习对机器声音进行异常检测。

训练滤波和网络(FaSNet)使用双音域数据进行语音增强。

使用预训练的滤波和和网络(FaSNet)对双音域数据进行语音增强。

训练深度学习模型从双音域数据中执行声音定位和事件检测。

使用预先训练好的深度学习模型进行三维声音事件定位和检测。

开发一个x矢量系统来执行说话人识别。

扬声器分区化是根据扬声器的身份将音频信号分割成段的过程。它在不事先知道说话人的情况下回答了“谁在什么时候说话”的问题，根据应用情况，也不事先知道说话人的数量。

训练一个深度学习模型，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]来训练卷积神经网络来识别一组命令。

使用深度学习网络识别嘈杂语音中的关键字。特别地，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。该示例比较了应用于同一任务的两种网络类型:全连接网络和卷积网络。

训练和使用生成对抗网络(GAN)来生成声音。

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

介绍了一个基于BiLSTM网络的简单语音情感识别系统。首先下载数据集，然后在各个文件上测试训练好的网络。该网络是在一个小型德语数据库[1]上训练的。

创建一个多模型声场景识别后期融合系统。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。本例使用TUT数据集进行训练和评估[1]。

使用端到端深度学习网络进行与说话人无关的语音分离。

开发一个深度学习模型来检测空气压缩机中的故障，并将系统打包以对流数据进行操作。

演示了在树莓派™上使用双向长短期记忆(BiLSTM)网络和mel频率倒谱系数(MFCC)特征提取进行关键字发现的代码生成。具有深度学习支持的MATLAB®Coder™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)上。输入的语音信号使用时规显示。掩码显示为围绕关键字YES的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详细信息，请访问使用MFCC和LSTM网络在噪声中发现关键字。

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。为了生成特征提取和网络代码，您使用MATLAB®Coder™和Intel®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频谱图。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。

生成MATLAB^®用于基于声学的机器故障识别的独立可执行文件。

在树莓派™上部署用于语音命令识别的特征提取和卷积神经网络。