使用深度学习的音频处理
使用音频和语音处理应用程序扩展深度学习工作流程
通过使用深度学习工具箱™和音频工具箱™,将深度学习应用于音频和语音处理应用程序。有关信号处理应用,请参见使用深度学习的信号处理.有关无线通信中的应用,请参见使用深度学习的无线通信.
应用程序
信号贴标签机 | 标记信号属性、区域和兴趣点,并提取特征 |
功能
块
主题
- 音频应用的深度学习(音频工具箱)
了解将深度学习应用于音频应用的常用工具和工作流程。
- 使用深度学习分类声音(音频工具箱)
训练、验证和测试简单的长短期记忆(LSTM)来分类声音。
- 深度网络设计器中预训练音频网络的迁移学习
这个例子展示了如何使用深度网络设计器交互地微调预先训练好的网络来分类新的音频信号。
- 使用实验管理器进行音频迁移学习
配置一个实验,比较多个预训练网络应用于使用迁移学习的语音命令识别任务的性能。
- 使用自定义SincNet层和深度学习的说话人识别
使用自定义深度学习层执行语音识别,该层实现了mel规模的滤波器组。
- 使用深度学习网络消除语音干扰
训练一个深度学习模型,消除语音中的混响。
- Simulink中的语音指令识别金宝app
使用Simulink检测音频中语音命令的存在金宝app®模型。
- 音频特征的顺序特征选择
本例给出了应用于语音数字识别任务的特征选择的典型工作流程。
- 使用内存外音频数据训练语音数字识别网络
本例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。
- 使用内存不足特性训练语音数字识别网络
本例使用转换后的数据存储在内存不足的听觉频谱图上训练语音数字识别网络。
- 使用深度学习可解释性技术研究音频分类
这个例子展示了如何使用可解释性技术来调查训练为分类音频数据的深度神经网络的预测。
- 基于gpu的特征提取加速音频深度学习
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。