训练一个深度学习模型来检测语音命令的存在。本例使用语音命令数据集[1]训练卷积神经网络识别给定的一组命令。

演示了一种基于从记录语音中提取的特征来识别人的机器学习方法。用于训练分类器的特征是语音中浊音段的音高和mel-frequency cepstrum coefficients (MFCC)。这是一个封闭集的扬声器标识:将被测试扬声器的音频与所有可用的扬声器模型(一个有限集)进行比较，并返回最接近的匹配。

使用深度学习网络分离语音信号。

标识使用深学习网络在有噪声的语音关键字。特别地，该示例使用了双向长短期存储器（BiLSTM）网络和梅尔频率倒谱系数（MFCC）。

利用深度学习网络对语音信号进行降噪处理。该示例比较了应用于同一任务的两种类型的网络:全连接网络和卷积网络。

火车和使用生成对抗网络（GAN）来产生声音。

使用深度学习检测低信噪比环境中的语音区域。该示例使用语音命令数据集训练一个双向长短时记忆(BiLSTM)网络来检测语音活动。

使用深度学习对演讲者的性别进行分类。该示例使用了双向长短时记忆(BiLSTM)网络和伽玛顿倒谱系数(gtcc)、基音、谐波比和几个频谱形状描述符。

分类口语同时使用机器和深入学习技术的数字。在示例中，您使用小波时散射用支持向量机（SVM），并具有长的短期记忆（LSTM）网络执行分类。金宝app您也适用贝叶斯优化来确定合适的超参数，以提高网络LSTM的准确性。此外，该示例示出了使用深卷积神经网络（CNN）和梅尔频率谱图的方法。

利用小波时间散射和音频数据存储对音乐片段的体裁进行分类。在小波散射中，数据通过一系列小波变换、非线性和平均来传播，从而产生数据的低方差表示。然后将这些低方差表示用作分类器的输入。

为特征选择典型的工作流程应用到语音数字识别的任务。

说明了一个简单的语音情感识别(SER)系统使用的BiLSTM网络。首先下载数据集，然后在各个文件上测试经过训练的网络。该网络是在一个小型德语数据库[1]上训练的。

创建声场景识别多模式后融合系统。该示例使用训练梅尔频谱，并使用小波散射综合识别卷积神经网络（CNN）。该示例使用用于训练和评估[1] TUT数据集。

说话人验证(或身份验证)的任务是验证给定的语音片段是否属于给定的说话人。在说话人验证系统中，存在一个未知的所有其他说话人的集合，因此将一个话语属于验证目标的可能性与不属于验证目标的可能性进行比较。这与说话者识别任务形成对比，后者计算每个说话者的可能性，并比较这些可能性。说话人验证和说话人标识可以依赖于文本，也可以独立于文本。在本例中，您使用高斯混合模型/通用背景模型(GMM-UBM)创建了一个文本相关的说话人验证系统。

说话人验证(或身份验证)的任务是确认说话人的身份是他们声称要成为的人。多年来，说话人验证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]对声学特征(通常是mfcc)。有关示例，请参见使用高斯混合模型的说话人验证。GMM-UBM系统的主要难点之一是会话间的可变性。联合因素分析(JFA)被提议通过单独建模说话人之间的差异性和通道或会话的差异性[2][3]来补偿这种差异性。然而，[4]发现JFA中的信道因子也包含了关于音箱的信息，并提出将信道和音箱空间合并成一个全变率空间。然后，使用后端过程(如线性判别分析(LDA)和类内协方差标准化(WCCN))对会话间的可变性进行补偿，然后进行评分，如余弦相似度评分。[5]提出用概率LDA (PLDA)代替余弦相似度评分。虽然i-vector最初被提出用于说话人验证，但它们已经被应用于许多问题，如语言识别、说话人二值化、情感识别、年龄估计和反欺骗干扰[10]。 Recently, deep learning techniques have been proposed to replace i-vectors with d-vectors or x-vectors [8] [6].

使用多个间距估计，八度和中值滤波和隐马尔可夫模型（HMM）进行沥青跟踪。

时间-频率掩蔽是对时间-频率表示的箱子应用权重来增强、减少或隔离音频部分的过程。

使用Levinson-Durbin和时变栅格滤波器块进行线性预测编码的低带宽语音传输。