培训深入学习模型，可检测音频中的语音命令的存在。该示例使用语音命令数据集[1]培训卷积神经网络以识别给定的一组命令。

部署特征提取和卷积神经网络（CNN），用于Intel®处理器上的语音命令识别。要生成特征提取和网络代码，请使用MATLAB编码器和用于深神经网络（MKL-DNN）的英特尔数学内核库。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支持包用于覆盆子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，该脚本由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脚本和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。

使用深度学习网络识别嘈杂的语音中的关键字。特别地，该示例使用双向长期内存（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网络进行比较：完全连接和卷积。

使用深度学习网络隔离语音信号。

火车并使用生成的对抗性网络（GaN）来产生声音。

展示了一种机器学习方法，以识别基于从录制的语音中提取的特征的人群。用于训练分类器的功能是语音和MEL频率谱系数（MFCC）的浊音段的间距。这是一个封闭式扬声器识别：将被测扬声器的音频与所有可用的扬声器模型（有限组）进行比较，并返回最接近的匹配。

发言人验证或身份验证是确认发言者身份的任务是他们声称的人。扬声器验证多年来一直是活跃的研究区。早期性能突破是在声学特征（通常MFCC）上使用高斯混合模型和通用背景模型（GMM-UBM）[1]。例如，请参阅使用高斯混合模型的扬声器验证。GMM-UBM系统的主要困难之一涉及缺口变异性。提出了联合因子分析（JFA）通过单独建模扬声器可变性和通道或会话变异性来补偿这种可变性[2] [3]。然而，[4]发现JFA中的频道因素还包含有关扬声器的信息，并提出将信道和扬声器空间组合成总可变空间。然后通过使用后端程序（例如线性判别分析（LDA）和阶级协方差标准化（WCCN）进行补偿，然后进行评分，如余弦相似度得分，如井着判别分析（LDA）进行补偿。[5]提出用概率LDA（PLDA）模型替换余弦相似度评分。[11]和[12]提出了一种能够高斯高斯的方法，因此在PLDA中制造高斯假设，称为G-PLDA或简化的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].

使用端到端的深度学习网络进行扬声器和独立的语音分离。