说话人识别的答案”说话的是谁?”的问题。说话人识别通常分为两个任务:发言者识别和验证。在说话人识别,演讲者被认为通过比较他们的演讲闭集的模板。在议长验证,演讲者是被比较的可能性演讲属于一个特定的演讲者与预定的阈值。传统的机器学习方法在这些任务在理想条件下表现良好。演讲者识别的例子使用传统的机器学习方法,看到发言者标识使用沥青和MFCC和使用i-Vectors验证。音频工具箱™提供ivectorSystem封装能力训练的一个矢量i系统,招收扬声器或其他音频标签,评估系统决定阈值,并确定或验证使用者或其他音频标签。

演讲者diarization是音频信号的过程划分为部分根据说话人的身份。它回答了这个问题“谁说当“没有先验知识的扬声器,这取决于应用程序,没有先验知识的扬声器的数量。

火车一个语音数字识别网络使用将数据存储在内存不足的音频数据。在本例中,您使用一个随机的音高转向音频数据用于训练卷积神经网络(CNN)。对于每个训练迭代,音频数据增强使用audioDataAugmenter对象,然后使用audioFeatureExtractor对象特征提取。工作流在这个例子适用于任何随机数据增加用于训练循环。工作流也适用于当底层音频数据集或培训特性不符合在内存中。

火车一个语音数字识别网络使用一个转换数据存储内存不足听觉谱图。在本例中,您从音频提取听觉谱图使用audioDatastore和audioFeatureExtractor,你写磁盘。然后使用signalDatastore访问在训练的特性。工作流是有用的,当训练特性不符合在内存中。在这个工作流程中,您只有一次提取功能,加速您的工作流如果你是迭代的深度学习模型设计。

演示了代码生成关键词发现使用双向久短期记忆(BiLSTM)网络和mel频率cepstral系数(MFCC)特征提取。MATLAB®编码器™与深度学习支持使生成一个独立的可执行文件(. 金宝appexe)。之间的通信MATLAB®(.mlx)文件和生成的可执行文件是通过异步用户数据报协议(UDP)。使用timescope显示输入的语音信号。面具显示为蓝色矩形周围发现的实例关键字,是的。更多细节MFCC特征提取和深度学习网络培训、访问关键字定位在噪音使用MFCC和LSTM网络。

演示了代码生成关键词发现使用双向久短期记忆(BiLSTM)网络和mel频率cepstral系数(MFCC)特征提取覆盆子π™。MATLAB®编码器™与深度学习支持使一代的一个独立的可执行文件(.金宝appelf)覆盆子π。MATLAB®之间的通信(.mlx)文件和生成的可执行文件是通过异步用户数据报协议(UDP)。使用timescope显示输入的语音信号。面具显示为蓝色矩形周围发现的实例关键字,是的。更多细节MFCC特征提取和深度学习网络培训、访问关键字定位在噪音使用MFCC和LSTM网络。

火车一个深度学习模型,检测音频语音命令的存在。示例使用语音命令数据集[1]训练一组卷积神经网络识别给定的命令。

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的编码器,覆盆子π硬件,MATLAB支持包和手臂®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。

使用深度学习网络隔离一个语音信号。

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。

培训和使用生成对抗网络(GAN)来产生声音。

检测区域的言论在低信噪比环境下使用深度学习。示例使用语音命令数据集训练短期记忆双向长(BiLSTM)网络来检测语音活动。

演讲者使用深度学习的性别进行分类。示例使用一个封闭的复发性单元(格勒乌)网络和Gammatone Cepstral系数(gtcc),谐波比率,和几个光谱形状描述符。

分类数字使用机器和深度学习口语技巧。在这个例子中,您执行分类使用小波时间散射与支持向量机(SVM)和短期记忆(LSTM)网络。金宝app你也应用贝叶斯优化来确定合适的hyperparameters改善LSTM网络的准确性。此外,该示例演示了一个方法使用卷积神经网络(CNN)和mel-frequency声谱图。

特征选择的典型工作流应用于语音数字识别的任务。

演示了一个简单的语音情感识别系统(SER)使用BiLSTM网络。你先下载数据集训练网络,然后测试单个文件。网络训练小德语数据库[1]。

创建一个多模型融合声场景识别系统。火车的例子使用梅尔卷积神经网络(CNN)谱图并使用小波散射一个分类器。图坦卡蒙的例子使用了数据集的训练和评估[1]。