开发一个x向量系统来执行说话人识别。

说话人划分是根据说话人身份将音频信号划分为多个片段的过程。它回答了“谁在什么时候说话”的问题，而不事先知道说话人，而且根据应用程序的不同，不事先知道说话人的数量。

使用转换后的数据存储在内存不足的听觉谱图上训练语音数字识别网络。在本例中，您使用audioDatastore和audioFeatureExtractor从音频中提取听觉谱图，并将它们写入磁盘。然后在训练期间使用signalDatastore访问特性。当训练特性不适合内存时，工作流是有用的。在这个工作流程中，您只提取一次特征，如果您正在迭代深度学习模型设计，这将加快您的工作流程。

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。在本例中，您将对用于训练卷积神经网络(CNN)的音频数据应用一个随机的音调偏移。对于每个训练迭代，使用audioDataAugmenter对象增强音频数据，然后使用audioFeatureExtractor对象提取特征。本例中的工作流适用于训练循环中使用的任何随机数据增强。当底层音频数据集或训练特性不适合内存时，工作流也适用。

训练一个深度学习模型来检测音频中语音命令的存在。

利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训练双向长短期记忆(BiLSTM)网络来检测语音活动。

使用机器和深度学习技术对语音数字进行分类。在本例中，使用小波时间散射和支持向量机(SVM)和长短期记忆(LSTM)网络进行分类。您还应用贝叶斯优化来确定合适的超参数，以提高LSTM网络的准确性。此外，该示例说明了使用深度卷积神经网络(CNN)和mel频率谱图的方法。

一种典型的语音数字识别特征选择工作流程。

建立一个多模型后期融合系统用于声学场景识别。该示例使用mel谱图训练卷积神经网络(CNN)和使用小波散射训练集成分类器。该示例使用TUT数据集进行训练和评估[1]。

说话人验证，或身份验证，是确认说话人的身份是他们声称的那个人的任务。说话人验证多年来一直是一个活跃的研究领域。早期的性能突破是在声学特征(通常是mfcc)上使用高斯混合模型和通用背景模型(GMM-UBM)[1]。例如，请参见使用高斯混合模型验证说话人。GMM-UBM系统的主要困难之一是会话间的变化。联合因子分析(JFA)通过分别建模说话人间变异和通道或会话变异[2][3]来补偿这种变异。然而，[4]发现JFA中的信道因子也包含扬声器的信息，并提出将信道和扬声器空间组合成一个总变率空间。然后使用后端程序(如线性判别分析(LDA)和类内协方差归一化(WCCN))来补偿会话间的变异，然后进行评分，如余弦相似度评分。[5]提出用概率LDA (PLDA)模型代替余弦相似度评分。[11]和[12]提出了一种方法来高斯化i向量，因此在PLDA中进行高斯假设，称为G-PLDA或简化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].

说话人验证，或认证，是验证给定的语音段属于给定的说话人的任务。在说话人验证系统中，所有其他说话人的集合都是未知的，因此，一个话语属于验证目标的可能性与它不属于验证目标的可能性进行比较。这与说话人识别任务相反，在识别任务中，每个说话人的可能性都被计算出来，然后这些可能性被比较。说话人验证和说话人识别可以依赖于文本，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)创建了一个依赖文本的说话者验证系统。

使用多个音高估计、八度和中值平滑和隐马尔可夫模型(HMM)执行音高跟踪。

使用Levinson-Durbin和时变晶格滤波器块进行使用线性预测编码的语音低带宽传输。

使用实现了mel级滤波器组的自定义深度学习层执行语音识别。

训练一个滤波和和网络(FaSNet)来使用双音速数据进行语音增强。

设计一个自动编码器神经网络，使用无监督学习对机器声音进行异常检测。