在Simulink中建模智能音箱系统^®该系统集成了语音命令识别功能，并能实时操作。

训练一个深度学习模型来检测音频中语音命令的存在。

在Intel®处理器上部署特征提取和卷积神经网络(CNN)用于语音命令识别。为了生成特征提取和网络代码，您可以使用MATLAB®Coder™和用于深度神经网络(MKL-DNN)的Intel®数学内核库。在本例中，生成的代码是一个MATLAB可执行(MEX)函数，该函数由MATLAB脚本调用，该脚本显示所预测的语音命令以及时域信号和听觉谱图。关于音频预处理和网络训练的详细信息，请参见基于深度学习的语音命令识别。

为树莓派™部署特征提取和卷积神经网络(CNN)来识别语音命令。为了生成特征提取和网络代码，您可以使用MATLAB Coder™、MATLAB®树莓派硬件支持包和ARM®计算库。在本例中，生成的代码是树莓派上的可执行文件，由MATLAB脚本调用，该脚本显示预测的语音命令以及信号和听觉谱图。MATLAB脚本和树莓派上可执行文件之间的交互使用用户数据报协议(UDP)进行处理。关于音频预处理和网络训练的详细信息，请参见基于深度学习的语音命令识别。

利用深度学习网络识别嘈杂语音中的关键词。特别地，该示例使用了双向长短期记忆(BiLSTM)网络和mel频率倒谱系数(MFCC)。

使用深度学习网络去噪语音信号。该示例比较了应用于同一任务的两种网络类型:全连接网络和卷积网络。

使用深度学习网络分离语音信号。

训练和使用生成对抗网络(GAN)来生成声音。

演示了一种基于从录音语音中提取的特征来识别人的机器学习方法。用来训练分类器的特征是语音的浊音段的音调和梅尔频率倒谱系数(MFCC)。这是一种封闭集扬声器识别:将被测试扬声器的音频与所有可用的扬声器模型(有限集)进行比较，并返回最接近的匹配。

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].

使用端到端深度学习网络进行与说话人无关的语音分离。