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。

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。

使用预训练滤波器和双音速数据的和网络(FaSNet)进行语音增强。

训练一个深度学习模型，从双声子数据中执行声音定位和事件检测。

使用预训练的深度学习模型进行三维声音事件定位和检测。

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。

训练一个深度学习模型来检测音频中语音命令的存在。该示例使用语音命令数据集[1]来训练卷积神经网络来识别一组命令。

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。

训练和使用生成对抗网络(GAN)来生成声音。

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。

介绍了一个基于BiLSTM网络的简单语音情感识别(SER)系统。首先下载数据集，然后在各个文件上测试经过训练的网络。该网络在小型德语数据库[1]上进行训练。

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]。

使用端到端深度学习网络进行与说话人无关的语音分离。

开发深度学习模型来检测空压机故障，并将系统打包以根据流数据操作。

演示了在树莓派™上使用双向长短期记忆(BiLSTM)网络和mel频率倒谱系数(MFCC)特征提取进行关键字发现的代码生成。带有深度学习支持的MATLAB®Coder™能够在树莓派上生成独立的可执行文件(.elf)。MATLAB®(.mlx)文件和生成的可执行文件之间的通信通过异步用户数据报协议(UDP)进行。传入的语音信号使用时间显示器显示。掩码显示为围绕关键字YES的斑点实例的蓝色矩形。有关MFCC特征提取和深度学习网络训练的更多细节，请访问使用MFCC和LSTM网络在噪声中发现关键字。

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。

生成一个MATLAB^®独立可执行程序，用于基于声音的机器故障识别。

在树莓派™上部署特征提取和卷积神经网络用于语音命令识别。