Измерьте задержку аудио устройства. Пример использует audioLatencyMeasurementExampleApp, который в свою очередь использует audioPlayerRecorder наряду с тестовым сигналом и взаимной корреляцией, чтобы определить задержку. Чтобы избежать интерференции доступа к диску, тестовый сигнал загружается в dsp.AsyncBuffer object сначала, и системы координат передаются потоком от того объекта до аудио устройства.

Спроектируйте и используйте три звуковых эффекта, которые основаны на различной задержке: отзовитесь эхом, хор и фленджер. Пример также показывает, как алгоритмы, разработанные в MATLAB, могут быть легко портированы к Simulink.

Демонстрирует, как измерить уровни звукового давления диапазонов частот октавы. Пользовательский интерфейс (UI) позволяет вам экспериментировать с различными параметрами, в то время как измерение отображено.

Считайте аудио из файла и запишите аудио динамикам.

Создайте аудио испытательный стенд и примените обработку в режиме реального времени.

Обучите, подтвердите и протестируйте простую долгую краткосрочную память (LSTM), чтобы классифицировать звуки.

Используйте передачу обучения, чтобы переобучить YAMNet, предварительно обученную сверточную нейронную сеть (CNN), чтобы классифицировать новый набор звуковых сигналов.

Создайте простой аудио плагин в MATLAB и затем используйте его, чтобы сгенерировать плагин VST.

Измерьте задержку аудио устройства. Пример использует audioLatencyMeasurementExampleApp, который в свою очередь использует audioPlayerRecorder наряду с тестовым сигналом и взаимной корреляцией, чтобы определить задержку. Чтобы избежать интерференции доступа к диску, тестовый сигнал загружается в dsp.AsyncBuffer object сначала, и системы координат передаются потоком от того объекта до аудио устройства.

Представляет утилиту, которая может использоваться, чтобы анализировать эффективность синхронизации алгоритмов обработки сигналов, спроектированных для приложений потоковой передачи в реальном времени.

Измерьте общее гармоническое искажение и уровень шума аудиовхода и устройств вывода.

Импульсная характеристика (IR) является важным инструментом для охарактеризования или представления системы линейного независимого от времени (LTI). Impulse Response Measurer позволяет вам измерить и получить импульсную характеристику аудиосистем, включая: Аудио оборудование ввода-вывода

Частотная характеристика (FR) является важным инструментом для охарактеризования точности аудио устройства или компонента.

Симулируйте щипнувшую строку с помощью цифрового синтеза волновода.

Используйте многоступенчатый/многоскоростной подход к преобразованию частоты дискретизации между различными аудио частотами дискретизации.

Спроектируйте фильтры параметрического эквалайзера. Параметрические эквалайзеры являются цифровыми фильтрами, используемыми в аудио для корректировки содержимого частоты звукового сигнала. Параметрические эквалайзеры предусматривают возможности вне тех из графических эквалайзеров путем разрешения корректировки усиления, центральной частоты и пропускной способности каждого фильтра. В отличие от этого графические эквалайзеры только допускают корректировку усиления каждого фильтра.

Демонстрирует две формы графических эквалайзеров, созданных с помощью базовых блоков от Audio Toolbox™. Это также показывает, как экспортировать их как плагины VST, которые будут использоваться в Цифровой звуковой рабочей станции (DAW).

Симулируйте цифровое аудио многополосная система сжатия динамического диапазона.

Спроектируйте и используйте три звуковых эффекта, которые основаны на различной задержке: отзовитесь эхом, хор и фленджер. Пример также показывает, как алгоритмы, разработанные в MATLAB, могут быть легко портированы к Simulink.

Аудио плагин, спроектированный, чтобы улучшить воспринятый уровень звука в более низкой части слышимого спектра.

Реализуйте аудио эффект "фазовращателя" в реальном времени, который может быть настроен пользовательским интерфейсом (UI). Это также показывает, как сгенерировать плагин VST для фазовращателя, который можно импортировать в Цифровую звуковую рабочую станцию (DAW).

Извлеките источник аудиосигналов из соединения стерео на основе его коэффициента панорамирования. Этот пример иллюстрирует реализации Simulink® и MATLAB®.

Примените адаптивные фильтры к акустической отмене эха (AEC).

Используйте алгоритм Наименьшее количество среднего квадратичного (LMS), чтобы вычесть шум из входного сигнала. Адаптивный фильтр LMS использует опорный сигнал на Input port и желаемый сигнал на Требуемом порте, чтобы автоматически совпадать с ответом фильтра. Когда это сходится к правильной модели фильтра, отфильтрованный шум вычтен, и сигнал ошибки должен содержать только исходный сигнал.

Примените адаптивные фильтры к затуханию акустического шума через активное шумовое управление.

Реализуйте вокодер фазы к фрагменту времени, и подача масштабируют звуковой сигнал.

Используйте вокодер фазы, чтобы реализовать перемену расширения и подачи времени звукового сигнала.

Удалите 250 Гц, вмешивающихся тон от сигнала передачи потокового аудио использование фильтра метки.

Реализуйте декодер Vorbis, который является бесплатным программным обеспечением, альтернативой с открытым исходным кодом стандарту MP3. Это аудио, декодирующее формат, поддерживает сегментацию закодированных данных в маленькие пакеты для сетевой передачи.

Примените реверберацию к аудио при помощи алгоритма реверберации Freeverb. Реверберация может быть настроена с помощью пользовательского интерфейса (UI) в MATLAB или через MIDI-контроллер. Этот пример иллюстрирует реализации Simulink® и MATLAB®.

Симулируйте проект кохлеарного имплантата, который может быть помещен во внутреннее ухо глубоко глухого человека, чтобы восстановить частичное слушание. Обработка сигналов используется на кохлеарных имплантатах, чтобы преобразовать звук в электрические импульсы. Импульсы могут обойти поврежденные части уха глухого человека и быть переданы к мозгу, чтобы обеспечить частичное слушание.

Сожмите динамический диапазон сигнала путем изменения области значений величины в каждом интервале частоты. Эта нелинейная спектральная модификация сопровождается перекрытием - добавляет Алгоритм бпф для реконструкции. Эта система может использоваться в качестве речевой системы улучшения для с ослабленным слухом. Алгоритм в этой симуляции выведен из запатентованной системы для адаптивной обработки телефонных речевых сигналов для с ослабленным слухом, первоначально разработанного Элвином М. Терри и Томасом П. Крауссом в US West Advanced Technologies Inc., патент США номер 5,388,185.

Обучите модель глубокого обучения, которая обнаруживает присутствие речевых команд в аудио. Пример использует Речевой Набор данных Команд [1], чтобы обучить сверточную нейронную сеть распознавать данный набор команд.

Разверните извлечение признаков и сверточную нейронную сеть (CNN) для речевого распознавания команды на процессорах Intel®. Чтобы сгенерировать извлечение признаков и сетевой код, вы используете MATLAB Coder и Math Kernel Library Intel для Глубоких нейронных сетей (MKL-DNN). В этом примере сгенерированный код является исполняемым файлом MATLAB (MEX) функция, которая вызвана скриптом MATLAB, который отображает предсказанную речевую команду наряду с сигналом области времени и слуховой спектрограммой. Для получения дополнительной информации о предварительной обработке аудио и сетевом обучении, смотрите Распознание речевых команд с использованием глубокого обучения.

Разверните извлечение признаков и сверточную нейронную сеть (CNN) для речевого распознавания команды к Raspberry Pi™. Чтобы сгенерировать извлечение признаков и сетевой код, вы используете MATLAB Coder, Пакет Поддержки MATLAB для Оборудования Raspberry Pi и Библиотеку ARM® Compute. В этом примере сгенерированный код является исполняемым файлом на вашем Raspberry Pi, который вызван скриптом MATLAB, который отображает предсказанную речевую команду наряду с и слуховой спектрограммой сигнала. Взаимодействие между скриптом MATLAB и исполняемым файлом на вашем Raspberry Pi обработано с помощью пользовательского дейтаграммного протокола (UDP). Для получения дополнительной информации о предварительной обработке аудио и сетевом обучении, смотрите Распознание речевых команд с использованием глубокого обучения.

Идентифицируйте ключевое слово в шумной речи с помощью нейронной сети для глубокого обучения. В частности, пример использует сеть Bidirectional Long Short-Term Memory (BiLSTM) и частоту mel cepstral коэффициенты (MFCC).

Речевые сигналы Denoise с помощью нейронных сетей для глубокого обучения. Пример выдерживает сравнение, два типа сетей применились к той же задаче: полностью соединенный и сверточный.

Изолируйте речевой сигнал использование нейронной сети для глубокого обучения.

Обучите и используйте порождающую соперничающую сеть (GAN), чтобы сгенерировать звуки.

Демонстрирует подход машинного обучения, чтобы идентифицировать людей на основе функций, извлеченных из записанной речи. Функциями, использованными, чтобы обучить классификатор, является подача речевых сегментов речи и коэффициентов кепстра частоты mel (MFCC). Это - идентификация динамика замкнутого множества: аудио динамика под тестом сравнено со всеми доступными моделями динамика (конечное множество), и самое близкое соответствие возвращено.

Верификация динамика или аутентификация, является задачей подтверждения, что идентичность динамика состоит в том, кем они подразумевают быть. Верификация динамика много лет была активной областью исследования. Ранний прорыв эффективности должен был использовать смешанную гауссовскую модель и универсальную фоновую модель (GMM-UBM) [1] на акустических функциях (обычно mfcc). Для примера смотрите, что Верификация Динамика Использует смешанные гауссовские модели. Одна из основных трудностей систем GMM-UBM включает изменчивость межсеанса. Объединенный факторный анализ (JFA) был предложен, чтобы компенсировать эту изменчивость путем отдельного моделирования изменчивости междинамика и канала или изменчивости сеанса [2] [3]. Однако [4] обнаружил, что канал включает JFA, также содержал информацию о динамиках и предложил комбинировать канал и пробелы динамика в общий пробел изменчивости. Изменчивость межсеанса была затем компенсирована при помощи процедур бэкэнда, таких как линейный дискриминантный анализ (LDA) и нормализация ковариации в классе (WCCN), сопровождаемая выигрышем, таких как счет подобия косинуса. [5] предложил заменить подобие косинуса, выигрывающее на вероятностный LDA (PLDA). [11] и [12] предложил метод Gaussianize i-векторы, и поэтому сделайте Гауссовы предположения в PLDA, называемом G-PLDA или упрощенным PLDA. Далее описанный общее, В то время как i-векторы были первоначально предложены для верификации динамика, они были применены ко многим проблемам, как распознавание языка, динамик diarization, распознавание эмоции, оценка возраста и антиспуфинг [10]. Недавно, методы глубокого обучения были предложены, чтобы заменить i-векторы на d-векторы или x-векторы [8] [6].

В этом примере вы измеряете шум вертолета и используете психоакустические метрики, чтобы смоделировать его воспринятую громкость, резкость, силу колебания и относительный уровень раздражения. Вы затем моделируете эффект защиты органов слуха оценить воспринятое улучшение.

Спроектируйте полосу октавы и дробные ленточные фильтры октавы, включая наборы фильтров и метры SPL октавы. Полоса октавы и дробные ленточные фильтры октавы обычно используются в акустике. Например, фильтры октавы используются, чтобы выполнить спектральный анализ для шумового управления. Акустики работают с октавой или дробный (часто 1/3) наборы фильтров октавы, потому что она обеспечивает значимую меру шумовой степени в различных диапазонах частот.

Получите проекты для наиболее распространенных фильтров взвешивания - A-взвешивания, C-взвешивания, C-сообщения, ITU-T 0.41, и ITU-R 468-4 - использование weightingFilter Системного объекта и аудио, взвешивающего разработчика фильтра, fdesign.audioweighting, в Audio Toolbox™.

Демонстрирует, как измерить уровни звукового давления диапазонов частот октавы. Пользовательский интерфейс (UI) позволяет вам экспериментировать с различными параметрами, в то время как измерение отображено.

Спроектируйте активную шумовую систему управления в реальном времени с помощью цели Simulink Real-Time Speedgoat.

Это, которое показывают примеры, как создать ambisonic плагины с помощью демонстрационных функций высшего порядка ambisonic (HOA) MATLAB®. Звукозапись с эффектом присутствия является пространственным аудио методом, который представляет 3D звуковое поле с помощью сферических гармоник. Этот пример содержит плагин энкодера, функция, чтобы сгенерировать пользовательские плагины энкодера, плагин декодера и функцию, чтобы сгенерировать пользовательские плагины декодера. Индивидуальная настройка сменной генерации позволяет пользователю задать различные порядки ambisonic и различные списки устройств для данной ambisonic настройки.

Декодируйте ambisonic аудио в бинауральное аудио с помощью виртуальных громкоговорителей. Виртуальный громкоговоритель является источником звука, расположенным на поверхность сферы с прослушивателем, расположенным в центре сферы. Каждый виртуальный громкоговоритель имеет пару Функций моделирования восприятия звука (HRTF), сопоставленных с ним: один для оставленного уха и один для правого уха. Виртуальные местоположения громкоговорителя наряду с порядком ambisonic используются, чтобы вычислить ambisonic матрицу декодера. Выход декодера отфильтрован соответствием HRTFs виртуальному положению громкоговорителя. Сигналы слева HRTFs суммируются вместе и питаются левое ухо и сигналы справа, HRTFs суммируются вместе и питаются правое ухо. Блок-схему потока звукового сигнала показывают здесь.

Используйте инструменты от Audio Toolbox™, чтобы измерить громкость, область значений громкости и истинное пиковое значение. Это также показывает, как нормировать аудио, чтобы встретить податливости стандарта EBU R 128.

Иллюстрирует массив микрофона beamforming, чтобы извлечь желаемые речевые сигналы в интерференционно-доминирующей, шумной среде. Такие операции полезны, чтобы улучшить речевое качество сигнала для восприятия или последующей обработки. Например, шумная среда может быть торговой комнатой, и массив микрофона может быть смонтирован на мониторе торгового компьютера. Если торговый компьютер должен принять речевые команды от торговца, работа формирователя луча крайне важна, чтобы улучшить полученное речевое качество и достигнуть спроектированной точности распознавания речи.

Сигналы Beamform, полученные массивом микрофонов, чтобы извлечь желаемую речь, сигнализируют в шумной среде. Это использует область потока данных в Simulink®, чтобы разделить управляемые данными фрагменты системы в несколько потоков и таким образом улучшания производительности симуляции путем выполнения его на нескольких ядрах рабочего стола.

Получите и процесс живое многоканальное аудио. Это также представляет простой алгоритм для оценки Направления прибытия (DOA) источника звука с помощью нескольких пар микрофона в линейной матрице.

Несколько основных аспектов расположения звукового сигнала. Прослушиватель занимает местоположение в центре круга, и положение источника звука варьируется так, чтобы это осталось в кругу. В этом примере источник звука является монофонической записью вертолета. Звуковое поле представлено пятью дискретными местами динамика на окружности круга и низкочастотного выхода, который, как предполагают, находится в центре круга.

Отследите главную ориентацию путем объединения данных, полученных от IMU, и затем управляйте направлением прибытия источника звука путем применения функций моделирования восприятия звука (HRTF).

Сгенерируйте сигнал стерео от многоканального звукового сигнала с помощью матричного кодирования, и как восстановить исходные каналы с соединения стерео с помощью матричного декодирования. Этот пример иллюстрирует реализации Simulink® и MATLAB®. Этот пример также показывает, как производительность может улучшаться при помощи области выполнения потока данных.

Импульсная характеристика (IR) является важным инструментом для охарактеризования или представления системы линейного независимого от времени (LTI). Impulse Response Measurer позволяет вам измерить и получить импульсную характеристику аудиосистем, включая: Аудио оборудование ввода-вывода

Измерьте общее гармоническое искажение и уровень шума аудиовхода и устройств вывода.

Примените адаптивные фильтры к акустической отмене эха (AEC).

Визуализируйте ответ величины настраиваемого фильтра. Фильтры в этом примере реализуются как аудио плагины. Этот пример использует визуализирование и audioTestBench функциональность Audio Toolbox™.

Демонстрирует, как измерить уровни звукового давления диапазонов частот октавы. Пользовательский интерфейс (UI) позволяет вам экспериментировать с различными параметрами, в то время как измерение отображено.

Измерьте общее гармоническое искажение и уровень шума аудиовхода и устройств вывода.

Представляет утилиту, которая может использоваться, чтобы анализировать эффективность синхронизации алгоритмов обработки сигналов, спроектированных для приложений потоковой передачи в реальном времени.

Ускорьте аудиоприложение в реальном времени с помощью генерации кода C с MATLAB Coder.

Используйте поверхность управления MIDI в качестве физического пользовательского интерфейса к модели Simulink, позволяя вам использовать кнопки, ползунки и кнопки, чтобы взаимодействовать с той моделью. Это может использоваться в Simulink, а также со сгенерированным кодом, работающим на рабочей станции.

Преобразуйте обычные файлы MIDI в представление сообщения MIDI с помощью Audio Toolbox™. В этом примере, вас:

Это, которое показывают примеры, как создать ambisonic плагины с помощью демонстрационных функций высшего порядка ambisonic (HOA) MATLAB®. Звукозапись с эффектом присутствия является пространственным аудио методом, который представляет 3D звуковое поле с помощью сферических гармоник. Этот пример содержит плагин энкодера, функция, чтобы сгенерировать пользовательские плагины энкодера, плагин декодера и функцию, чтобы сгенерировать пользовательские плагины декодера. Индивидуальная настройка сменной генерации позволяет пользователю задать различные порядки ambisonic и различные списки устройств для данной ambisonic настройки.

Аудио плагин, спроектированный, чтобы переключить подачу звука в режиме реального времени.

Аудио плагин, спроектированный, чтобы улучшить воспринятый уровень звука в более низкой части слышимого спектра.

Визуализируйте ответ величины настраиваемого фильтра. Фильтры в этом примере реализуются как аудио плагины. Этот пример использует визуализирование и audioTestBench функциональность Audio Toolbox™.

Свяжитесь между цифровой звуковой рабочей станцией (DAW) и MATLAB с помощью пользовательского дейтаграммного протокола (UDP). Информация, поделившаяся между DAW и MATLAB, может используемый, чтобы выполнить визуализацию в режиме реального времени в MATLAB на параметрах, которые изменяются в DAW.

Создайте простой аудио плагин в MATLAB и затем используйте его, чтобы сгенерировать плагин VST.

Задайте пользовательские графические интерфейсы пользователя для аудио плагинов.

Разверните извлечение признаков и сверточную нейронную сеть (CNN) для речевого распознавания команды к Raspberry Pi™. Чтобы сгенерировать извлечение признаков и сетевой код, вы используете MATLAB Coder, Пакет Поддержки MATLAB для Оборудования Raspberry Pi и Библиотеку ARM® Compute. В этом примере сгенерированный код является исполняемым файлом на вашем Raspberry Pi, который вызван скриптом MATLAB, который отображает предсказанную речевую команду наряду с и слуховой спектрограммой сигнала. Взаимодействие между скриптом MATLAB и исполняемым файлом на вашем Raspberry Pi обработано с помощью пользовательского дейтаграммного протокола (UDP). Для получения дополнительной информации о предварительной обработке аудио и сетевом обучении, смотрите Распознание речевых команд с использованием глубокого обучения.

Разверните извлечение признаков и сверточную нейронную сеть (CNN) для речевого распознавания команды на процессорах Intel®. Чтобы сгенерировать извлечение признаков и сетевой код, вы используете MATLAB Coder и Math Kernel Library Intel для Глубоких нейронных сетей (MKL-DNN). В этом примере сгенерированный код является исполняемым файлом MATLAB (MEX) функция, которая вызвана скриптом MATLAB, который отображает предсказанную речевую команду наряду с сигналом области времени и слуховой спектрограммой. Для получения дополнительной информации о предварительной обработке аудио и сетевом обучении, смотрите Распознание речевых команд с использованием глубокого обучения.

Используйте блок Parametric EQ и multibandParametricEQ Систему object™ от Audio Toolbox™, чтобы реализовать параметрическую аудио модель эквалайзера. Можно запустить модель на хосте - компьютере или развернуть его в устройство на базе Android.

Используйте блок Parametric EQ и multibandParametricEQ Систему object™, чтобы реализовать параметрическую аудио модель эквалайзера, которая может работать на вашем хосте - компьютере или устройстве на iOS Apple.

Используйте Систему objects™ от Audio Toolbox™, чтобы реализовать эхо и эффекты реверберации в модели Simulink®. Можно запустить модель на хосте - компьютере или развернуть его в устройство на iOS Apple.

Используйте блок Crossover Filter и Систему компрессора object™ от Audio Toolbox™, чтобы реализовать многополосную модель компрессора динамического диапазона. Можно запустить модель на хосте - компьютере или развернуть его в устройство на iOS Apple.

Сгенерируйте независимый исполняемый файл для параметрической эквализации с помощью MATLAB Coder™ и используйте его на звуковом файле. multibandParametricEQ используется для алгоритма эквализации. Пример позволяет вам динамически настраивать коэффициенты фильтров с помощью пользовательского интерфейса (UI), который запускается в MATLAB.

Используйте MATLAB Compiler™, чтобы создать автономное приложение от функции MATLAB. Функция реализует алгоритм обработки аудиоданных и проигрывает результат через ваше устройство аудиовыхода.

Ускорьте аудиоприложение в реальном времени с помощью генерации кода C с MATLAB Coder.