gmm语音matlab代码歌手声音类型预测
通过
HMM，GMM
分类歌手声音类型的简单代码。
在训练之前也可以使用各种降维方法。
测试环境（非必需）
Matlab
7.11
R2011b，Win7
32
位
所需工具箱
实用工具箱
树液工具箱
机器学习工具箱
语音工具箱
pmtk工具箱
示例数据集
歌唱发声模式数据集
设置：
将toolboxPath.root中的vtpInit.m更改为您下载的工具箱的根路径。
更改路径设置：
datasetDir
，
featurePath在featureExtractOptSet.m
，并usedDatasetFeaPath在trainingOptSet.m和testingOptSet.m
。
用法：
根据您的目的运行脚本文件go*.m
。
goFeatureExtract：运行特征提取和保存在所提取的特征opt.featurePath
（在指定featureExtractOptSet.m
）
goCV：运行交叉验证任务，结果将写入您在opt.outFileName中crossValidOptSet.m指定的路径
goTraining：只运行训练
2021-10-19 20:32:39
69KB
1
语音处理指定了一个由 Lawrence Rabiner 教授（罗格斯大学和加州大学圣巴巴拉分校）、Ronald Schafer 教授（斯坦福大学）、Kirty Vedula 和 Siva Yedithi（罗格斯大学）组成的团队。 此练习是一组语音处理练习之一，旨在补充LR Rabiner和RW Schafer编写的教科书“数字语音处理的理论和应用”中的教材。 这个 MATLAB 练习实现了 Verhelst 和 Roelands 的 Waveform Similarity and Overlap Add (WSOLA) 方法（An Overlap-Add Technique Based on Waveform Similarity (WSOLA) for High Quality Time-Scale Modification of Speech，Werner Verhelst 和 Mar
2021-10-14 14:43:13
4.54MB
1
共407页，不是试读的版本，PDF高清。
本书介绍语音信号分析和合成处理的基础、原理、方法和应用。全书共10章，具体内容如下：
第1章介绍语音信号处理的基础知识，如发音器官与听觉器官、语音信号的数学模型和语音信号感知特性等。
第2章和笫3章介绍语音信号特征分析的基本处理技术，包括时域分析、频域分析、同态分析、DCT和MFCC分析、小波和小波包变换的分析以及EMD分析等方法。
第4章介绍线性预测分析方法。介绍了线性预测的模型、方程的建立、线性预测的自相关和自协方差解、线性预测的格型法解、由线性预测导出的其他参数和线谱对分析法等。
第5章介绍了带噪语音信号及预处理。介绍了信噪比的概念和带噪语音信号的产生，以及最小二乘法消除趋势项，和数字滤波等。
第6章介绍语音端点的检测方法。首先从能量和过零率导出通用的双门限单参数和双参数的端点检测，接着介绍相关法、方差法、谱距离法、谱熵法、能零比和能熵比法、小波变换和EMD分解法等的端点检测，最后给出在低信噪比下端点检测的方法。
第7章介绍语音信号的减噪。介绍了利用自适应滤波器减噪、基本谱减法和改进谱减法的减噪，以及维纳滤波减噪等方法。
第8章介绍语音信号的基音检测技术。首先介绍了在基音检测中的端点检测和预滤波，接着分别介绍了倒谱法、自相关法、平均幅度差函数法和线性预测等方法的基音检测。这些方法中虽在基音检测后都进行了平滑处理，但在基音周期中都会有野点发生。作者提出了主体延伸的基音检测方法，并详细说明了该方法的原理和处理步骤，改善了基音检测的结果。在本章的最后介绍了带噪语音的基音检测技术。
第9章介绍语音的共振峰检测。首先介绍了在共振峰检测中的预加重和端点检测，接着介绍了倒谱法和线性预测法的共振峰检测，并在线性预测的基础上进一步介绍了简单LPC和改进的LPC对连续语音的共振峰检测。在本章最后介绍了HHT法的共振峰检测。
第10章介绍语音信号的合成算法。首先介绍了数据接叠的三种方法，在此基础上介绍了频谱参数的语音合成、线性预测系数和预测误差的语音合成、线性预测系数和基音参数的语音合成、基音和共振峰的语音合成。通过合成技术又介绍了语音信号的变速和变调算法，最后介绍了波形拼接合成技术以及时域基音同步叠加(TDPSOLA)的合成方法。
2021-05-24 11:45:23
183.15MB
1
基于各种IIR滤波器和FIR滤波器的数字语音处理Matlab仿真，包含各种IIR滤波器设计，FIR滤波器设计，数字语音的低通带通高通滤波，性能对比
2021-04-21 20:18:10
10.5MB
1