语音信号处理-语音增强 线性预测技术是语音处理中最有效的手段，但是最容易受噪声影响。 原因：若将线性预测技术看做频谱匹配过程，则在含大量噪声的语音会使频谱畸变，但是预测器就设法与畸变频谱匹配，而不是与目标语音频谱匹配。当在声码器的接收端使用与发送端相同的预测器时，则复原语音的可懂度大大降低。 语音增强是从带噪声信号中提取尽可能纯净的原始语音，是解决噪声污染的一种有效方法。 主要应用范围：降低听觉噪声识别系统的与处理和线性预测编码的与处理。这种技术对语音识别和说话人识别是十分重要，可识别装置可以在含噪环境下进行工作。 目前语音增强已发展成为语音信号数字处理的一个重要分支。

说话人识别 (Speaker Recognition，SR)和情感识别 (Speech Emotion Recognition) 1 说话人识别 1.1说话人识别概述 1.2 说话人识别基本原理 1.3应用领域及技术难点 2 语音情感识别 2.1情感的分类 2.2语音情感特征分析 2.3语音情感识别方法 2.4存在的问题

LD3320A语音识别模块（带串口版本）源码

语音识别中双门限端点检测算法的研究，肖宜，，语音信号起止点的判别是任何一个语音识别系统必不可少的组成部分。有噪声的情况下，单纯用短时能量或者短时过零率不能准确检测出

用于语音识别,matlab里面的工具包，很有用处

机器学习 机器学习是什么 机器学习的领域 机器学习方法 主流机器学习框架 TensorFlow TensorFlow是什么 TensorFlow架构 TensorFlow基本使用 TensorFlow机器学习例子---一元线性回归 TensorFlow for Android Demo

4 Crazyflie2.0 硬件布局 1、正面 上图，为正面硬件布局图，图中标号对应如下：

Keras实现的 DeepSpeech 端到端语音识别

MASR中文语音识别模型（数据集：Librispeech），源码地址：https://github.com/yeyupiaoling/MASR

ios-swift-语音识别