1.给大家带来一款语音识别软件，想做智能识别语音设备或者想给项目增加功能的同学可以看下 2.这款软件是使用python写的，其实开发语言无所谓用其他语言也可以写 3.代码还是挺简单的

电子秤功能说明: 电子秤主要以单片机STC90C52RC控制核心，实现电子秤的基本控制功能。系统扩展了电子日历时钟,系统可以分为最小系统、数据采集、人机交互界面和系统电源、时钟和语音报数六大部分。最小系统部分主要包括STC90C52RC和经典复位电路；数据采集部分由称重传感器、信号放大和A/D转换部分组成，信号放大和A/D转换部分主要由专用型高精度24位AD转换芯片HX711实现；人机交互界面为键盘输入和点阵式液晶显示，主要使用4*4矩阵键盘和1602液晶显示器，可以方便的输入数据和直观的显示数据；时钟模块主要由时钟芯片DS1302和时钟电路组成；语音报数模块可语音报读时间和电子秤系统的重量、单价、金额等语音内容，主要由SC1010B实现。该电子秤可以实现基本的称重功能（称重范围为0～5Kg，重量误差不大于±0.005Kg）,并扩展了时钟和语音报数的功能，时钟模块还可设置闹钟功能。系统在称量时还具有超量程报警功能。整个系统结构简单，使用方便，功能齐全，精度高，具有一定的开发价值。 系统硬件的结构框图: Arduino源程序与Arduino配套例程连接图: 附件资料截图:

windows微软文本转语音非常好用

文本转语音，内置多种配音，有微软和阿里的非常好用

IFIX自带的报警是利用PC的喇叭,现介绍一种方法可以实现音乐声音

首先要介绍的是一款聊天安全的端对端加密通讯工具—tox。 qTox是一款基于Qt和tox制作的端对端加密即时通讯工具，随着政府监控项目的兴起，qTox提供了一个易于使用的软件让您能够在与亲人和朋友联系的时候防止他人的偷窥。当其它著名服务要求您付费使用服务的时候，qTox 完全免费，并且没有广告。 方便：支持文本、音频、视频通话 安全：点对点端对端加密，没有中心服务器 简单：qTox使用简单，不需要任何专业知识，你只要专注于聊天 自由：qTox是完全免费的。除了免费使用，还能自由修改它 qTox使用 首先qTox是点对点通信，没有中心服务器，这就意味着使用qTox无需注册账号。下载客户端后直接运行，自动生成账号（76 位的十六进制字符），其实就是我们常见的一机一码。 qTox添加好友也很简单，复制对方的76位ID发送请求即可，添加成功后就可以愉快的进行聊天了。 qTox支持语音和视频聊天，通话质量不错，而且qTox还支持圈子（其实就是分组），而且支持群聊。 文件传输这么基础的功能当然也是支持的啦。

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。 本练习使用 mu-law 量化器量化指定的语音文件，每个样本的比特率为 nbits，其中 nbits 通常在 2-10 的范围内。 对于选定的 nbits 值，程序绘制量化信号和误差信号以及信号和误差功率谱的估计值，以及误差信号值的直方图。 该程序还播放错误信号，以便了解在不同比特率下量化信号中引入了多少噪声。

matlab声音信号相位差代码语音分离和增强 说明 该程序包含几种流行的方法及其变体，用于语音分离和增强。 该程序的目的是快速实现，测试和比较方法。 麦克风阵列的默认模型是6 + 1（外围+中央）圆形阵列。 测试数据是基于TIMIT数据库的ISM方法[1,2]生成的。 语音箱工具箱是必需的。 所有代码均由Ke Zhang用Matlab编写和更新。 如果您发现任何错误或错误，请与我联系。 主要方法列表： 波束成形： DSB MVDR 轻型商用车 最大信噪比/ GEVD 盲源分离（BSS）： ICA 艾娃 辅助IVA 过度IVA 劳协 快速MNMF 通常，波束成形中的方法使用源的导引矢量或其他空间信息来增强目标语音，而BSS方法仅使用源的数量，除了某些情况下，用于解决置换歧义。 用户指南 主要功能是command.m，您可以在其中设置声源的数量和角度（0-45-315度），并在列表中选择要测试的算法（将对应方法后面的值设置为1正在运行，则为0）。 可以在ISM_setup.m中设置仿真环境，例如用于混响的T60（支持0、0.3s，0.6s，0.9s），麦克风阵列的配置以及用于噪声添加的No

matlab语音小波去创建代码D-VDAMP & SUREMap 该存储库包含与 Christopher A. Metzler 和 Gordon Wetzstein 于 2021 年发表的 ICASSP 论文“D-VDAMP：压缩 MRI 的基于降噪的近似消息传递”以及论文“Suremap：预测基于 Cnn 的图像重建中的不确定性”相关的代码使用 Stein 的无偏风险估计，”ICASSP，2021 年，作者：Ruangrawee Kitichotkul、Christopher A. Metzler、Frank Ong 和 Gordon Wetzstein。 请注意，此代码与论文中用于生成结果的实现略有不同。 依赖关系 该代码已针对 Python 3.8.5 版进行了测试，并安装了以下软件包： numpy 、 matplotlib 、 Pillow 、 PyWavelets 、 torch 、 torchvision 、 tensorboard 、 h5py 、 statsmodel 、 bm3d和torch_dct 。 为了确保包的版本与我们测试代码的版本匹配，我们建议创建一个新的虚

基于卷积神经网络的语音识别声学模型的项目源码.zip基于卷积神经网络的语音识别声学模型的项目源码.zip基于卷积神经网络的语音识别声学模型的项目源码.zip 声学模型介绍 1) DCNN-CTC声学模型介绍 该模型主要是在speech_model-05上进行修改，上述模型主要使用DCNN-CTC构建语音识别声学模型，STcmds 数据集也是仿照该模型进行修改，最后实验结果如上图所示； 2) MCNN-CTC声学模型介绍 该模型主要是在speech_model_10 脚本上进行实验，最终实验结果可在上图2）所示结果，最终MCNN-CTC总体实验结果相较于DCNN-CTC较好； 3) DenseNet-CTC声学模型介绍 上述模型主要是在 DenseNet上进行实验，最终实验在Thchs30数据集结果可以达到接近30%左右的CER，具体实验可以自己付尝试一下; 4) Attention-CTC声学模型 此模型主要在DCNN-CTC基础上，在全连接层进行注意力操作，最终结果相较于其他结果相较于DCNN-CTC可能有提升，具体可以参看speech_model_06脚本；