语音质量评价matlab代码深度转换 深度卷积神经网络用于音乐源分离 该存储库包含用于数据生成，预处理和特征计算的类，可用于训练具有不适合内存的大型数据集的神经网络。 此外，您可以从中找到用于查询乐器声音样本的类。 在“示例”文件夹中，您可以找到上述类的使用案例，以了解音乐源分离的情况。 我们提供用于特征计算（STFT）和用于训练卷积神经网络以进行音乐源分离的代码：使用数据集iKala数据集唱歌语音源分离，使用DSD100数据集进行语音，低音，鼓分离，用于大鼓，单簧管，萨克斯风和小提琴的编码。 当原始分数可用时，后面的例子是使用RWC乐器声音数据库中的乐器样本训练神经网络的好例子。 在“评估”文件夹中，您可以找到基于Matlab的代码来评估分离质量。 为了训练神经网络，我们使用和。 我们使用已经训练有素的模型来完成不同任务，提供分离代码。 在examples / dsd100 / separate_dsd.py中将音乐分离为人声，贝斯，鼓和伴奏： python separate_dsd.py -i -o -m <path_to_model

基于KPI/KQI的语音质量评估系统，用java语言在eclipse上编写，上面有详细的代码说明，谢谢！

伴随 4G 网络的不断完善，VoLTE 用户的不断增多,VoLTE 的通话质量成为重要而关键的 一环。应时而生，诺基亚推出了新 feature：LTE1406 Extended VoLTE Talk Time，该功能 可针对 QCI 1 上下行 HarqMaxTr、TargetBler 单独设置，为验证该功能下不同参数值组合对 VoLTE的通话质量带来的影响，确定该四个参数的最优配置，给出无线参数优化指导意见。 通过 LTE1406，可以定义 VOLTE 相关的参数（QCI1 的 Dl/UL TargetBler 及 HarqMaxTrDl/Ul），这些参数与 QCI1 专载 UL 和 DL 中最大的 HARQ 重传次数和目标 BLER 相关， 增大重传次数可以提升无线链路的可靠性，但无线资源开销也会增大；设置较低的目标Bler 时，上行和下行链路可更快地调整MCS以适应不断变化的无线环境；EVTT通过优化QCI1专载的最大 HARQ重传次数和目标 BLER进而改善 VOLTE丢包率。

根据https://blog.csdn.net/one0_opiece/article/details/83994620，生成的pesq.exe

IP电话G729AB抖动缓冲算法与语音质量改进.pdf

国际电信联盟的无源音质客观评价标准P.563算法源代码，以及技术说明文档，代码直接能编译使用，测试确实对音质有比较明显的评分差异，直接输出MOS分

E-Model是一种语音质量测量的新方法，在网络规划和语音监测方面有着广泛的应用。随着IP网络和应用的迅猛发展，特别是随着NGN网络的逐步应用，该网络可以提供包括话音、数据和多媒体等各种业务。语音质量测量是NGN网络测试的一个重要方面，基于E-Model的语音质量测量是对NGN网络语音质量测量的一种有效的方法，必定会有很好的应用前景。

语音质量评价matlab代码

ITU-T的PESQ语音质量评价算法，这是实现程序

PESQ 工具编译源码，内附编译教程。