使用 CNN-MLP 的音频分类 使用深度学习（CNN、MLP）的多类音频分类 引文 如果你觉得这个项目有帮助，请引用如下： @software{vishal_sharma_2020_3988690, author = {Vishal Sharma}, title = {{vishalshar/Audio-Classification-using-CNN-MLP: first release}}, month = Aug, year = 2020, publisher = {Zenodo}, version = {v1.0.0}, doi = {10.5281/zenodo.3988690}, url = {

摩擦 Friture是一款用于实时可视化和分析实时音频数据的应用程序。 Friture在几个小部件（例如示波器，频谱分析仪或滚动2D频谱图）中显示音频数据。 该程序可用于分析和均衡大厅的音频响应，或用于教育目的等。 Friture这个名字是法语中的油炸词，也用于声音中的噪音。 请参阅以获取屏幕截图和更多信息。

inaSpeechSegmenter inaSpeechSegmenter是一个基于CNN的音频分段工具包。 它将音频信号分成语音，音乐和噪音的均匀区域。 语音区域分为使用说话者性别（男性或女性）标记的片段。 男性和女性分类模型针对法语进行了优化，因为他们是使用法语说者进行培训的（说话者性别的声学相关性取决于语言）。 对应于音乐之上的语音或噪声之上的语音的区域被标记为语音。 设计inaSpeechSegmenter的目的是基于男女语音时间百分比估计来执行。 安装 inaSpeechSegmenter是python 3中的框架。仅支持大于或等于3.6的python版本。 可以使用以下过程进行安装： 先决条件 inaSpeechSegmenter需要ffmpeg才能解码任何类型的格式。 可以使用以下命令行完成ffmpeg for ubuntu的安装： $ sudo apt-get in

在树莓派上用Tensorflow进行声音分类 建立项目 该项目是使用Python 2.7开发和测试的。 在PC / Workstation和Raspberry Pi上安装以下Python库： Tensorflow, Scikit-learn, Librosa 仅在您的Raspberry上安装以下库： Sounddevice 下载UrbanSound8K数据集 训练模型 设置在代码中下载数据集的正确路径。 在要保存训练后的模型的位置设置正确的路径。 在您的PC /工作站上运行“ trainModel.py”。 运行模型 在Raspberry Pi上导出经过训练的模型（“ model

介绍了声音信号处理的基本原理与方法，内容不是很深，但是非常全面。涵盖了业界常用的有效的方法。而且有代码，对于初学者快速入门非常有帮助。

introduction to audio analysis: a matlab approach随书matlab代码。