audio toolbox™ 为音频处理、语音分析和声学测量提供工具。它包含各种算法，可用于处理音频信号（例如均衡和时间拉伸）、估计声信号指标（例如响度和清晰度）以及提取音频特征（例如 mfcc 和基音）。它还提供先进的机器学习模型（包括 i-vector）和预训练深度学习网络（包括 vggish 和 crepe）。工具箱 app 支持实时算法测试、脉冲响应测量和信号标注。该工具箱提供了面向 asio、coreaudio 和其他声卡以及 midi 设备的流接口，以及用于生成和托管 vst 和 audio units 插件的工具。
audio toolbox 支持您导入、标注和增强音频数据集，以及提取特征以便训练机器学习和深度学习模型。所提供的预训练模型可应用于录音，以进行高级语义分析。
通过对声卡流式传输低延迟音频，您可以实时构建音频处理算法原型，或运行自定义声学测量。您可以将算法转变为音频插件，以在外部托管应用程序（如 digital audio workstations）中运行，从而对其进行验证。通过插件托管，您可以将外部音频插件作为常规 matlab® 对象使用。
开始：
通过音频接口进行流式采集和播放
连接到标准笔记本电脑和台式机声卡，以便在任意文件与实时输入和输出之间流式传输低延迟多声道音频。
与标准音频驱动程序之间的连接
在 windows®、mac® 和 linux® 操作系统间，使用标准音频驱动程序（如 asio、wasapi、coreaudio 和 alsa）对声卡（如 usb 或 thunderbolt™）读取和写入音频样本。
多声道声卡示例。
来自四声道麦克风阵列的实时原始输入。
机器学习和深度学习
标注、增强、创建和摄取音频和语音数据集，提取特征，并计算时频变换。使用 statistics and machine learning toolbox™、deep learning toolbox™ 或其他机器学习工具开发音频和语音分析。
预训练的深度学习模型
使用深度学习，只需一行代码，即可执行复杂的信号处理任务、提取音频嵌入。访问成熟的预训练网络，如 yamnet、vggish、crepe、openl3，并借助预配置的特征提取函数应用它们。
词云，显示特定音频片段中由 classifysound 标识的声音类型。
针对音频、语音和声学的特征提取
将信号变换为时频表示，例如 mel、bark 和 erb 频谱图。计算倒谱系数（例如 mfcc 和 gtcc）和标量特征（例如基音、调和性和频谱描述符）。使用经预训练的深度学习模型（vggish、openl3）和 i-vector 系统提取高级特征和信号嵌入。使用兼容的 gpu 卡加速特征提取。
语音命令的实时 mel 频谱图。
机器学习模型和训练方法
用音频数据集训练前沿机器学习模型。将成熟的模型系统（如 i-vector）用于说话人识别和验证等应用。从实例中学习如何为音频、语音和声学应用设计和训练高级神经网络和层。
导入、注释和预处理音频数据集
读取、分割和预处理大型录音集合。使用 app 手动对音频信号进行注释。使用预训练的机器学习模型自动识别和分割感兴趣区域。
音频处理算法和效果
生成标准波形，应用常见音频效果，设计具有动态参数调优和实时可视化的音频处理系统。
实时音频原型构建
在 matlab 中使用交互式实时侦听测试验证音频处理算法。
用于参数控制和消息交换的 midi 连接
使用 midi 控制台以交互方式更改 matlab 算法的参数。通过发送和接收各种类型的 midi 消息来控制外部硬件或对事件作出响应。
声学测量和空间音频
测量系统响应、分析和计量信号以及设计空间音频处理系统。
基于标准的计量和分析
将声压级 (spl) 表和响度表应用于记录的信号或实时信号。使用倍频程和分数倍频程滤波器分析信号。将符合标准的 a、c 或 k 加权滤波器应用于原始记录。测量声音的清晰度、粗糙度和起伏强度。
2/3 倍频程频带上不同 spl 测量的可视化。
脉冲响应测量
使用最大长度序列 (mls) 和指数扫描正弦曲线 (ess) 测量声学和音频系统的脉冲和频率响应。借助脉冲响应测量仪轻松上手。以编程方式生成激励信号并估计系统响应，从而实现自动测量。
生成和托管音频插件
为在 matlab 中以标准音频插件形式编写的音频处理算法构建原型；将外部音频插件作为常规 matlab 对象使用。
托管外部音频插件
将外部 vst 和 au 插件作为常规 matlab 对象使用。您可以更改插件参数并以编程方式处理 matlab 数组。您也可以将插件参数与用户界面和 midi 控制的关联自动化。托管从 matlab 代码生成的插件以提高执行效率。
部署到嵌入式和实时音频系统
使用代码生成在软件设备上实现音频处理设计，并自动接入音频接口。
为 cpu 和 gpu 目标生成代码
使用 mathworks® 编码器产品，从工具箱函数、对象和模块形式的信号处理和机器学习算法生成 c 和 c 源代码。通过专门的特征提取函数（如 mfcc 和 melspectrogram）生成 cuda 源代码。
低成本和移动设备
使用板载或外部多声道音频接口，在 raspberry pi™ 上为音频处理设计构建原型。以移动 app 的形式为 android® 或 ios 设备创建交互式控制面板。
零延迟系统
为基于单采样输入和输出的音频处理设计构建原型，以用于自适应噪声控制、助听验证或其他需要最小双向 dsp 延迟的应用程序。直接从 simulink 模型部署到 speedgoat 音频目标机和 st discovery 开发板。