语音识别的两种特征提取方法lpcc和mfcc。有一个文本

音频信号的短时分析工具箱，包含处理音频信号的常用命令文件等-Short-time audio signal analysis toolbox, including the common audio signal processing command files, etc.

SAPI SDK是微软公司免费提供的语音应用开发工具包，这个SDK中包含了语音应用设计接口（SAPI）、微软的连续语音识别引擎（MCSR）以及微软的语音合成（TTS）引擎等等。目前的5.1版本一共可以支持3种语言的识别 (英语，汉语和日语)以及2种语言的合成（英语和汉语）。SAPI中还包括对于低层控制和高度适应性的直接语音管理、训练向导、事件、语法编译、资源、语音识别(SR)管理以及TTS管理等强大的设计接口。

本源码为语音识别中lpcc（线性预测倒谱系数）的计算方法。经试验，可用。为方便大家理解，关键语句和函数后面都加上了注释。-The source code for speech recognition in lpcc (Linear Prediction Cepstrum Coefficient) is calculated. After testing, can be used. To facilitate the understanding of everyone, the key behind the statements and functions are added to the Notes.

简单的模式识别的分类算法（K_均值算法）程序的使用方法简单就不介绍了！-The classification of simple pattern recognition algorithm (K_ means algorithm) to use the procedure does not introduce a simple!

其中大部分采用voicebox库中的函数，需要把voicebox添加到路径中。 模板在测试程序中共有5个，通过i进行设定，命名原则：数字a，如1a 被测试对象一个，命名原则：数字b，如1b 测试程序为dtwTest 其他的都是一些函数原型，包括 dtw MFCC enframe vad

不定长信号合并，％执行信号相加： y(n) = x1(n)+x2(n) ％调用方式：[y,n] = sigadd(x1,n1,x2,n2) ％ y：叠加后的信号序列的序列号，包括n1和n2 ％ x1： 第一个信号序列，序列号为n1 ％ x2：第二个信号序列，序列号为n2(n2可以与n1不同)-Indefinite long-Signal merger, add up to the implementation of signal: y (n) = x1 (n)+ X2 (n) call the way: [y, n] = sigadd (x1, n1, x2, n2) y: Superposition signal sequence after the serial number, including the n1 and n2 x1: the first signal sequence, the serial number for n1 x2: the second signal sequence, the serial number for n2 (n2 with n1 different)

采用小波变换实现带噪语音信号的增强，供参考-Wavelet transform realize Noisy speech signal enhancement, for reference

语音信号预处理matlab程序，在7.0上运行通过，可以做实验参者代码。-Matlab voice signal pre-processing program, run through the 7.0, you can experiment with participation by the code.

本程序可以产生一组正态模拟数，用来模拟实际生产中服从或近似服从正态分布的数据，很有用。-This procedure can generate a group of normal simulation the number used to simulate the actual production or similar to obey normal distribution of data, very useful.

极小边际熵等价于叉四阶累积量的平方和最小。通过迭代使四阶累积矩阵对角化，实现交叉四阶累积量的平方和的极小化。他是语音识别的重要预处理算法-minimum entropy equivalent to the marginal four bands fork cumulative amount of square and smallest. Through iterative four bands so that the cumulative matrix diagonalization, four bands to achieve cross-cumulative amount of square and the minimization. He is an important voice recognition algorithm pretreatment