python_sound_open 《语音信号处理试验教程》（梁瑞宇等）的代码主要是Matlab实现的，现在Python比较热门，所以把这个项目大部分内容写成Python实现，大部分是手动写的。使用查看帮助文件： 参考

波网 实现，用于音频源分离。 对于（改进的）Pytorch版本，请单击。 对于Tensorflow 2 / Keras中的第三方实施（不是我本人），请单击。 听的例子 听人声的分离结果和多仪器分离结果 什么是Wave-U-Net？ Wave-U-Net是一种适用于音频源分离任务的卷积神经网络，直接在原始音频波形上工作，中。 Wave-U-Net是U-Net架构对一维时域的一种改编，可以执行端到端音频源分离。 通过一系列涉及一维卷积的下采样和上采样块以及下采样/上采样过程，可以在抽象和时间分辨率的多个尺度/级别上计算特征，并进行组合以进行预测。 有关网络体系结构的摘要，请参见下图。 参加SiSec分离竞赛 Wave-U-Net还以提交和的参加了，并取得了良好的性能，特别是考虑到我们使用的数据集与许多其他提交相比所使用的有限数据集，尽管端到端数据处理更为耗时（我们还必须从数据中学习频

python-pesq 适用于Python用户的PESQ（语音质量的感知评估）包装 这段代码是专门为numpy数组设计的。 要求 C compiler numpy cython 编译安装 $ git clone https://github.com/ludlows/python-pesq.git $ cd python-pesq $ pip install . # for python 2 $ pip3 install . # for python 3 $ cd .. $ rm -rf python-pesq # remove the code folder since it exists in the python package folder 用pip安装 # PyPi Repository $ pip install pesq # The Latest Version $ pi

nara_wpe 语音混响的加权预测误差 由外壳中的反射引起的背景噪声和信号混响是声信号处理和远场语音识别中的两个主要障碍。 这项工作解决了基于WPE的信号去混响技术，用于语音识别和其他远场应用。 WPE是一种令人信服的算法，它可以基于长期线性预测来盲目地消除声学信号。 主要算法基于以下论文：吉冈，拓，和中谷智宏。 “用于盲MIMO脉冲响应缩短的多通道线性预测方法的推广。” IEEE音频，语音和语言处理交易20.10（2012）：2707-2720。 内容 迭代脱机WPE /块在线WPE /递归帧在线WPE 所有的算法都在Numpy和TensorFlow中实现（适用于1.12.0版）。 经过Python 2.7、3.5和3.6的持续测试。 自动生成的文档： 模块化设计，方便进行更改以进行进一步的研究 安装 如果您只想使用它，请直接通过Pip安装它： pip install na

webrtc-audio-processing-1.0例子，含代码和音频测试文件

webrtc-audio-processing-0.3.1在arm平台的测试程序，含测试用的pcm文件。

DWT-SVD：DWT-SVD的音频水印