Audio Toolbox

Entwickeln und Analysieren von Sprach-, Akustik- und Audioverarbeitungssystemen

Haben Sie noch Fragen? Kontaktieren Sie den Vertrieb.

Die Audio Toolbox umfasst Tools zur Signalverarbeitung- und -analyse von Audio-, Sprach- und Akustikmaterial. Dies beinhaltet Algorithmen zur Verarbeitung von Audiosignalen, Abschätzung von Akustikmetriken, Kennzeichnung und Verbesserung von Audio-Datensätzen sowie Extrahierung von Audiomerkmalen.

Sie können Messungen durchführen oder Algorithmen in Echtzeit prototypisieren, indem latenzarmes Audiomaterial zu und von ASIO, CoreAudio und anderen Soundkarten gestreamt wird. Mit der Toolbox können Algorithmusparameter über grafische Oberflächen oder MIDI-Ereignisse gesteuert werden. Validieren lässt sich Ihr Algorithmus durch Umwandlung in ein VST- oder Audio Unit-Plugin, um ihn in externen Host-Anwendungen auszuführen. Außerdem bietet die Toolbox Plugin-Hosting zur Verarbeitung von MATLAB Arrays mithilfe externer Audio-Plugins.

Die Toolbox umfasst vortrainierte Machine-Learning- und Deep-Learning-Modelle, die Transfer Learning unterstützen. Sie können die Modelle direkt in Sprach- und Akustiksignale bei allgemeinen Aufgaben wie Embedding-Extraktion, Tonklassifizierung, Sprecherverifikation, Sprachtranskription und -synthese, Quelltrennung und Reduktion von Hintergrundgeräuschen anwenden.

Screenshot der Audio Toolbox von der Erkennung eines Sprachbefehls mit Deep Learning; zwei Versionen werden nebeneinander gezeigt.

Streaming-Erfassung und -Wiedergabe

Lesen und schreiben Sie Audiodaten von oder auf Soundkarten (etwa über USB oder Thunderbolt™) mithilfe standardmäßiger Audiotreiber (gemäß ASIO, WASAPI, CoreAudio und ALSA) auf Windows^®-, Mac^®- und Linux^®-Betriebssystemen. Verarbeiten Sie Live-Audio in MATLAB mit Umlauf-Latenzzeiten im Millisekundenbereich.

Echtzeit-Audio in MATLAB

Dokumentation | Beispiele

Stapeldiagramm einer aufgezeichneten Wellenform mit zwei Sprechern, gefolgt von getrennten Spuren der beiden Sprecher und des Restsignals. Es wird gezeigt, dass die Summen der getrennten Komponenten dem ursprünglichen Signal entsprechen.

KI zu Audio-, Sprach- und Akustikzwecken

Wenden Sie die neuesten Deep-Learning- und Machine-Learning-Modelle auf Audio-, Sprach- und Akustiksignale an. Erstellen, kennzeichnen und verbessern Sie Audiodaten zur Optimierung von Modellen mithilfe des Transfer Learning. Extrahieren Sie Merkmale und berechnen Sie Zeit-Frequenz-Transformationen. Entwickeln Sie prädiktive Modelle mit der Statistics and Machine Learning Toolbox sowie der Deep Learning Toolbox.

Vortrainierte KI-Modelle

Dokumentation | Beispiele

Audio-Verarbeitungsalgorithmen

Generieren Sie Standard-Wellenformen, wenden Sie allgemeine Audioeffekte an und entwickeln Sie Audioverarbeitungssysteme mit dynamischer Parameteroptimierung und Live-Visualisierung in MATLAB und Simulink.

Entwicklung eines Parametrischen Equalizers

Dokumentation | Beispiele

Simulink-Modell eines Zwei-Wege-Lautsprechers, einschließlich DSP-Module wie Equalizer und Kompressoren sowie ein schaltkreisbasiertes elektromechanisches Modell eines Lautsprecherlaufwerks zusammen mit Visualisierungsbereichen und Spektrumanalysatoren.

Systemmodellierung mit Simulink

Entwickeln Sie Systemmodelle mit Bibliotheken von Audio-Verarbeitungsblöcken für Simulink. Optimieren Sie Parameter und visualisieren Sie das Systemverhalten mithilfe interaktiver Steuerelemente und dynamischer Diagramme. Simulieren Sie DSP-, analoge Schaltkreis- und Deep-Learning-Modelle.

Dokumentation | Beispiele

Live-Prototypisierung und -Visualisierung

Automatische Erstellung von Benutzeroberflächen für optimierbare Parameter von Audioverarbeitungsalgorithmen. Testen Sie Algorithmen mit der Audio Test Bench-App und optimieren Sie Parameter in laufenden Programmen mit automatisch über MIDI generierten interaktiven Steuerelementen.

Dokumentation | Beispiele

Die App "Impulse Response Measurer" zeigt Steuerelemente zur Auswahl von Schätzmethoden und -parametern, Details einer gemessenen Zeit-Domänen-Impulsantwort und die Frequenz-Domänen-Magnitude und -Phase.

Raumakustik und räumliches Audio

Messen Sie die Raum-Impulsantworten mithilfe von Maximalfolgen (Maximum-Length Sequences, MLS) und exponentiell geschwungenen Sinusoiden (ESS), lesen und schreiben Sie SOFA-Dateien, analysieren und interpolieren Sie Außenohrübertragungsfunktionen (Head-Related Transfer Functions, HRTF) und codieren und decodieren Sie Ambisonic-Formate. Führen Sie effiziente Faltungen mithilfe partitionierter Frequenz-Domänen-Methoden durch.

Dokumentation | Beispiele

Psychoakustik und Lautstärkemessung

Wenden Sie Schalldruckpegel (SPL)- und Lautstärkemessungen auf aufgenommene Signale oder direkt übertragene Signale an. Analysieren Sie Signale mit Oktaven- und Teiloktavenfiltern. Wenden Sie standardkonforme A-, C- oder K-Bewertungsfilter auf Rohaufnahmen an. Beobachten Sie Spitzen- und echte Spitzenwerte. Messen Sie akustische Schärfe, Rauigkeit und Schwankungsstärke.

Dokumentation | Beispiele

Benutzeroberfläche eines binären, mit MATLAB generierten und REAPER ausgeführten Plugins. Das Plugin zeigt neun Schieberegler und Drehknöpfe für die neun einstellbaren Parameter eines parametrischen Drei-Band-Equalizers, mit dem gleichen Look and Feel wie eine von Benutzern entworfene MATLAB-App.

Erstellung und Hosting eines Audio-Plugins

Generieren Sie VST-Plugins, AU-Plugins und eigenständige ausführbare Plugins direkt aus MATLAB-Code, ohne dass eine manuelle Gestaltung von Benutzeroberflächen erforderlich ist. Verwenden Sie externe VST- und AU-Plugins als reguläre MATLAB-Objekte, um MATLAB-Arrays zu verarbeiten, und verändern Sie die Plugin-Parameter dabei im Programm, mit Benutzeroberflächen oder MIDI-Steuerelementen.

Entwurf Ihres ersten Audio-Plugins mit MATLAB

Dokumentation | Beispiele

Eine Raspberry Pi-Platine als Beispiel einer Embedded-Plattform, mit der in MATLAB oder Simulink entwickelte Prototypen von Audiosystemmodellen ohne zusätzlichen Aufwand für Embedded Software realisierbar sind.

Embedded-Zielplattformen und Echtzeit-Audiosysteme

Generieren Sie mit MATLAB und Simulink Coder-Produkten C und C++ Quellcode aus Signalverarbeitungs- und Machine-Learning-Algorithmen, die als Toolbox-Funktionen, -Objekte und Blöcke bereitstehen. Generieren Sie CUDA^®-Quellcode aus ausgewählten Merkmalsextraktionsfunktionen. Prototypisieren Sie Audio-Verarbeitungsentwürfe in Raspberry Pi™, Apps auf Android^®- oder iOS-Geräten, Speedgoat-Audiohardware und ST Discovery-Platinen.

Dokumentation | Beispiele