将语音转换成语谱图，直接输入语音路径即可实现

语音信号处理中的语谱图，自己录一段语音，输出时窄带语谱图

近年来，随着社会生活水平的不断提高，人们对机器智能人声识别的要求越来越高。高斯混合—隐马尔可夫模型（Gaussian of mixture-hidden Markov model, GMM-HMM）是说话人识别研究领域中最重要的模型。由于该模型对大语音数据的建模能力不是很好，对噪声的顽健性也比较差，模型的发展遇到了瓶颈。为了解决该问题，研究者开始关注深度学习技术。引入了CNN深度学习模型研究连续语音说话人识别问题，并提出了CNN连续说话人识别（continuous speaker recognition of convolutional neural network, CSR-CNN）算法。模型提取固定长度、符合语序的语音片段，形成时间线上的有序语谱图，通过CNN提取特征序列，经过奖惩函数对特征序列组合进行连续测量。实验结果表明，CSR-CNN算法在连续—片段说话人识别领域取得了比GMM-HMM更好的识别效果。

语谱图实验介绍 界面即功能介绍： 左上角的图形框（the spectrum of the number） 表示：输入的数字的频谱图； 左下角的图形框（yuputu） 表示：连续输入的号码的语谱图； 右上角的图形框显示输入的数字； 右面中间的16个号码代表按键盘； “hangup”：表示“挂断电话”， 同时将左上角的图形框（the spectrum of the number） 和左下角的图形框（yuputu）清空； “recall”：表示 “重播”，同时将上一次输入的一串号码数值显示 （yuputu）中，并将上次号码的最后一个号码的频谱图显示在 （the spectrum of the number）中。

从开源项目gqrx中提取的时频图显示控件。由于原版做的非常棒，可以直接拷贝使用。建议下载本项目后，从github下载最新版的相应文件后覆盖，这样可以一直保持最新。

实现语音的三维语谱图，和传统的用色度强弱来表示有不同

通过识别语音生成语谱图（横坐标是时间，纵坐标是频率，坐标点值为语音数据能量）

经典功率谱估计与现代功率谱估计的对比，有程序，并加详细的分析，还有语谱图的分析

读取指定文件夹下的所有mp3文件，转换成语谱图，并保存为二进制文件，便于后续进行语言识别等处理。

语音合成\基于matlab语音短时频谱分析，到谱分析，语谱图分析及结果-.rar