在客户服务领域，如果对某事感到不满，可以迅速与人交谈。如果正在寻找特定信息，可能不需要与人交谈（除非愿意！）。这将是世界新秩序的一部分——已经可以看到在很大程度上正在发生这种情况。查看2017年数据科学行业的亮点。可以看到深度学习在以前难以解决的领域带来的突破。深度学习有潜力帮助解决的一个领域是音频/语音处理，特别是由于其非结构化的特性和广泛的影响。
音频分类是音频处理领域的一个基本问题。任务本质上是从音频中提取特征，然后确定音频属于哪个类别。在野外可以找到许多与音频分类相关的有用应用——例如流派分类、乐器识别和艺术家识别。这个任务也是音频处理中最被探索的话题。去年在这一领域发表了许多论文。实际上，还为解决这个特定任务举办了一个实践黑客马拉松，以促进社区合作。
// 音频分类的代码示例
音频指纹的目的是确定音频的数字“摘要”。这是为了从音频样本中识别音频。Shazam是音频指纹应用的一个极好例子。它基于歌曲的前两到五秒钟来识别音乐。然而，在背景噪音很大的情况下，系统仍然会失败。
// 音频指纹的代码示例
音乐标记是音频分类的更复杂版本。在这里，每个音频可能属于多个类别，即多标签分类问题。这个任务的潜在应用之一是为音频创建元数据，以便以后可以搜索。深度学习在一定程度上帮助解决了这个问题，这可以从下面的案例研究中看出。
// 自动音乐标记的代码示例
分割字面上意味着根据一组定义的特征将一个特定对象分成部分（或段落）。对于音频数据分析来说，分割是一个重要的预处理步骤。这是因为可以将嘈杂且冗长的音频信号分割成短的同质段落（方便的短音频序列），这些段落用于进一步处理。任务的一个应用是心脏声音分割，即识别特定于心脏的声音。
// 音频分割的代码示例
音频源分离包括从信号混合中分离出一个或多个源信号。最常见的应用之一是从音频中识别歌词，用于同时翻译（例如卡拉OK）。这是Andrew Ng的机器学习课程中展示的一个经典例子，他将说话者的声音从背景音乐中分离出来。
// 音频源分离的代码示例
顾名思义，目标是跟踪音频文件集中每个节拍的位置。节拍跟踪可以用于自动化与音乐同步的耗时任务。它在各种应用中都很有用，如视频编辑、音频编辑和人机即兴演奏。
// 节拍跟踪的代码示例
多亏了互联网，现在可以随时听到数百万首歌曲。讽刺的是，由于选择过多，这使得发现新音乐变得更加困难。音乐推荐系统通过自动向听众推荐新音乐来帮助应对信息过载。像Spotify和Saavn这样的内容提供商已经开发出了高度复杂的音乐推荐引擎。这些模型利用用户的过去听歌历史等许多其他特征来构建定制的推荐列表。
// 音乐推荐的代码示例
// 音乐检索的代码示例
// 音乐转录的代码示例
// 起始检测的代码示例