Stottern ist eine häufige Sprachstörung, die bis ins Erwachsenenalter andauern kann, wenn sie nicht im Frühstadium behandelt wird. Stottern kann die Lebensqualität eines Menschen erheblich beeinträchtigen. Stotternde Menschen können sich beim Sprechen zurückhalten und verpassen möglicherweise Gelegenheiten, Freundschaften zu schließen, eigene Ideen und Meinungen in der Öffentlichkeit zu präsentieren und Bewerbungsgespräche negativ zu beeinflussen. In dieser Studie wird ein Datensatz verwendet, der Sprachsignale mit Stottern enthält, er kann als Fluency Bank (FB) bezeichnet werden. In dieser Arbeit wird ein effizienter Algorithmus zur Korrektur des Stotterns (Anti-Stammering) vorgeschlagen. Dieser Algorithmus enthält eine fortgeschrittene Technik. Diese fortgeschrittenen Techniken sind das Enhanced One-dimensional Local Binary Patterns (EOLBP) und das Adapted Multi-Layer Perceptron for Regression (AMLPR), das eine nützliche Merkmalsextraktion darstellt, und das AMLPR ist ein generativer Klassifikator. Außerdem wird mit diesen fortschrittlichen Techniken chorische oder rückgekoppelte Sprache erzeugt, indem die Ausgabe des Algorithmus (anti-gestammelte Sprache) an das Ohr des Stotterers geleitet wird, um den Choreffekt zu erzeugen. Dieser Choreffekt kann über den Mund des Stotterers eine fließende Sprache erzeugen, die zur Heilung stotternder Menschen beitragen kann.