說(shuō)話人身份識(shí)別屬于生物認(rèn)證技術(shù)的一種，是一項(xiàng)根據(jù)語(yǔ)音中反映說(shuō)話人生理和行為特征的語(yǔ)音參數(shù)來(lái)自動(dòng)識(shí)別說(shuō)話人身份的技術(shù)。近年來(lái)，說(shuō)話人身份識(shí)別以其獨(dú)特的方便性、經(jīng)濟(jì)性和準(zhǔn)確性等優(yōu)勢(shì)受到矚目，在信息安全等領(lǐng)域的應(yīng)用逐漸增大，并成為人們?nèi)粘Ｉ詈凸ぷ髦兄匾移占暗陌踩?yàn)證方式。目前，說(shuō)話人身份識(shí)別在理論上和實(shí)驗(yàn)室條件下已經(jīng)達(dá)到了比較高的識(shí)別精度，并開始走向?qū)嶋H應(yīng)用階段。AT&T、歐洲電信聯(lián)盟、ITT、Keyware、T-NETIX，Motorola和Vi-sa等公司相繼開展了相關(guān)實(shí)用化研究，國(guó)內(nèi)這方面研究主要在中科聲學(xué)所，中科院自動(dòng)化所，清華大學(xué)等研究所和大學(xué)中進(jìn)行。
　　基于嵌入式的說(shuō)話人身份識(shí)別系統(tǒng)具有高精度，適時(shí)性好，低功耗，低費(fèi)用，體積小等優(yōu)勢(shì)，逐漸成為說(shuō)話人身份識(shí)別面向?qū)嶋H應(yīng)用的新熱點(diǎn)。而隨著DSP新技術(shù)的發(fā)展，DSP芯片無(wú)論在處理速度、精度、功耗或者體積等方面都取得了突破性的進(jìn)展。DSP也越來(lái)越多的應(yīng)用于說(shuō)話人身份識(shí)別。但目前這方面研究主要局限于小數(shù)據(jù)量、與PC機(jī)配套使用上，沒(méi)有太大的實(shí)用價(jià)值。在此介紹一種基于TMS320C6713 DSP芯片設(shè)計(jì)的嵌入式，10個(gè)人范圍的說(shuō)話人身份識(shí)別系統(tǒng)。該系統(tǒng)可以自舉運(yùn)行，并可靈活的選擇訓(xùn)練、識(shí)別或者更換訓(xùn)練者、識(shí)別者，識(shí)別率達(dá)98％以上。
　　1 系統(tǒng)的架構(gòu)及硬件構(gòu)成
　　系統(tǒng)總體實(shí)現(xiàn)流程如圖1所示。系統(tǒng)主要分為訓(xùn)練和識(shí)別兩部分，系統(tǒng)初始化后由操作者控制訓(xùn)練或識(shí)別。訓(xùn)練目的是提取說(shuō)話人模型參數(shù)并將其存儲(chǔ)在FLASH ROM中。識(shí)別目的是讀取待識(shí)別者語(yǔ)音信息并將獲得的模型參數(shù)與訓(xùn)練的模型參數(shù)比較，從而獲得識(shí)別結(jié)果。
　　
　　1．1 系統(tǒng)的主要硬件構(gòu)成
　　系統(tǒng)硬件構(gòu)成如圖2所示，主要包含語(yǔ)音采集模塊、數(shù)據(jù)處理模塊（DSP）、程序數(shù)據(jù)存儲(chǔ)及自舉FLASH模塊、數(shù)據(jù)存儲(chǔ)器RAM模塊、系統(tǒng)時(shí)序邏輯控制CPLD模塊、JTAG接口模塊。
　　
　　語(yǔ)音采集模塊主要由TLV320AIC23音頻編解碼器來(lái)完成，該芯片是TI公司的一款高性能的立體聲音頻Codec芯片，內(nèi)置放大器，輸入／輸出增益可編程設(shè)置。模數(shù)，數(shù)／模轉(zhuǎn)換集成在一塊芯片中。采樣率8～96 kHz可編程實(shí)現(xiàn)。另外還具有低功耗，連接電路簡(jiǎn)單，性價(jià)比高的特點(diǎn)。
　　語(yǔ)音處理DSP采用TI公司的TMS320C6713芯片，該芯片實(shí)現(xiàn)浮點(diǎn)運(yùn)算，最高時(shí)鐘頻率225 MHz，使用該芯片外部存儲(chǔ)器接口可實(shí)現(xiàn)對(duì)外部存儲(chǔ)器（SDRAM）數(shù)據(jù)傳輸和程序存儲(chǔ)器（FLASH ROM）進(jìn)行程序讀寫；依靠JTAG接口電路通過(guò)仿真器進(jìn)行仿真調(diào)試，實(shí)現(xiàn)與主機(jī)數(shù)據(jù)交換；通過(guò)片內(nèi)外設(shè)McBSP完成串行數(shù)據(jù)的接收和發(fā)送，實(shí)現(xiàn)對(duì)音頻處理模塊的控制等工作。
　　FLASH ROM最大可提供512 KB空間，通常為前256 KB可用。SDRAM最大容量為16 MB，為該系統(tǒng)提供較大的數(shù)據(jù)存儲(chǔ)空間。CPLD為存儲(chǔ)器的擴(kuò)展實(shí)現(xiàn)邏輯編碼。電源為TPS54310芯片，可為系統(tǒng)提供3．3 V和1．26 V兩種電壓。
　　1．2 選擇說(shuō)話人
　　該系統(tǒng)要訓(xùn)練10個(gè)人的語(yǔ)音，每個(gè)人的語(yǔ)音存放在FLASH ROM的不同位置。在訓(xùn)練的開始階段，系統(tǒng)需確定當(dāng)前訓(xùn)練者的身份，以便對(duì)訓(xùn)練完成后說(shuō)話者模型參數(shù)存儲(chǔ)位置有準(zhǔn)確的判斷。對(duì)當(dāng)前訓(xùn)練者身份的選擇由系統(tǒng)中的4個(gè)Switch實(shí)現(xiàn)。若把每個(gè)Switch的開關(guān)兩種狀態(tài)看成是二進(jìn)制數(shù)的0，1，則最終可形成16種組合，代表16個(gè)人。該系統(tǒng)選取前10個(gè)組合。
　　1．3 AIC23語(yǔ)音采集
　　考慮到系統(tǒng)的實(shí)用性，語(yǔ)音的輸入由mic in接口輸入。語(yǔ)音采集若設(shè)為雙聲道，則采集的左右聲道數(shù)據(jù)差別不大，對(duì)識(shí)別沒(méi)有太大的幫助，而且采集到的語(yǔ)音會(huì)占用太大存儲(chǔ)器空間，故采用單聲道采樣；對(duì)于采樣精度要求，TLV320AIC23可實(shí)現(xiàn)8～96 kHz，16 b，20 b，24 b，32 b，的不同采樣，隨著采樣頻率的提高，采樣間隔將相應(yīng)的縮短，要求更大的內(nèi)存空間和更長(zhǎng)的處理時(shí)間，實(shí)驗(yàn)表明，采樣率由16 kHz下降到8 kHz，所造成的識(shí)別率的微乎其微，但是可以節(jié)省50％的動(dòng)態(tài)存儲(chǔ)空間，并可減少大量的運(yùn)算。對(duì)于采樣位數(shù)，16 b精度已能滿足該系統(tǒng)要求，故采樣精度設(shè)為8 kHz，16 b采樣。
　　1．4 數(shù)據(jù)的存儲(chǔ)
　　由TLV320AIC23獲得的語(yǔ)音信號(hào)的數(shù)據(jù)，只有賦值給相應(yīng)的數(shù)組，才能在接下來(lái)的算法中有所應(yīng)用。為此在SDRAM中定義一片數(shù)組存儲(chǔ)區(qū)域。對(duì)于數(shù)組大小及類型的選擇基于以下兩點(diǎn)：
　　（1）數(shù)組大小選擇。該系統(tǒng)算法中包含訓(xùn)練和識(shí)別兩個(gè)內(nèi)容。語(yǔ)音信號(hào)的訓(xùn)練需要大量的數(shù)據(jù)才能準(zhǔn)確的提取語(yǔ)音的特征參量。該系統(tǒng)采用8 kHz采樣率的10 s的語(yǔ)音信號(hào)，所需的數(shù)組空間大小為80 000個(gè)數(shù)據(jù)單位；語(yǔ)音信號(hào)的識(shí)別要求快速性，該系統(tǒng)采用時(shí)間較短的8 kHz 3 s語(yǔ)音信號(hào)，所需數(shù)組空間大小為30 000個(gè)數(shù)據(jù)單位，為了減少數(shù)據(jù)空間，系統(tǒng)設(shè)定為與訓(xùn)練數(shù)組共用前30 000個(gè)數(shù)據(jù)單位的空間。
　　（2）數(shù)組類型為浮點(diǎn)型，由于設(shè)定的采樣格式是16 b采樣，而采樣后數(shù)據(jù)類型是Uint32，語(yǔ)音數(shù)據(jù)位于低16位，所以賦值過(guò)程中取低16位數(shù)據(jù)賦值給數(shù)組。
　　1．5 模型參數(shù)存入與參數(shù)調(diào)出
　　將模型參數(shù)存入FLASH ROM的目的是保存訓(xùn)練所得的參數(shù)，以供識(shí)別時(shí)調(diào)用。訓(xùn)練可能用于多次識(shí)別，或者訓(xùn)練和識(shí)別可能處于不同的時(shí)間地點(diǎn)，所以，保存參數(shù)的存儲(chǔ)器選定為具有掉電時(shí)數(shù)據(jù)不丟失特點(diǎn)的FLASH ROM。每個(gè)說(shuō)話者語(yǔ)音參數(shù)代表一個(gè)說(shuō)話者身份，所以每個(gè)說(shuō)話者模型參數(shù)應(yīng)存儲(chǔ)在FLASHROM中一個(gè)確定的位置。為此，該系統(tǒng)在FLASHROM中分配了10塊的區(qū)域，每個(gè)說(shuō)話者模型參數(shù)占有一塊特定的區(qū)域。
　　在FLASH ROM中存人數(shù)據(jù)格式為32 b無(wú)符號(hào)整數(shù)。而訓(xùn)練得到的是浮點(diǎn)型的數(shù)據(jù)。這就要求在數(shù)據(jù)存入之前將浮點(diǎn)數(shù)轉(zhuǎn)換為32 b無(wú)符號(hào)類型的整數(shù)，假設(shè)要轉(zhuǎn)換的數(shù)據(jù)為float x［M］［N］則轉(zhuǎn)換方法如下：
　　（1）x［M］［N］歸一化；
　　（2）對(duì)x［M］［N］乘以一常數(shù)K得到有符號(hào)整型的數(shù)組y［M］［N］，即：
　　y［M］［N］=x［M］［N］×K （1）
　　（3）屏蔽第32位符號(hào)位，得到32 b無(wú)符號(hào)類型的整數(shù)數(shù)組。方法如下：
　　z［i］［j］=y［i］［j］&0x7FFFFFFF （2）
　　（4）將z［i］［j］存入FLASH ROM。
　　通過(guò)統(tǒng)計(jì)實(shí)驗(yàn)數(shù)據(jù)發(fā)現(xiàn)歸一化后數(shù)據(jù)的范圍為10-5～1，故K選擇為108，既可以實(shí)現(xiàn)較大精度的轉(zhuǎn)化，又不會(huì)影響第31位的數(shù)值。轉(zhuǎn)換得到的有符號(hào)整型數(shù)組y［M］［N］范圍為-108～108，在存儲(chǔ)器中正數(shù)為原碼表示，負(fù)數(shù)為補(bǔ)碼表示，通過(guò)計(jì)算發(fā)現(xiàn)，該范圍的正數(shù)第31位為0，負(fù)數(shù)第31位為1，所以，上述第（3）步，將有符號(hào)數(shù)轉(zhuǎn)換為無(wú)符號(hào)數(shù)后，數(shù)值的正負(fù)改為使用第31位標(biāo)識(shí)。在識(shí)別階段，要將說(shuō)話者的GMM參數(shù)依次從FLASH ROM中讀出，逐個(gè)與待識(shí)別者語(yǔ)音的MFCC參數(shù)比較，求最大似然值。參數(shù)調(diào)出過(guò)程與以上存入過(guò)程相反。
　　1．6 說(shuō)話人身份識(shí)別的結(jié)果顯示
　　說(shuō)話人的身份顯示通過(guò)LED的組合顯示確定。在DSK上有4只LED燈，將每個(gè)LED燈看成是一位二進(jìn)制數(shù)。則4個(gè)LED燈最大可表示16個(gè)人的身份。該系統(tǒng)取前10個(gè)組合來(lái)表示所識(shí)別的說(shuō)話人的身份。