0 引 言
說話人身份識(shí)別屬于生物認(rèn)證技術(shù)的一種，是一項(xiàng)根據(jù)語音中反映說話人生理和行為特征的語音參數(shù)來自動(dòng)識(shí)別說話人身份的技術(shù)。近年來，說話人身份識(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，逐漸成為說話人身份識(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也越來越多的應(yīng)用于說話人身份識(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。
語音采集模塊主要由TLV320AIC23音頻編解碼器來完成，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，連接電路簡單，性價(jià)比高的特點(diǎn)。
語音處理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 選擇說話人
該系統(tǒng)要訓(xùn)練10個(gè)人的語音，每個(gè)人的語音存放在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語音采集
考慮到系統(tǒng)的實(shí)用性，語音的輸入由mic in接口輸入。語音采集若設(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)別沒有太大的幫助，而且采集到的語音會(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。
