摘 要： 在TI的DSK5402平臺上構(gòu)建了一個主要采用VQ方法的6個說話人識別系統(tǒng)。該系統(tǒng)采用了10階的線性預(yù)測參數(shù),、10階的線性預(yù)測倒譜參數(shù)及基音參數(shù),，提出了一種改進(jìn)的LBG算法，以避免在迭代過程中產(chǎn)生空胞腔,，使之能適應(yīng)多種距離測量,。實驗證明，本系統(tǒng)在指定文本的說話人閉集測試中取得了滿意的效果。
關(guān)鍵詞： 數(shù)字信號處理器,；說話人識別,；矢量量化；LBG算法
自動說話人識別是一種自動識別說話人的過程,，它著眼于提取語音信號中的個人特征,，從而達(dá)到識別說話人的目的。說話人識別按是否規(guī)定說話人所說的內(nèi)容可以分為文本有關(guān)型和文本無關(guān)型,，前者要求待識別人說指定內(nèi)容的一段話來進(jìn)行識別,，而后者對識別人說的內(nèi)容無任何限制[1]。就整個說話人識別的發(fā)展來說,，近幾年說話人身份識別在理論和實驗室條件下已經(jīng)達(dá)到比較高的識別精度,，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Visa等公司相繼開展了相關(guān)實用化研究，國內(nèi)有關(guān)這方面的研究主要在中科院聲學(xué)所,、中科院自動化所,、清華大學(xué)等研究所和大學(xué)中進(jìn)行。本文采用VQ方法在TI的DSK5402平臺上構(gòu)建了一個文本有關(guān)的說話人身份識別系統(tǒng),，并采用線性預(yù)測語音合成方法來實現(xiàn)語音的人機交互,。該系統(tǒng)具有使用方便、識別速度快和成本低等特點,，具有廣闊的應(yīng)用前景,。
1 算法的設(shè)計
本系統(tǒng)算法的流程如圖1所示。首先將輸入的經(jīng)過數(shù)字化處理的語音信號進(jìn)行預(yù)處理,，然后提取其中與說話人有關(guān)的特征參數(shù),，接著對參數(shù)進(jìn)行訓(xùn)練，為每個說話人生成一個模板,。有了這組模板,，在識別的時候，系統(tǒng)將提取新接收的語音的參數(shù),，并分別與這些模板進(jìn)行比對,，判斷是否與某個模板匹配，最后給出判決結(jié)果,。
1.1 語音的預(yù)處理
本系統(tǒng)首先對采集到的語音信號進(jìn)行預(yù)處理,。這里認(rèn)為待處理的語音是純凈的采樣數(shù)字語音,。預(yù)處理主要包括預(yù)加重、分幀和加窗,、端點檢測等操作,。系統(tǒng)中采用一個6 dB/倍頻的一階濾波器來進(jìn)行預(yù)加重。為進(jìn)行分幀和加窗,，系統(tǒng)取幀長10 ms（80個樣點）,，窗長30 ms（240個樣點、覆蓋幀前120個樣點,、幀后40個樣點）,，由半個漢明窗和1/4個余弦窗組合而成。為減小計算量和提高計算精度,，窗函數(shù)采用制表法,，用浮點數(shù)算出數(shù)值，再定點化為一張表以供調(diào)用,。由于幅度門限法相對簡單,，計算量較小，因此系統(tǒng)采用它來進(jìn)行語音的端點檢測,。通過預(yù)處理后,，便可以應(yīng)用短時分析技術(shù)逐幀提取出相應(yīng)的特征參數(shù)。
1.2 語音特征參數(shù)的提取
本系統(tǒng)采用基音參數(shù),、LPC參數(shù)和LPCC參數(shù)作為語音的特征參數(shù),。基音周期的估計采用自相關(guān)法,，其具體過程是先求出一幀語音的自相關(guān)參數(shù),，然后系統(tǒng)在[20，39],、[40,，79]、[80,，143]3個區(qū)間內(nèi)各選一個自相關(guān)峰值點作為候選基音,，接著對規(guī)格化的3個自相關(guān)峰值進(jìn)行比較，選擇最大的那個作為最終的基音,。由于信號受聲帶共振峰特性的影響，求出的基音值會有所偏離,，解決的辦法是采用中心削波法,，即將信號小于門限的點賦值為0，大于門限的保持不變,，然后將處理過的信號按以上方法求自相關(guān),。LPC參數(shù)就是在線性預(yù)測（LP）分析中求得的全極點濾波器的系數(shù)集{ai}pi=1，即在預(yù)測誤差最小均方誤差準(zhǔn)則下，由公式
1.5 線性預(yù)測語音合成
本系統(tǒng)中需要進(jìn)行人機交流,，如語音提示輸入識別語句,、識別結(jié)果提示等。為了節(jié)省系統(tǒng)資源,，保存完整的語音提示信息是不現(xiàn)實的,。由于線性預(yù)測語音合成具有占用資源少、數(shù)據(jù)率低和實現(xiàn)簡單等特點[3],，而且系統(tǒng)交互所需要的語音對音質(zhì)沒有特別的要求,，因此考慮用它來實現(xiàn)語音的人機界面。具體的實現(xiàn)過程是：首先利用PARCOR分析在PC上提取輸入語音提示的PARCOR參數(shù)km,，以普通文本形式保存,，然后在DSP平臺上利用km由PARCOR分析的逆過程來實現(xiàn)語音提示的語音合成。語音分析的過程可以在PC上實現(xiàn),，不占用系統(tǒng)資源,，而語音分析得到的參數(shù)保存為文本后大小僅有幾KB，與原始語音信號幾百KB相比,，占用系統(tǒng)數(shù)據(jù)區(qū)的資源少了很多,，而語音合成的程序本身占用資源非常少，因此利用固定的參數(shù)文本和語音合成的辦法實現(xiàn)有限的語音提示很適合本系統(tǒng),。
2 算法的DSP實現(xiàn)
在TI眾多DSP產(chǎn)品中,，TMS320C54X系列用于多媒體信號的處理及便攜式設(shè)備，其片上資源及工作頻率能滿足一般的音頻信號處理,，而同樣適合于多媒體處理的C64X和C62X系列雖然性能更加出色,，但成本過高，因此本系統(tǒng)中采用TI的DSK5402集成開發(fā)環(huán)境作為開發(fā)平臺,。該平臺上提供了一個PCM3002立體聲編解碼芯片,，可以實現(xiàn)語音的采集和播放，通過它可以讀入識別或是訓(xùn)練用的語音以及播放系統(tǒng)運行時所需要的語音提示命令,。下面給出算法的具體優(yōu)化方案,。
2.1 精度保持與程序優(yōu)化
本系統(tǒng)在信號處理過程中，由于迭代運算的大量出現(xiàn),，而TMS320C5402是定點DSP,，為了防止誤差的不斷積累，需要在迭代的運算中做大量定點的高精度基本算術(shù)運算,。為了在保持精度的同時又不過分降低運行速度,，本系統(tǒng)將大量高精度的算術(shù)運算匯編化。本文根據(jù)自相關(guān)模塊和LPC空間中求取IS距離模塊自身的特點,，著重對這兩個模塊進(jìn)行優(yōu)化,。
自相關(guān)模塊中輸入的數(shù)據(jù)為加過窗的16 bit數(shù)組,，輸出數(shù)據(jù)為長字?jǐn)?shù)組，其中歸一化前采用32 bit,，歸一化后也采用32 bit,，計算歸一化數(shù)據(jù)所用除法采用Tayloer級數(shù)，使除法精度有效位達(dá)到32 bit（C++下浮點運算有效位為24 bit）,。由于指數(shù)位對精度影響很小,，因此這種方法下數(shù)據(jù)的精度已經(jīng)超過了浮點運算。在匯編模塊中使用了特殊指令EXP和NORM對數(shù)據(jù)進(jìn)行位對齊,，使保存未歸一化數(shù)據(jù)時利用所有位,，精度得到保持，使用累加,、平方累加,、塊循環(huán)指令以加速程序運行[4]。通過優(yōu)化,，使得在保持精度的同時,，對一幀信號作自相關(guān)耗費6 036個CLK，遠(yuǎn)遠(yuǎn)超過用C語言實現(xiàn)該模塊的消耗,。
LPC空間中求取IS距離模塊的難點在于,，向量本身是32 bit，中間計算都是48 bit,，牽涉到32 bit×32 bit,、48 bit×32 bit等高精度計算，而且該模塊在訓(xùn)練和識別程序中都要反復(fù)被調(diào)用去計算LPC向量間的距離,，對程序整體性能影響很大,，只能將整塊程序全部改為匯編，而在C語言中調(diào)用匯編的方法在速度上達(dá)不到要求,。該模塊中還使用了零開銷循環(huán),、雙字操作等指令來加速程序運行，而且利用匯編可以對存儲器直接操作,，使多個高精度共用一些存儲器,，避免了繁瑣的賦值，節(jié)省了空間[4],。通過優(yōu)化,，計算一次IS距離只需4 211個CLK，而采用C語言中調(diào)用匯編需要13 054個CLK,，由此可見,，優(yōu)化效果很明顯。
2.2 實驗結(jié)果與性能分析
實驗采用長度為1 s的語音,，VQ模式匹配的碼本大小為16,，對采樣頻率為8 kHz的單聲道語音，采用10 ms的幀長逐幀提取參數(shù),，包括基音,、10階的LPC參數(shù)（相應(yīng)的自相關(guān)參數(shù)）和10階LPCC參數(shù)。按本文提出的VQ方法對單一說話人進(jìn)行語音說話人識別,。實驗中首先訓(xùn)練這6個人的碼本,，所用的語音是“語音身份識別”，然后又使用這6個人另外一組相同語音進(jìn)行鑒別,，實驗結(jié)果如表1所示,。
由表2和表3可知，系統(tǒng)運行的速度較快,，基本可以達(dá)到準(zhǔn)實時的要求,；整個系統(tǒng)占用近64 KB內(nèi)存空間，其中約32 KB是必需的存儲空間,，32 KB是運行時所需的計算空間,，由此可見，對系統(tǒng)資源的占用是較少的,，完全可以滿足系統(tǒng)的要求,。
基于DSP的說話人身份識別系統(tǒng)具有精度高、適應(yīng)性好,、功耗低,、費用低和體積小等優(yōu)勢，逐漸成為安全驗證領(lǐng)域新的研究熱點,。本文在TI的DSK5402平臺上構(gòu)建了一個主要采用VQ方法的6個說話人識別系統(tǒng),，該系統(tǒng)在指定文本的說話人閉集測試中取得了滿意的效果。與其他系統(tǒng)相比,，本系統(tǒng)在實現(xiàn)算法上進(jìn)行了改進(jìn),，在保證識別率的同時提高了速度，具有更大的使用價值,。
本文的主要創(chuàng)新點在于：在TI的DSP平臺上實現(xiàn)了說話人身份識別算法的移植,，并且在程序優(yōu)化過程中針對系統(tǒng)算法中一些模塊自身的特點，采取一系列手段使運算的精度得到保持,、速度得到提高,；系統(tǒng)還采用了線性預(yù)測語音合成方法來實現(xiàn)語音的人機交互界面，從而節(jié)省了更多系統(tǒng)內(nèi)存,，使用起來更加方便快捷,。
參考文獻(xiàn)
[1] 李財蓮，趙小陽,，王麗娟,，等.說話人識別中關(guān)鍵技術(shù)的現(xiàn)狀與發(fā)展[J].軍事通信技術(shù),，2005，26（2）：62.
[2] Huang H C,， Pan J S,， Lu Z M， et al. Vector quantization based on genetic simulated annealing[J]. Signal Processing,， 2001,， 81（7） ：1513-1523.
[3] 賀艷平.基于線形預(yù)測下的語音信號合成[J].西北民族大學(xué)學(xué)報（自然科學(xué)版），2010,，31（80）：43.
[4] Texas Instruments. TMS320C54X assembly language tools user’s guide[Z]. 1997.
[5] 錢俊,，王芙蓉.C代碼在TMS320C54X上的手工匯編優(yōu)化.DSP專欄[J].單片機與嵌入式系統(tǒng)應(yīng)用，2004（5）：71-72.