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(jī)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)?；糁芷诘墓烙嫴捎米韵嚓P(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}^p_i=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(jī)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(jī)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)