DSP嵌入式說話人識別系統(tǒng)的設(shè)計與實現(xiàn)
加入技術(shù)交流群
語音處理DSP采用TI公司的TMS320C6713芯片，該芯片實現(xiàn)浮點運算，最高時鐘頻率225 MHz，使用該芯片外部存儲器接口可實現(xiàn)對外部存儲器(SDRAM)數(shù)據(jù)傳輸和程序存儲器(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，實現(xiàn)與主機數(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，實現(xiàn)對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)存儲空間。CPLD為存儲器的擴(kuò)展實現(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個人的語音，每個人的語音存放在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，以便對訓(xùn)練完成后說話者模型參數(shù)存儲位置有準(zhǔn)確的判斷。對當(dāng)前訓(xùn)練者身份的選擇由系統(tǒng)中的4個Switch實現(xiàn)。若把每個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個人。該系統(tǒng)選取前10個組合。
1．3 AIC23語音采集
考慮到系統(tǒng)的實用性，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，對識別沒有太大的幫助，而且采集到的語音會占用太大存儲器空間，故采用單聲道采樣；對于采樣精度要求，TLV320AIC23可實現(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間，實驗表明，采樣率由16 kHz下降到8 kHz，所造成的識別率的微乎其微，但是可以節(jié)省50％的動態(tài)存儲空間，并可減少大量的運算。對于采樣位數(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
由TLV320AIC23獲得的語音信號的數(shù)據(jù)，只有賦值給相應(yīng)的數(shù)組，才能在接下來的算法中有所應(yīng)用。為此在SDRAM中定義一片數(shù)組存儲區(qū)域。對于數(shù)組大小及類型的選擇基于以下兩點：
(1)數(shù)組大小選擇。該系統(tǒng)算法中包含訓(xùn)練和識別兩個內(nèi)容。語音信號的訓(xùn)練需要大量的數(shù)據(jù)才能準(zhǔn)確的提取語音的特征參量。該系統(tǒng)采用8 kHz采樣率的10 s的語音信號，所需的數(shù)組空間大小為80 000個數(shù)據(jù)單位；語音信號的識別要求快速性，該系統(tǒng)采用時間較短的8 kHz 3 s語音信號，所需數(shù)組空間大小為30 000個數(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個數(shù)據(jù)單位的空間。
(2)數(shù)組類型為浮點型，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，語音數(shù)據(jù)位于低16位，所以賦值過程中取低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)，以供識別時調(diào)用。訓(xùn)練可能用于多次識別，或者訓(xùn)練和識別可能處于不同的時間地點，所以，保存參數(shù)的存儲器選定為具有掉電時數(shù)據(jù)不丟失特點的FLASH ROM。每個說話者語音參數(shù)代表一個說話者身份，所以每個說話者模型參數(shù)應(yīng)存儲在FLASHROM中一個確定的位置。為此，該系統(tǒng)在FLASHROM中分配了10塊的區(qū)域，每個說話者模型參數(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無符號整數(shù)。而訓(xùn)練得到的是浮點型的數(shù)據(jù)。這就要求在數(shù)據(jù)存入之前將浮點數(shù)轉(zhuǎn)換為32 b無符號類型的整數(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x[M][N]乘以一常數(shù)K得到有符號整型的數(shù)組y[M][N]，即：
y[M][N]=x[M][N]×K (1)
(3)屏蔽第32位符號位，得到32 b無符號類型的整數(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。
通過統(tǒng)計實驗數(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，既可以實現(xiàn)較大精度的轉(zhuǎn)化，又不會影響第31位的數(shù)值。轉(zhuǎn)換得到的有符號整型數(shù)組y[M][N]范圍為-108～108，在存儲器中正數(shù)為原碼表示，負(fù)數(shù)為補碼表示，通過計算發(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，將有符號數(shù)轉(zhuǎn)換為無符號數(shù)后，數(shù)值的正負(fù)改為使用第31位標(biāo)識。在識別階段，要將說話者的GMM參數(shù)依次從FLASH ROM中讀出，逐個與待識別者語音的MFCC參數(shù)比較，求最大似然值。參數(shù)調(diào)出過程與以上存入過程相反。 linux操作系統(tǒng)文章專題:linux操作系統(tǒng)詳解（linux不再難懂）
評論