چکیده: شناسایی گوینده یکی از شاخه های پردازش گفتار می باشد که کاربرد زیادی در سیستم های امنیتی مبتنی بر پردازش گفتار دارد. در طول چند دهه اخیر تلاش های زیادی برای بهبود کارایی و افزایش دقت سیستم های شناسایی گوینده انجام شده است. اگر چه در اغلب پژوهش ها تمرکز بر افزایش درصد شناسایی و بهبود کارایی سیستم می باشد، با این وجود کمتر بر اهمیت برخط بودن و پیاده سازی سخت افزاری سیستم های شناسایی گوینده تاکید شده است. تمرکز این پایان نامه بر روی پیاده سازی برخط سیستم شناسایی گوینده بر روی یک سیستم سخت افزاری مبتنی بر پردازشگر سیگنال TMS320C5509A می باشد. پس از بررسی های انجام شده، روش های طیفی زمان کوتاه انتخاب شده و به صورت خاص از میان این دسته از روش های استخراج ویژگی، روش های MFCC و LPCC برای پیاده سازی سخت افزاری انتخاب شده اند. برای مدل کردن گوینده گان از مدل آمیخته گاوسی استفاده شده است. نتایج آزمایش ها در محیط نرم افزار Matlab نشان دادند که روش استخراج ویژگی MFCC برای کاربردهای شناسایی گوینده نتایج بهتری نسبت به روش LPCC به دست می دهد. اگرچه روش استخراج ویژگی MFCC در محیط بدون نویز قابلیت شناسایی گویندگان را تا 99 درصد دارد، اما در محیط های نویزی، کارایی سیستم به شدت کاهش پیدا می کند. علاوه بر این آموزش مدل های GMM با استفاده از پایگاه داده نویزی نیز باعث کاهش زیادی در درصد شناسایی سیستم می شود. به دلیل عدم دسترسی به امکانات لازم برای تهیه پایگاه داده بدون نویز و همچنین ضعف روش MFCC در مقابل نویز، از پایگاه داده TIMIT برای آزمایش سخت افزار استفاده شده است. در آزمایش های انجام شده، داده های آزمایش به صورت مستقیم بر روی پردازنده بارگذاری شده است. نتایج نشان دادند که الگوریتم انتخاب شده قابلیت استفاده به صورت بر خط را دارد. بیشترین درصد شناسایی بر روی سخت افزار طراحی شده برابر با 78/6 می باشد.