2. Similarity measure: compute the

2. Similarity measure: compute the pair-wise distances between each cluster;
3. Merging step:
a. merge the closest clusters together;
b. update the distances of the remaining clusters to the new cluster;
4. Stopping criterion: iterate step 3 until some stopping criterion is met.
The main issues concerning the above speaker-clustering approach include the choice of a
proper similarity measure, the proper representations of the cluster data and finding a
suitable stopping criterion. The audio data used for the speaker clustering is in general
represented by acoustic features consisting of either mel-frequency cepstral coefficients
(MFCCs) or perceptual linear-prediction coefficients (PLPCs), (Picone, 1993). The cluster
data represented by these features are then usually modeled by Gaussian distributions, and
the resulting similarity measures are computed as the likelihood functions from these models (Moh et al., 2000; Reynolds & Torres-Carrasquillo, 2004; Sinha et al., 2005). The most
common approach is to represent the clusters by single full-covariance Gaussian
distributions, whereas for the similarity measure a Bayesian information criterion is used
(Chen & Gopalakrishnan, 1999). For good performance of the clustering, the stopping
criterion also needs to be properly chosen. A suitable stopping criterion should end the
merging process at the point where the audio data from each speaker is concentrated mainly
in one cluster, and in general it is set according to a similarity measure and cluster models
that are used in the merging process of the speaker clustering.

Kết quả (Việt) 1:

2. tương tự đo: tính khoảng cách pair-wise giữa mỗi nhóm;3. việc sáp nhập các bước:a. hợp nhất các cụm gần gũi nhất với nhau;b. Cập nhật các khoảng cách của cụm còn lại để cụm mới;4. tiêu chí dừng: iterate bước 3 cho đến khi một số tiêu chí dừng được đáp ứng.Các vấn đề chính liên quan đến ở trên cụm loa cách tiếp cận này bao gồm sự lựa chọn của mộtbiện pháp thích hợp tương tự, đại diện thích hợp của các nhóm dữ liệu và tìm kiếm mộtdừng lại phù hợp với tiêu chí. Dữ liệu âm thanh được sử dụng cho loa clustering là nói chungđại diện bởi các tính năng âm thanh bao gồm hai hệ số cepstral tần số mel(MFCCs) hoặc perceptual dự đoán tuyến tính hệ số (PLPCs), (Picone, 1993). Cụmdữ liệu được đại diện bởi các tính năng này sau đó thường mô hình bằng phân phối Gaussian, vàCác biện pháp tương tự kết quả được tính như là các chức năng khả năng từ các mô hình (bộ y tế và ctv., 2000; Reynolds & Torres-Carrasquillo, năm 2004; Sinha et al., 2005). Hầu hết cácphương pháp phổ biến là để đại diện cho cụm bằng đơn đầy đủ-hiệp phương sai Gaussianphân phối, trong khi các biện pháp tương tự một tiêu chí thông tin Bayes được sử dụng(Chen & Gopalakrishnan, 1999). Cho hiệu suất tốt của các cụm, dừng lạitiêu chuẩn cũng cần được lựa chọn đúng. Kết thúc một tiêu chí phù hợp ngừng việcviệc sáp nhập các quá trình tại thời điểm nơi mà các dữ liệu âm thanh từ mỗi loa là tập trung chủ yếutrong một cụm, và nói chung nó được đặt theo một tương tự đo và cụm các mô hìnhmà được sử dụng trong quá trình merging loa clustering.

Kết quả (Việt) 2:

2. Biện pháp Similarity: tính khoảng cách từng đôi giữa mỗi cụm;
3. Sáp nhập bước:
a. sáp nhập các cụm gần nhau nhất;
b. cập nhật các khoảng cách của các cụm còn lại để các cluster mới;
4. Dừng tiêu chí:. Lặp bước 3 cho đến khi một số tiêu chí dừng lại được gặp
các vấn đề chính liên quan đến việc tiếp cận loa-clustering trên bao gồm việc lựa chọn một
biện pháp tương tự thích hợp, cơ quan đại diện thích hợp của các dữ liệu cụm và tìm kiếm một
điều kiện dừng thích hợp. Các dữ liệu âm thanh được sử dụng cho các cụm loa được nói chung
đại diện bởi các tính năng âm thanh gồm: hoặc mel tần số hệ số Cepstral
(MFCCs) hoặc hệ số tuyến tính dự đoán điểm tri giác (PLPCs), (Picone, 1993). Các cụm
dữ liệu được đại diện bởi các tính năng này sau đó thường mô phỏng theo các phân phối Gaussian, và
các biện pháp tương tự kết quả được tính như các chức năng khả năng từ những mô hình (Moh et al, 2000;. Reynolds & Torres-Carrasquillo, 2004;. Sinha et al, 2005). Nhất
cách tiếp cận phổ biến là đại diện cho các cụm bởi đơn đầy đủ-hiệp phương sai Gaussian
phân phối, trong khi đối với sự giống nhau đo một tiêu chí thông tin Bayes được sử dụng
(Chen & Gopalakrishnan, 1999). Đối với hiệu suất tốt của phân nhóm, các dừng
tiêu chí cũng cần phải được lựa chọn đúng. Một điều kiện dừng thích hợp nên kết thúc các
quá trình hợp nhất vào thời điểm mà các dữ liệu âm thanh từ mỗi loa được tập trung chủ yếu
trong một cluster, và nói chung nó được đặt theo một biện pháp tương tự và cụm mô hình
được sử dụng trong quá trình hợp nhất của loa clustering.