Most speaker-diarization systems ha

Most speaker-diarization systems have a similar general architecture to that shown in Figure
1. First, the audio data, which are usually derived from continuous audio streams, are
segmented into speech and non-speech data. The non-speech segments are discarded and
not used in subsequent processing, which is done in a speech-detection module. The speech
data are then chopped into homogeneous segments in an audio-segmentation module
(marked as acoustic change detection in Figure 1). The segment boundaries are located by
finding the acoustic changes in the signal, and each segment is, as a result, expected to
contain speech from only a single speaker. The resulting segments are then clustered so that
each cluster corresponds to just a single speaker. This is done in a speaker-clustering
module and usually represents the final stage in speaker-diarization systems. At this stage,
each cluster is labeled with relative speaker-identification names. Additionally, speaker
identification or gender detection can be performed. In the first case, each of the speaker
clusters can be given a true speaker name, or it is left unlabelled if the speech data in the
cluster do not correspond to any of the target speakers. In the case of gender detection, each
cluster gets an additional label to indicate to which gender it belongs. As such the speaker
diarization of continuous audio streams is a multistage process made up of four main
components: speech detection, speaker audio segmentation, speaker clustering, and speaker
identification. The latest overview of the approaches used in speaker-diarization tasks can
be found in (Tranter & Reynolds, 2006).

Kết quả (Việt) 1:

Hệ thống loa-diarization nhất có một kiến trúc tổng quát tương tự để hiển thị trong hình1. trước tiên, các dữ liệu âm thanh, thường được bắt nguồn từ dòng suối âm thanh liên tục,phân đoạn vào bài phát biểu và dữ liệu không phải là lời nói. Các phân đoạn phát biểu không được bỏ đi vàkhông được sử dụng trong xử lý tiếp theo, được thực hiện trong một bài phát biểu phát hiện mô-đun. Bài phát biểudữ liệu sau đó được cắt nhỏ thành các phân đoạn đồng nhất trong một mô-đun phân đoạn âm thanh(đánh dấu là thay đổi âm thanh phát hiện trong hình 1). Ranh giới phân khúc đang nằm cạnhviệc tìm kiếm những thay đổi âm thanh trong các tín hiệu, và mỗi đoạn, do đó, dự kiến sẽchứa các bài phát biểu từ chỉ một người duy nhất. Các phân đoạn kết quả sau đó tập trung đểmỗi cụm tương ứng với chỉ một người duy nhất. Điều này được thực hiện trong một loa clusteringMô-đun và thường đại diện cho giai đoạn cuối cùng trong hệ thống loa-diarization. Ở giai đoạn này,mỗi cụm được gắn nhãn với loa tương đối, xác định tên. Ngoài ra, loaphát hiện xác định hoặc có giới tính có thể được thực hiện. Trong trường hợp đầu tiên, mỗi loacụm có thể được đặt một cái tên đúng loa, hoặc đó là trái unlabelled nếu dữ liệu bài phát biểu trong cáccụm không phù hợp với bất kỳ mục tiêu giả. Trong trường hợp phát hiện giới tính, mỗicụm được một nhãn thêm để cho biết giới tính mà nó thuộc về. Như là loadiarization liên tục các dòng âm thanh là một quá trình nhiều tầng gồm bốn chínhthành phần: bài phát biểu phát hiện, phân khúc âm thanh loa, loa clustering và loanhận dạng. Tổng quan về mới nhất của các phương pháp được sử dụng trong loa-diarization nhiệm vụ có thểđược tìm thấy trong (Tranter & Reynolds, 2006).

Kết quả (Việt) 2:

Hầu hết các hệ thống loa diarization có một kiến trúc chung tương tự như những gì thể hiện trong hình
1. Đầu tiên, các dữ liệu âm thanh, thường có nguồn gốc từ các dòng suối âm thanh liên tục, được
phân đoạn thành các dữ liệu bài phát biểu và không nói. Các phân đoạn không nói được bỏ đi và
không được sử dụng trong chế biến tiếp theo, được thực hiện trong một mô-đun bài phát biểu phát hiện. Các bài phát biểu
dữ liệu này sau đó được cắt nhỏ thành các đoạn đồng nhất trong một mô-đun âm thanh-phân
(đánh dấu là phát hiện thay đổi âm thanh trong hình 1). Ranh giới phân khúc được đặt bởi
việc tìm kiếm các thay đổi âm thanh trong tín hiệu, và mỗi đoạn là, kết quả là, dự kiến sẽ
có bài phát biểu từ chỉ có một loa đơn duy nhất. Các phân đoạn kết quả sau đó nhóm để
mỗi cụm tương ứng với chỉ một loa đơn duy nhất. Điều này được thực hiện trong một loa-clustering
module và thường đại diện cho các giai đoạn cuối cùng trong hệ thống loa diarization. Ở giai đoạn này,
mỗi cụm được dán nhãn với tên loa xác định tương đối. Ngoài ra, loa
nhận dạng hoặc phát hiện giới tính có thể được thực hiện. Trong trường hợp đầu tiên, mỗi loa
cụm có thể được đặt một cái tên giả thực sự, hay nó là trái không dán nhãn nếu các dữ liệu bài phát biểu tại các
cụm không tương ứng với bất kỳ của các diễn giả mục tiêu. Trong trường hợp phát hiện giới tính, mỗi
cụm được một nhãn phụ để chỉ cho đó giới nó thuộc về. Như vậy loa
diarization suối âm thanh liên tục là một quá trình nhiều tầng tạo thành bốn chính
thành phần: phát hiện bài phát biểu, phân khúc âm thanh loa, loa clustering, và loa
nhận dạng. Tổng quan mới nhất của các phương pháp được sử dụng trong các nhiệm vụ loa diarization có thể
được tìm thấy trong (Tranter & Reynolds, 2006).