2005) or a penalized likelihood cri

2005) or a penalized likelihood criterion, based on the BIC (Žibert, 2006b).
We implemented this approach by applying feature-warping normalization before the
clustering, while just one general UBM was used for all the MAP adaptations of the GMMs.
The UBM was trained directly from the processing audio data, and the derived GMMs were
represented by diagonal-covariance Gaussians with 32 mixtures. We decided to use these
rather small mixture-size GMMs (in the original approach (Barras et al., 2006) 128 mixtures
were used), since we did not gain any improvement in the speaker clustering on the
development data by increasing the number of mixtures in the GMMs. The second reason
was that by using GMMs with a rather small number of parameters, we removed the need
for running the initial stage of the BIC clustering in order to obtain more initial data per
cluster.

Kết quả (Việt) 1:

2005) hoặc một tiêu chí khả năng phạt, dựa trên BIC (Žibert, 2006b).Chúng tôi thực hiện phương pháp này bằng cách áp dụng tính năng cong vênh bình thường trước khi cácclustering, trong khi chỉ là một tổng hợp UBM được sử dụng cho tất cả các bản đồ chuyển thể các GMMs.UBM đã được đào tạo trực tiếp từ các dữ liệu âm thanh xử lý, và có nguồn gốc GMMs đãđại diện bởi theo đường chéo-hiệp phương sai Gaussians với 32 hỗn hợp. Chúng tôi quyết định sử dụng cáckhá nhỏ kích thước hỗn hợp GMMs (trong cách tiếp cận ban đầu (Barras và ctv., 2006) 128 hỗn hợpđã được sử dụng), kể từ khi chúng tôi đã không đạt được bất kỳ cải tiến trong loa cụm trên cácphát triển các dữ liệu bằng cách tăng số lượng hỗn hợp trong các GMMs. Lý do thứ hailà bằng cách sử dụng GMMs với một số thông số khá nhỏ, chúng tôi loại bỏ sự cần thiếtcho hoạt động giai đoạn ban đầu của BIC clustering để có được nhiều dữ liệu ban đầu cho mỗicụm sao.

Kết quả (Việt) 2:

2005) hoặc một tiêu chí khả năng bị phạt, dựa trên BIC (Žibert, 2006b).
Chúng tôi thực hiện phương pháp này bằng cách áp dụng tính năng cong vênh bình thường trước khi
phân nhóm, trong khi chỉ một UBM chung đã được sử dụng cho tất cả sự thích nghi MAP của GMMs.
Các UBM được đào tạo trực tiếp từ các dữ liệu xử lý âm thanh, và các GMMs nguồn gốc đã được
đại diện bởi đường chéo-hiệp phương sai Gaussian với 32 hỗn hợp. Chúng tôi quyết định sử dụng các
GMMs hỗn hợp có kích thước khá nhỏ (trong cách tiếp cận ban đầu (Barras et al., 2006) 128 hỗn hợp
được sử dụng), vì chúng tôi đã không đạt được bất kỳ sự cải thiện trong các cụm loa trên
số liệu phát triển bằng cách tăng số lượng hỗn hợp trong GMMs. Lý do thứ hai
là bằng cách sử dụng GMMs với một số lượng tương đối nhỏ các thông số, chúng tôi loại bỏ sự cần thiết
để chạy các giai đoạn ban đầu của các phân nhóm BIC để có được nhiều dữ liệu ban đầu cho mỗi
cụm.