In the baseline speaker-clustering

In the baseline speaker-clustering approach the BIC was applied as the similarity measure
between the clusters represented by the acoustic, MFCC features. In the merging stage of the
baseline clustering approach two clusters were joined, providing their ΔBIC score achieved
the minimum among all the ΔBIC scores. A similarity measure based on the prosodic features
was needed to operate in the same manner: lower scores should correspond to more similar
clusters and higher scores to less similar clusters. Both similarity measures were also
required to be easily integrated into the fuzzy-based merging criterion of the speaker
clustering. This could be ensured by enabling the normalization of the similarity scores of
both measures and by the appropriate weighting of both similarities.
Taking all this into account, a new prosodic measure was proposed. The measure was
defined on speaker clusters by computing the Mahalanobis distance between the principal
components of the speaker segments represented by the prosodic feature vectors. This
procedure involved the following steps:

Kết quả (Việt) 1:

Trong cách tiếp cận cơ sở cụm loa của BIC đã được áp dụng như là biện pháp tương tựgiữa các cụm được đại diện bởi âm thanh, tính năng MFCC. Trong giai đoạn merging của cácđường cơ sở kết cụm cách tiếp cận hai cụm với sự tham gia, cung cấp, đạt được điểm số của họ ΔBICtối thiểu trong số tất cả các điểm số ΔBIC. Một biện pháp tương tự dựa trên các tính năng prosodiclà cần thiết để hoạt động theo cùng một cách: điểm số thấp hơn phải tương ứng với khác tương tựcụm và các điểm số cao hơn để ít tương tự như cụm. Cả hai biện pháp tương tự cũngyêu cầu để dễ dàng tích hợp vào các tiêu chí merging mờ dựa của loacụm. Điều này có thể được đảm bảo bằng cách cho phép bình thường hóa các điểm tương đồng củacả hai biện pháp và bằng thích hợp cân cả hai điểm tương đồng.Lấy tất cả những điều này vào tài khoản, một biện pháp prosodic mới đề xuất. Các biện phápđịnh nghĩa trên cụm loa do tính toán khoảng cách Mahalanobis giữa hiệu trưởngthành phần của các phân đoạn loa được đại diện bởi prosodic tính năng vector. Điều nàythủ tục tham gia các bước sau:

Kết quả (Việt) 2:

Trong đường cơ sở loa-clustering tiếp cận BIC đã được áp dụng như các biện pháp tương tự
giữa các nhóm đại diện bởi các âm thanh, các tính năng MFCC. Trong giai đoạn sáp nhập của các
phương pháp phân nhóm cơ bản hai cụm đã được tham gia, cung cấp số ΔBIC họ đạt được
mức tối thiểu trong tất cả các điểm ΔBIC. Một biện pháp tương tự dựa trên các tính năng điệu tính
là cần thiết để hoạt động theo cách tương tự: điểm số thấp hơn phải tương ứng với hơn tương tự như
cụm và điểm số cao hơn các cụm ít tương tự. Cả hai biện pháp tương tự cũng được
yêu cầu phải được dễ dàng tích hợp vào các tiêu chí kết hợp mờ dựa trên của loa
clustering. Điều này có thể được đảm bảo bằng cách cho phép bình thường hóa các điểm giống nhau của
cả hai biện pháp, bởi các trọng số thích hợp của cả hai giống nhau.
Lấy tất cả vào tài khoản này, một biện pháp điệu tính mới đã được đề xuất. Các biện pháp này được
xác định trên cụm loa bằng cách tính toán khoảng cách Mahalanobis giữa chính
các thành phần của phân khúc loa đại diện bởi các vector điệu tính. Này
thủ tục liên quan đến các bước sau đây: