Figure 1 indicates the examples of

Figure 1 indicates the examples of speaker vector composed of 1000 dimensions with both
HMMs and GMMs. The horizontal axis represents the values of speaker vector for the
utterance number 26, and the vertical axis represents the values for the utterance number 27.
Both utterances are given by the same speaker (female), however, the contents of utterances
are different. Each point represents the values of one of the 1000 anchor models. The left
figure shows the vector values with HMMs as anchor models, and the right one shows the
vector values with GMMs as anchor models. Even though contents are not same between
horizontal axis and vertical axis, two sets of values indicate a similar tendency in these
figures. This observation suggests that the speaker identification in text independent way
can be performed with this method. In the left figure, the correlation between two is smaller
than that of the right one. This suggests that speaker recognition performs well by using
HMMs as anchor models.

Kết quả (Việt) 1:

Hình 1 cho thấy các ví dụ của loa vector bao gồm kích thước 1000 với cả haiHMMs và GMMs. Trục ngang đại diện cho các giá trị của loa véc tơ cho cáccâu phát biểu số 26 và trục dọc đại diện cho các giá trị cho câu phát biểu số 27.Cả hai lời được đưa ra bởi cùng một loa (nữ), Tuy nhiên, các nội dung của lờilà khác nhau. Mỗi điểm đại diện cho các giá trị của một trong các mô hình 1000 neo. Bên tráicon số cho thấy giá trị vectơ với HMMs như neo các mô hình, và một trong những quyền cho thấy cácvectơ các giá trị với GMMs như mô hình neo. Mặc dù nội dung là không giống nhau giữatrục ngang và dọc trục, hai bộ giá trị chỉ ra một xu hướng tương tự như trong cáccon số. Quan sát này cho thấy rằng việc xác định người nói trong văn bản theo cách độc lậpcó thể được thực hiện với phương pháp này. Trong hình bên trái, các mối tương quan giữa hai nhỏ hơnhơn một trong những quyền. Điều này cho thấy rằng sự công nhận của loa thực hiện tốt bằng cách sử dụngHMMs là mô hình neo.

Kết quả (Việt) 2:

Hình 1 cho thấy các ví dụ về vector loa gồm 1000 kích thước với cả
HMMs và GMMs. Trục ngang đại diện cho các giá trị của vector loa cho
số lời phát biểu 26, và trục thẳng đứng đại diện cho các giá trị cho số lời nói 27.
Cả hai lời phát biểu được đưa ra bởi các loa cùng (nữ), tuy nhiên, nội dung của lời phát biểu
khác nhau. Mỗi điểm đại diện cho các giá trị của một trong những mô hình neo 1000. Bên trái
con số cho thấy các giá trị vector với HMMs như mô hình neo, và một trong những quyền cho thấy
giá trị vector với GMMs như mô hình neo. Mặc dù nội dung không giống nhau giữa các
trục ngang và trục dọc, hai bộ giá trị chỉ ra một xu hướng tương tự ở những
con số. Quan sát này cho thấy rằng việc xác định loa trong văn bản cách độc lập
có thể được thực hiện với phương pháp này. Trong hình bên trái, mối tương quan giữa hai là nhỏ hơn
so với một trong những quyền. Điều này cho thấy công nhận loa hoạt động tốt bằng cách sử dụng
HMMs như mô hình neo.