scores below 0.0 favor the model wi

scores below 0.0 favor the model with two separate Gaussians and thus support the
hypothesis of two speakers.
While using the ΔBIC measure in the merging process of speaker clustering, those clusters
that produce the biggest negative difference in terms of ΔBIC among all the pair-wise
combinations of clusters are joined together. The merging process is stopped when the lowest
BIC score from among all the combinations of clusters in the current clustering is higher
than a specified threshold, which in our case was set to 0.0.
The most important role in such clustering is played by the penalty term in the BIC measure,
which is weighted by the open parameter λ. In the original definition of BIC the parameter λ
is set to 1.0 (Schwartz, 1976), but it was found that the speaker clustering performed much
better if λ is considered as an open parameter that is tuned on the development data. The λ
influences both the merging and the stopping criteria and needs to be chosen carefully to
have the optimum effect. To avoid this, several modifications of the above approach have
been proposed, but they all had only moderate success, since they either introduced a new
set of open parameters (Ajmera & Wooters, 2003) or increased the computational cost of the
speaker clustering (Zhu et al., 2005).

Kết quả (Việt) 1:

số điểm dưới 0.0 ủng hộ mô hình với hai Gaussians riêng biệt và do đó hỗ trợ cácgiả thuyết của hai loa.Trong khi sử dụng các biện pháp ΔBIC trong quá trình merging loa clustering, những cụmsản xuất khác biệt tiêu cực lớn nhất về ΔBIC trong số tất cả các pair-wisesự kết hợp của cụm được liên kết với nhau. Quá trình merging là dừng lại khi thấp nhấtBIC điểm trong số tất cả các kết hợp của cụm trong cụm hiện nay là cao hơnhơn một ngưỡng xác định, mà trong trường hợp chúng tôi đã được thiết lập để 0.0.Vai trò quan trọng nhất trong các cụm được chơi bởi hạn hình phạt trong đo BIC,đó trọng bởi tham số mở λ. Trong định nghĩa ban đầu của BIC λ tham sốđược thiết lập để 1.0 (Schwartz, 1976), nhưng nó đã được tìm thấy rằng loa clustering thực hiện nhiềutốt hơn nếu λ được coi như là một tham số mở mà được điều chỉnh trên dữ liệu phát triển. Λ làảnh hưởng đến cả sự hợp nhất và các tiêu chuẩn dừng lại và cần phải được lựa chọn cẩn thận đểcó hiệu quả tối ưu. Để tránh điều này, một số thay đổi của các phương pháp trên cóđề xuất, nhưng tất cả họ đã thành công chỉ vừa phải, kể từ khi họ hoặc giới thiệu một mớithiết lập các thông số mở (Ajmera & Wooters, 2003) hoặc tăng chi phí tính toán của cácloa clustering (chu và ctv., 2005).

Kết quả (Việt) 2:

số điểm dưới 0.0 ủng hộ mô hình với hai Gaussian riêng biệt và do đó hỗ trợ cho
giả thuyết của hai loa.
Trong khi sử dụng các biện pháp ΔBIC trong quá trình hợp nhất của các phân nhóm loa, những cụm
sản xuất phần chênh lệch lớn nhất về ΔBIC trong số tất cả các cặp-khôn ngoan
kết hợp các cụm được nối với nhau. Quá trình sáp nhập được dừng lại khi mức thấp nhất
số BIC trong số tất cả các kết hợp của các cụm trong các phân nhóm hiện nay là cao
hơn một ngưỡng nhất định, mà trong trường hợp của chúng tôi đã được thiết lập để 0.0.
Vai trò quan trọng nhất trong phân nhóm như vậy được chơi bằng các hình phạt trong các biện pháp BIC,
mà là trọng bởi các tham số λ mở. Trong định nghĩa gốc của BIC là λ tham số
được thiết lập để 1,0 (Schwartz, 1976), nhưng nó đã được tìm thấy rằng các cụm loa biểu diễn nhiều
hơn nếu λ được coi như là một tham số mở mà được điều chỉnh trên các dữ liệu phát triển. Các λ
ảnh hưởng cả việc sáp nhập và các tiêu chí dừng lại và cần phải được lựa chọn cẩn thận để
có hiệu quả tối ưu. Để tránh điều này, một số thay đổi của các phương pháp trên đã
được đề xuất, nhưng tất cả đều chỉ có công dụng vừa phải, vì họ hoặc giới thiệu một mới
thiết lập các thông số mở (Ajmera & Wooters, 2003) hoặc tăng chi phí tính toán của các
phân nhóm loa (Zhu et al., 2005).