AGGLOMERATIVE CLUSTERING OF SOUND RECORD SPEECH SEGMENTS BASED ON BAYESIAN INFORMATION CRITERION

О К О О О ...

Н - , ,

2013, № 1 (83)

90

004.93+57.087.1

Л

Л

З

. . а е

Д

-.

, . Д

« » DER 6,4%.

юче е а: , , .

е ение

В

-. , ,

-, . В

(National Institute of Standards and Technology, NIST), (Rich Transcription Evaluation Project, RTE) [1].

RTE (MDE (Metadata Extraction) Speaker Diarization),

( ) ,

-.

-. ,

[2, 3]. И .

-, .

(Bayesian Information Criterion, BIC).

-, ,

О.Ю. Ку аш в

Н - , ,

2013, № 1 (83)

91

Ц

BIC. К ,

, , « ».

ри енение BIC а ери а иирече е ен

BIC ,

-. В M,

X={x1, …, xN}, xi Rd,

1

( ) log ( ,..., | ) ( ) log 2



 _N  

BIC M L x x M M N, (1)

1

( ,..., N| )

L x x M – ; (M) – M (

-);  – , 1.

X1, X2. X1, X2

. :

1. M1 – X1 X2 ,





2. M2 – X1 X2 ,

 

 

, (1),

1 1 2 1 1 2

( ) log ( , | , ) ( ) log( ) 2



     

BIC M L X X M N N ,

2 1 1 1 2 2 2 2 1 2

( ) log ( | , ) log ( | , ) ( ) log( ) 2



        

BIC M L X L X M N N ,

N1, N2 – X1 X2 .

BIC:





1 2

1 2 2 1

1 1 1 2 2 2 ( , | , )

( ) ( ) log ( ) ( ) log

( | , ) ( | , ) 2

  

       

   

L X X

BIC BIC M BIC M M M N

L X L X . (2)

∆BIC , M1

, , X1 X2 .

(2) :





1

log log ( ) log log( )

2 2



BIC N  N   N N    N N , (3)

1

 ,₂ – X1 X2 ; _1,2 –

{X1, X2};  – ,

 d, ( 1)

2

  d d .

ри а ера и н а ери а иирече е ен

А

( ) ( ),

-. ,

-. К ,

BIC.

4 .

1. В .

2. .

3. .

1. А , ,

. В

.

2. 2w

-h. ,

X1, – X2 ( (3)). Д h i w, ,

-BIC_i   CPD.

3.

1 1

{ :  , 0}

  _m   _m   _m  _m 

О К О О О ...

Н - , ,

2013, № 1 (83)

92

4. M

arg min( ) 

   m

m M

m BIC . M ,

, w, : M M\ { :m mm w}.

5. 4 , M .

6. {h m w} .

4. А .

1. C{ }ck ,

-, .

2. { ,},1

C k l k l

BIC (3)

  _AC.

3. _{* * , *, *}

,

, :{ *, *}arg max( ), 0

k l k l k l

k l

c c k l BIC BIC ,

ck*ck*cl*, cl* : CC\ {cl*}.

4. 2–3 , .

5. C .

В

-BIC (_CPD)

(AC). ,

-. В

.

е а чи енн ери ен

В 20 60- « » [6]. В

16000 . Д

.

4 : 1. (71,86%);

2. (8,66%);

3. (11,20%);

4. (8,28%).

25.

Д

-- .

В :

 - (MBF);

 - (MFCC).

Д :

 ( ) – 16 ;

 – 10 ;

 – 0 8000 .

Д (E),

() (_2

) .

Д

(Diarization Error Rate, DER), NIST RTE 2006 [1]:













( ) max ( ), ( ) ( )

100% ( ) ( )

 

 _{ }

 







ref sys correct S

ref S

dur S N S N S N S

DER

dur S N S ,

S – ; dur (S) – ; Nref (S) –

-, S, ; Nsys (S) –

, S, ; Ncorrect (S) –

S.

w 3 , h 0,2 .

, DER

О.Ю. Ку аш в

Н - , ,

2013, № 1 (83)

93

Д

А

CPD AC DER (%) CPD AC DER (%)

MBF 20 1,2 3,2 8,0 5 30 21,1 MFCC 20 1,0 3,5 7,7 4,8 27 8,5 MFCC + E _{20 1,0 3,3 7,8 4,8 27 8,3}

MFCC + E ₊ _{40 0,6 1,3 7,3 3 18 6,4}

MFCC + E ₊₊2 60 0,55 1,1 7,2 2,3 14 6,6

Т 1. З DER

,

,

. 2,

-. В

Intel Core i5 760 2.8 GHz.

Д

20 210 3600

40 56 1900

60 23,5 1280

Т 2. З

За ючение

. К

-, DER 6,4%

, . К

. 2,

-. И ,

-

.

-,

-.

Д « »,

«Ц ».

.

Ли ера ра

1. Rich Transcription Evaluation Project [ ]. – URL: http://www.itl.nist.gov/iad/mig/tests/rt/, . . . ( 20.09.2012).

2. Kenny P. Bayesian Analysis of Speaker Diarization with Eigenvoice Priors // Technical report, Centre de recherche informatique de Montreal (CRIM). – Montreal, Canada. – May 2008. – 17 p.

3. К . ., . .

// - ,

. – 2012. – № 3 (79). – . 83–87.

4. Reynolds D., Kenny P., Castaldo F. A Study of New Approaches to Speaker Diarization // Proc. Interspeech – 2009. – P. 1047–1050.

5. Jin Q., Laskowski K., Schultz T., Alex Waibel A. Speaker segmentation and Clustering in Meetings // Proc. ICASSP-2004 Meeting Recognition Workshop. – Montreal, Canada. – May 2004. – P. 112–117.

6. [ ]. – URL: http://www.svobodanews.ru/, . . . ( 20.09.2012).

Ку а Ол Юрь и – «Ц - », , -

-,