En este trabajo, presentamos una medida novedosa de similitud entre modelos de mezcla gaussiana (GMM) mediante el embebido de preservación de vecindario (NPE) del espacio de parámetros, que proyecta componentes de GMM, que según nuestra suposición se encuentran cerca de una variedad dimensional inferior. Al hacerlo, obtenemos una transformación del espacio de parámetros original de alta dimensión, en un espacio de parámetros resultante mucho más dimensional. Por lo tanto, la resolución de la distancia entre dos GMM se reduce a (teniendo en cuenta los pesos correspondientes) calcular la distancia entre conjuntos de vectores euclídeos de menor dimensión. Se logra un mejor equilibrio entre la precisión de reconocimiento y la complejidad computacional en comparación con medidas que utilizan distancias entre componentes gaussianas evaluadas en el espacio de parámetros original. La medida propuesta es mucho más eficiente en tareas de aprendizaje automático que operan en grandes conjuntos de datos, ya que en tales tareas, el número requerido de componentes gaussianas en general es grande. Se llevan a cabo experimentos artificiales y del mundo real, mostrando un mejor equilibrio entre la precisión de reconocimiento y la complejidad computacional de la medida propuesta, en comparación con todas las medidas de referencia de similitud entre GMM probadas en este documento.