Textnormalisierung bei Spracherkennungsaufgaben

Bei der Lösung von Aufgaben im Zusammenhang mit der Spracherkennung (Speech-To-Text) und der Erzeugung (Text-To-Speech) von Sprache ist es wichtig, dass das Transkript dem entspricht, was der Sprecher gesagt hat - dh der echten gesprochenen Sprache. Dies bedeutet, dass geschriebene Sprache , bevor sie zu unserem Transkript wird, normalisiert werden muss .

Mit anderen Worten, der Text muss in mehreren Schritten erstellt werden:

• Ersetzen der Zahl in Worten: 1984 -> eintausendneunhundertvierundachtzigstes Jahr ;
• Erklärung der Abkürzungen: 2 . -> zwei Minuten Hass ;
• Lateinische Transkription: Orwell-> etc.

In diesem Artikel werde ich kurz darauf eingehen , wie sich die Normalisierung im Datensatz der russischen Sprache Open_STT entwickelt hat , welche Tools verwendet wurden und wie wir die Aufgabe angehen.

Wie eine Kirsche auf einem Kuchen haben wir beschlossen, unseren auf seq2seq basierenden Normalisierer öffentlich zugänglich zu machen: einen Link zu Github . Es ist so einfach wie möglich zu bedienen und wird mit einer Methode aufgerufen:

norm = Normalizer()
result = norm.norm_text(' 9  11   whiskas')

>>> '      '

Mehr zur Aufgabe

, , ? , . , .

, , :

• 2 — (), . 2 — ;
• 2 — , 2 — ;
• 2 — , 2 — ;
• = 2/5 — , . 2/5 — — .

: - ( — ) ( — ?). , , . .

. - . , , ~20% , ~80% .

Open_STT : — . STT , - 2020 , .

. 2020 . "" — .

Sequence to Sequence

- , sequence-to-sequence (seq2seq) . , seq2seq , "" , :

• — ;
• — ;
• , — ;

attention "5 ". , "" "5", "".

seq2seq PyTorch . — . + + + , — + .

— , . ( , ) .

, :

• — Russian Text Normalization;
• -, .;
• , — , , ..

TorchScript

, , Torchscript.

TorchScript — PyTorch, Python C++.

, PyTorch :

1. , TorchScript , ;
2. torch.jit.script ( torch.jit.trace), .

, , , , . , : , .. .

, . , .

• norm.norm_string(" — — 27 38 %.")

' — — .'

• norm.norm_string(" 22 1939 ")

' '

• norm.norm_string(" «The Crying Game»")

' « »'

• norm.norm_string(" XVIII ")

' '

• norm.norm_string(" 2012 6,6 ")