Normalización de texto en tareas de reconocimiento de voz.

Al resolver tareas relacionadas con el reconocimiento de voz (Voz a texto) y la generación (Texto a voz) de voz, es importante que la transcripción coincida con lo que dijo el hablante, es decir, el lenguaje hablado real . Esto significa que antes de que el discurso escrito se convierta en nuestra transcripción, debe normalizarse .

En otras palabras, el texto debe hacerse a través de varios pasos:

• Reemplazando el número en palabras: 1984 -> mil novecientos ochenta y cuatro años ;
• Explicación de abreviaturas: 2 . -> dos minutos de odio ;
• Transcripción latina: Orwell-> etc.

En este artículo, hablaré brevemente sobre cómo se desarrolló la normalización en el conjunto de datos del idioma ruso Open_STT , qué herramientas se usaron y sobre nuestro enfoque de la tarea.

Como una cereza en un pastel, decidimos poner nuestro normalizador basado en seq2seq en el dominio público: un enlace a github . Es lo más simple posible de usar y se llama por un método:

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

>>> '      '

Más sobre la tarea

, , ? , . , .

, , :

• 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 ")