Normalisasi teks dalam tugas pengenalan ucapan

Saat menyelesaikan tugas yang terkait dengan pengenalan (Ucapan-Ke-Teks) dan generasi (Teks-Ke-Ucapan) pidato, penting bahwa transkrip cocok dengan apa yang dikatakan pembicara - yaitu, bahasa lisan yang nyata . Ini berarti bahwa sebelum pidato tertulis menjadi transkrip kami, perlu dinormalisasi .

Dengan kata lain, teks perlu dilakukan melalui beberapa langkah:

• Mengganti angka dengan kata-kata: 1984 -> seribu sembilan ratus delapan puluh empat tahun ;
• Penjelasan singkatan: 2 . -> dua menit kebencian ;
• Transkripsi Latin: Orwell-> dll.

Pada artikel ini, saya akan membahas secara singkat tentang bagaimana normalisasi dikembangkan dalam dataset Open_STT bahasa Rusia , alat apa yang digunakan dan tentang pendekatan kami terhadap tugas tersebut.

Seperti ceri pada kue, kami memutuskan untuk meletakkan normalizer kami berdasarkan seq2seq di domain publik: tautan ke github . Ini sesederhana mungkin untuk digunakan dan dipanggil oleh satu metode:

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

>>> '      '

Lebih lanjut tentang tugas

, , ? , . , .

, , :

• 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 ")