Normalização de texto em tarefas de reconhecimento de fala

Ao resolver tarefas relacionadas ao reconhecimento de fala (Fala para texto) e geração (conversão de texto em fala), é importante que a transcrição corresponda ao que o falante disse - ou seja, a linguagem falada real . Isso significa que, antes que a fala escrita se torne nossa transcrição, ela precisa ser normalizada .

Em outras palavras, o texto precisa ser feito através de várias etapas:

• Substituindo o número por palavras: 1984 -> mil novecentos e oitenta e quarto ano ;
• Explicação das abreviaturas: 2 . -> dois minutos de ódio ;
• Transcrição em latim: Orwell-> etc.

Neste artigo, falarei brevemente sobre como a normalização se desenvolveu no conjunto de dados do idioma russo Open_STT , quais ferramentas foram usadas e sobre nossa abordagem para a tarefa.

Como uma cereja no bolo, decidimos colocar nosso normalizador baseado no seq2seq em domínio público: um link para o github . É o mais simples possível de usar e é chamado por um método:

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

>>> '      '

Mais sobre a tarefa

, , ? , . , .

, , :

• 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 ")