语音识别-韩语-后处理- ITN模型
韩语文本反正则化。Inverse Text Processing for Korean.
  • 模型资讯
  • 模型资料

韩语逆文本正则化模型

模型描述

韩语逆文本正则化模型是基于FunTextProcessing开源代码库生成,用于韩语语音识别模型结果后处理中的逆文本正则化部分。

多语言逆文本正则化&文本正则化

逆文本正则化(Inverse Text Normalization)和文本正则化(Text Normalization)是语音交互系统中必不可少的部分。逆文本正则化(ITN)广泛应用于语音识别结果的文本后处理模块,实现从口语域到书面域的文字的转换,使显示的文字更加符合人的阅读习惯。文本正则化(TN)广泛用于语音合成系统的前端数据处理。

当前被学术界和工业界广泛使用的逆文本正则化(ITN)和文本正则化(TN)系统有以下三大类。

  1. 基于语法规则WFST的系统 这种系统由大量特定语言的语法组成,该方法的优点是准确性可控,可以快速修复语法中的Badcase,该方法的不足在于没有特定上下文情况下,对于产生歧义的文本不够鲁棒。
  2. 基于神经网络模型的系统 这种系统需要大量的训练数据,需要这种语言的语法规则,将书面域转换为相应的口语域的数据,以产生大量的覆盖范围更广的数据。同时其方法的另外一个主要的缺点是无法修复转变的错误,修复Badcase的方法不如基于语法规则的方式来的简单。
  3. 混合使用语法和神经网络系统 这种混合系统中当系统没有找到匹配的语法规则时,才利用神经网络模型进行转换。该方法比较好的权衡了规则和模型的优劣,但对系统的计算资源等提出更高的要求。

多语言逆文本正则化和文本正则化系统示意图如下:

综合上述分析,我们选择利用基于语法的WFST方案,在ModelScope平台上开源包括中、英、日、韩、印尼等十多种不同语言的ITN规则。对于每一种语言的ITN&TN,由两大部分组成,一部分是Tagger, 另一部分是Verbalizer. Tagger的作用就相当于分类器,对于输入的文本利用不同类型的规则去Tag获得输入文本的类型。在Tag的过程中,主要根据WFST获得最短的路径。不同类型规则的权值是也会影响到Tag获得的输入文本的Tag类型。下图给出了利用WFST输入是"twenty three"情况下,利用最短路径获得输出“23”,而不是输出“20 3”的例子。

Verbalizer则是将parse和调序之后的tokens调用相关类型的Verbalizer输出,获得最后的结果。同时基于FunASR/fun_text_processing,开源了设计和生成这些ITN规则的工具。该工具提供了安装、测试、导出的python工具包。具体的使用方法可以参考FunASR/fun_text_processing中的README.md

期望模型使用方式以及适用范围

运行范围

  • 现阶段只能在Linux-x86_64运行,不支持Mac和Windows。

使用方式

  • 直接推理:可以直接输入文字,输出逆正则化转换之后的文字,例如:输入数字(zero - nine)转换为阿拉伯数字(0-9)输出。
  • 修改:利用FunASR/fun_text_processing/inverse_text_normalization相应语言的不同语法规则进行修改。

使用范围与目标场景

  • 相应语言语音识别结果的后处理。

如何使用

api调用范例

from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks

itn_inference_pipline = pipeline(
    task=Tasks.inverse_text_processing,
    model='damo/speech_inverse_text_processing_fun-text-processing-itn-ko')

itn_result = itn_inference_pipline(text_in='삼백오 독일 마크')
print(itn_result)

模型局限性以及可能的偏差

由于此模型由基于该语种的ITN语法规则编译而成,可能会受限于现有语法规则覆盖不全,或多个语法规则相互冲突的情况。考虑到此局限,我们开源了ITN代码库,欢迎大家在我们的FunTextProcessing开源代码贡献更多语法规则或加入更多语言ITN规则。

训练数据介绍

此模型由基于该语种的ITN语法规则编译生成,无需训练数据。

预处理

输入文本数据分两类:

  • 可直接将语音识别模型输出的文本结果输入ITN模型,输出经过逆文本正则化后的文本。
  • 语音识别模型输出文本结果后,可先通过标点模型,加入标点符号,然后将加入标点后的语音识别文本结果输入ITN模型。

后处理

逆文本正则化输出结果后续可再做顺滑或纠错处理。

数据评估及结果

相关论文以及引用信息

https://github.com/alibaba-damo-academy/FunASR/tree/main/fun_text_processing