西班牙语逆文本正则化模型

模型描述

西班牙语逆文本正则化模型是基于FunTextProcessing开源代码库生成，用于西班牙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。

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。
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。
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-es')

itn_result = itn_inference_pipline(text_in='ciento veintitrés')
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。