音声のテキスト正規化
テキストの正規化は、音声システムが発話する前に、生の書かれたテキストを完全に話された言葉に書き換えるフロントエンドのステップです。
概要
It is what turns '$5' into 'five dollars' and '12/5/2024' into a spoken date, and getting it wrong is one of the most jarring TTS failures.
ディープダイブ
書かれたテキストには、数字、通貨、日付、時刻、略語、URL、記号など、誰も文字通りに発音しない非標準的な単語がたくさんあります。テキスト正規化 (TN フロントエンドとも呼ばれます) は、これらを言語化された形式に拡張するため、下流モデルは実際に何を発話すべきかを認識します。「$5」が「5 ドル」になります。は文脈に応じて「doctor」または「drive」になり、「IV」は「four」、「intravenous」、または「I-V」の文字になる可能性があります。従来のシステムでは、信頼性が高く監査可能な手書きのルールと重み付き有限状態トランスデューサー (WFST) が使用されています。新しいアプローチではニューラル シーケンスツーシーケンス モデルが使用されますが、純粋なニューラル TN では危険なエラー (間違った数値を言う) が発生する可能性があるため、実稼働システムではルールをガードレールとして使用するハイブリッド設計が使用されることがよくあります。文脈依存性は難しい部分です。同じトークンが、その環境に応じて異なる方法で言語化されます。
技術的な洞察
古典的な正規化では、最初に各トークンをトークン化して記号クラス (基数、10 進数、日付、通貨、メジャー、略語) に分類し、次にクラス固有の言語化ツールを適用します。これは、多くの場合、高速で完全に検査可能な重み付き有限状態トランスデューサーとして構築されます。曖昧なトークンは、ローカル コンテキストと品詞の手がかりを使用して曖昧さが解消されます。ニューラル システムとハイブリッド システムは、これをテキストからテキストへの書き換えとして組み立てますが、出力を制限します (たとえば、文法をカバーしたり、「タグ付けしてから展開する」など)。これにより、年を電話番号として読み取るなどの許容できない間違いが防止されます。
戦略的影響
アクセスと到達範囲
文字起こし、ナレーション、音声インターフェイスを通じてアクセシビリティを向上させます。
費用と予算
メディア チームは、より少ない予算で洗練されたオーディオをより迅速に出荷できます。
速度とスケール
顧客対応システムは、音声対話を大規模に処理できます。
音声のためのテキスト正規化の将来
正規化は、学習されたモデルを使用してコンテキストを解決しながら、有限状態文法の安全性を維持するニューラルとルールのハイブリッドに加え、乱雑な現実世界のテキストや多くの言語を一度に処理する大規模な言語モデルに向かう傾向にあります。研究は、「回復不可能な」エラーを排除することと、数値、日付、通貨の慣例が大きく異なる多言語 TN に焦点を当てています。エンドツーエンド TTS がより多くのフロントエンド機能を吸収するにつれて、正規化は制御可能で監査可能な段階であり続けることが予想されます。なぜなら、ここでの間違いは非常に目立ち、コストがかかるためです。
現実世界の実装
銀行の音声アシスタントで「$1,250.50」を「1,250ドル50セント」と読み上げる。
略語を「St.」に展開します。ナビゲーション プロンプトの文脈に応じて、「ストリート」または「セイント」として読み上げられます。
カレンダーやリマインダーアプリで日付、時刻、電話番号を正しく言語化する。
「5 km」や「%」などの記号や単位を、スクリーン リーダーやアクセシビリティ ツール用の音声に変換します。
リスクとガードレール
同意がない場合、音声の悪用やなりすましのリスクが高まります。
アクセント、方言、または騒がしい環境では精度が低下する可能性があります。
合成音声は、明確なラベルが付けられていないと、本物の音声と間違われる可能性があります。
実装ロードマップ
音声のキャプチャ、複製、再利用については明示的な同意を取得してください。
さまざまな話者や背景条件で品質をテストします。
人間がいつ出力をレビューまたは承認する必要があるかを定義します。
合成音声にラベルを付け、出所記録を保管して説明責任を果たします。
探検を続けましょう
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Text Normalization for Speech quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
次のガイド
テキスト読み上げ
よくある質問
What is Text Normalization for Speech?
テキストの正規化は、音声システムが発話する前に、生の書かれたテキストを完全に話された言葉に書き換えるフロントエンドのステップです。これは、「$5」を「5 ドル」に、「2024 年 12 月 5 日」を音声日付に変換するものであり、これを間違えることは、TTS の最も厄介な失敗の 1 つです。
音声のテキスト正規化は主に何をしますか?
正規化では、数字、日付、略語などの非標準トークンを、合成前に言語化された音声形式に拡張します。
優れたシステムは音声の「$5」をどのように正規化すべきでしょうか?
通貨では記号を並べ替えて言語化する必要があるため、「$5」は文字通り左から右ではなく「5 ドル」として話されます。
「Dr.」のようなトークンを正規化するのはなぜですか。それとも「IV」は難しいですか？
「博士」 'doctor' または 'drive' にすることができ、'IV' は 'four'、'intravenous'、または文字にすることができます。文脈によって適切な言語化が決まります。
信頼性が高く監査可能な正規化ルールを構築するために広く使用されている従来のテクノロジーは何ですか?
WFST は、高速で完全に検査可能な手作りの文法をエンコードするため、実稼働 TN にとって長年の選択肢となっています。
実稼働システムが純粋なニューラル テキストの正規化を避けることが多いのはなぜですか?
制約のないニューラル TN は、自信はあるものの危険なほど間違った出力 (例: 間違った数値) を生成する可能性があるため、ハイブリッド システムではルールがガードレールとして機能します。