Normalizacja tekstu dla mowy
Normalizacja tekstu to etap początkowy, który polega na przepisaniu surowego tekstu na w pełni wypowiadane słowa, zanim system mowy je wypowie.
Przegląd
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.
Głębokie nurkowanie
Tekst pisany jest pełen niestandardowych słów: liczb, walut, dat, godzin, skrótów, adresów URL i symboli, których nikt nie wymawia dosłownie. Normalizacja tekstu (czasami nazywana interfejsem TN) rozszerza je do zwerbalizowanej formy, dzięki czemu model niższego szczebla wie, co właściwie powiedzieć — „5 dolarów” staje się „pięć dolarów”, „Dr.”. staje się „lekarzem” lub „prowadzeniem” w zależności od kontekstu, a „IV” może oznaczać „cztery”, „dożylne” lub litery „I-V”. Tradycyjne systemy wykorzystują ręcznie pisane reguły i ważone przetworniki stanu skończonego (WFST), które są niezawodne i możliwe do kontrolowania. Nowsze podejścia wykorzystują modele neuronowe sekwencja do sekwencji, ale czysta neuronowa sieć TN może generować niebezpieczne błędy (podanie błędnej liczby), dlatego systemy produkcyjne często wykorzystują projekty hybrydowe z regułami jako barierami ochronnymi. Najtrudniejszą częścią jest wrażliwość na kontekst: ten sam token werbalizuje się inaczej w zależności od otoczenia.
Wgląd techniczny
Klasyczna normalizacja najpierw tokenizuje i klasyfikuje każdy token w klasę semiotyczną (kardynalna, dziesiętna, data, pieniężna, miara, skrót), a następnie stosuje werbalizator specyficzny dla klasy, często zbudowany jako ważony przetwornik stanu skończonego, który jest szybki i w pełni sprawdzalny. Niejednoznaczne tokeny są ujednoznaczniane przy użyciu kontekstu lokalnego i wskazówek dotyczących części mowy. Systemy neuronowe i hybrydowe traktują to jako przepisywanie tekstu na tekst, ale ograniczają wyniki — na przykład obejmujące gramatykę lub „znakowanie, a następnie rozwijanie” — aby zapobiec niedopuszczalnym błędom, takim jak odczytywanie roku jako numeru telefonu.
Wpływ strategiczny
Dostęp i zasięg
Poprawia dostępność poprzez transkrypcję, narrację i interfejsy głosowe.
Koszt i budżet
Zespoły medialne mogą szybciej dostarczać dopracowany dźwięk przy mniejszych budżetach.
Szybkość i skala
Systemy skierowane do klienta mogą przetwarzać interakcje mówione na większą skalę.
Przyszłość normalizacji tekstu dla mowy
Normalizacja zmierza w stronę hybryd neuronowych i reguł, które zapewniają bezpieczeństwo gramatyk skończonych, a jednocześnie wykorzystują wyuczone modele do rozwiązywania kontekstu, a także duże modele językowe, które radzą sobie z niechlujnym tekstem ze świata rzeczywistego i wieloma językami jednocześnie. Badania skupiają się na eliminowaniu „nienaprawialnych” błędów i wielojęzycznych sieciach TN, w których liczby, daty i konwencje walutowe znacznie się różnią. Ponieważ kompleksowy TTS pochłania więcej funkcji front-end, należy spodziewać się, że normalizacja pozostanie etapem możliwym do kontrolowania i audytu właśnie dlatego, że błędy w tym przypadku są tak zauważalne i kosztowne.
Implementacja w świecie rzeczywistym
Odczytanie na głos „1250,50 dolarów” jako „tysiąc dwieście pięćdziesiąt dolarów i pięćdziesiąt centów” za pomocą bankowego asystenta głosowego.
Rozwijanie skrótów np. „St.”. jest wymawiane jako „ulica” lub „święty”, w zależności od kontekstu w podpowiedziach nawigacyjnych.
Prawidłowe werbalizowanie dat, godzin i numerów telefonów w aplikacjach kalendarza i przypomnień.
Konwertowanie symboli i jednostek, takich jak „5 km” lub „%”, na słowa mówione dla czytników ekranu i narzędzi ułatwień dostępu.
Zagrożenia i poręcze
W przypadku braku zgody zwiększa się ryzyko niewłaściwego użycia głosu i podszywania się pod inne osoby.
Dokładność może spaść w przypadku akcentów, dialektów lub hałaśliwego otoczenia.
Bez wyraźnego oznakowania dźwięk syntetyczny można pomylić z autentyczną mową.
Plan wdrożenia
Uzyskaj wyraźną zgodę na przechwytywanie, klonowanie i ponowne wykorzystanie głosu.
Testuj jakość na różnych głośnikach i w różnych warunkach otoczenia.
Zdefiniuj, kiedy człowiek musi przejrzeć lub zatwierdzić wyniki.
Oznacz dźwięk syntetyczny i prowadź dokumentację pochodzenia w celu zapewnienia odpowiedzialności.
Odkrywaj dalej
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
Następny poradnik
Tekst na mowę
Często zadawane pytania
What is Text Normalization for Speech?
Normalizacja tekstu to etap początkowy, który polega na przepisaniu surowego tekstu na w pełni wypowiadane słowa, zanim system mowy je wypowie. To właśnie zmienia „5 dolarów” w „pięć dolarów”, a „12.05.2024” w datę mówioną, a błędne podanie jest jedną z najbardziej irytujących porażek TTS.
Do czego przede wszystkim służy normalizacja tekstu dla mowy?
Normalizacja rozszerza niestandardowe tokeny, takie jak liczby, daty i skróty, do ich zwerbalizowanej formy mówionej przed syntezą.
Jak dobry system powinien normalizować „5 dolarów” za mowę?
Waluta wymaga zmiany kolejności i zwerbalizowania symbolu, dlatego „5 dolarów” czyta się jako „pięć dolarów”, a nie dosłownie od lewej do prawej.
Dlaczego normalizowanie tokena takiego jak „Dr.” lub „IV” jest trudne?
„Doktor”. może oznaczać „lekarz” lub „napęd”, a „IV” może oznaczać „cztery”, „dożylne” lub litery – kontekst determinuje właściwą werbalizację.
Jaka tradycyjna technologia jest powszechnie stosowana do tworzenia niezawodnych, podlegających audytowi reguł normalizacji?
WFST kodują ręcznie stworzoną gramatykę, która jest szybka i w pełni możliwa do sprawdzenia, co czyni je stałym wyborem dla produkcyjnej TN.
Dlaczego systemy produkcyjne często unikają normalizacji czystego tekstu neuronowego?
Nieograniczona neuronowa sieć TN może generować pewne, ale niebezpiecznie błędne wyniki (np. błędną liczbę), więc reguły działają jak bariery w systemach hybrydowych.