Chuẩn hóa văn bản cho giọng nói
Chuẩn hóa văn bản là bước giao diện người dùng giúp viết lại văn bản thô thành các từ được đọc hoàn toàn trước khi hệ thống giọng nói đọc điều đó.
Tổng quan
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.
Lặn sâu
Văn bản viết có đầy đủ các từ không chuẩn: số, tiền tệ, ngày, giờ, chữ viết tắt, URL và ký hiệu mà không ai phát âm theo nghĩa đen. Quá trình chuẩn hóa văn bản (đôi khi được gọi là giao diện người dùng TN) mở rộng chúng thành dạng bằng lời nói để mô hình hạ nguồn biết những gì thực sự phải thốt ra — '$5' trở thành 'năm đô la', 'Dr.' trở thành 'bác sĩ' hoặc 'ổ đĩa' tùy theo ngữ cảnh và 'IV' có thể là 'bốn', 'tiêm tĩnh mạch' hoặc các chữ cái 'I-V.' Các hệ thống truyền thống sử dụng các quy tắc viết tay và bộ chuyển đổi trạng thái hữu hạn có trọng số (WFST), đáng tin cậy và có thể kiểm tra được. Các phương pháp tiếp cận mới hơn sử dụng mô hình tuần tự thần kinh, nhưng TN thần kinh thuần túy có thể tạo ra các lỗi nguy hiểm (nói sai số), vì vậy hệ thống sản xuất thường sử dụng các thiết kế kết hợp với các quy tắc làm lan can. Tính nhạy cảm theo ngữ cảnh là phần khó khăn: cùng một mã thông báo được diễn đạt bằng lời khác nhau tùy thuộc vào môi trường xung quanh nó.
Hiểu biết kỹ thuật
Chuẩn hóa cổ điển trước tiên mã hóa và phân loại từng mã thông báo thành một lớp ký hiệu học (số đếm, số thập phân, ngày tháng, tiền, số đo, chữ viết tắt), sau đó áp dụng trình phát âm theo từng lớp cụ thể, thường được xây dựng như một bộ chuyển đổi trạng thái hữu hạn có trọng số nhanh và có thể kiểm tra đầy đủ. Các mã thông báo mơ hồ được phân biệt bằng cách sử dụng ngữ cảnh cục bộ và tín hiệu một phần lời nói. Các hệ thống thần kinh và lai đóng khung nó dưới dạng viết lại văn bản thành văn bản nhưng hạn chế kết quả đầu ra - ví dụ: bao gồm ngữ pháp hoặc 'gắn thẻ rồi mở rộng' - để ngăn những lỗi không thể chấp nhận được như đọc một năm dưới dạng số điện thoại.
Tác động chiến lược
Truy cập và tiếp cận
Nó cải thiện khả năng tiếp cận thông qua phiên âm, tường thuật và giao diện giọng nói.
Chi phí và ngân sách
Các nhóm truyền thông có thể gửi âm thanh tinh tế nhanh hơn với ngân sách nhỏ hơn.
Tốc độ và tỷ lệ
Các hệ thống hướng tới khách hàng có thể xử lý các tương tác bằng giọng nói ở quy mô lớn hơn.
Tương lai của việc chuẩn hóa văn bản cho giọng nói
Quá trình chuẩn hóa đang có xu hướng kết hợp giữa quy tắc và thần kinh nhằm duy trì sự an toàn của ngữ pháp trạng thái hữu hạn trong khi sử dụng các mô hình đã học để giải quyết ngữ cảnh, cộng với các mô hình ngôn ngữ lớn xử lý văn bản lộn xộn trong thế giới thực và nhiều ngôn ngữ cùng một lúc. Nghiên cứu tập trung vào việc loại bỏ các lỗi 'không thể khôi phục' và trên TN đa ngôn ngữ trong đó các quy ước về số, ngày và tiền tệ rất khác nhau. Vì TTS từ đầu đến cuối hấp thụ nhiều chức năng giao diện người dùng hơn nên việc chuẩn hóa sẽ vẫn là một giai đoạn có thể kiểm soát và kiểm tra được một cách chính xác vì những sai sót ở đây rất dễ nhận thấy và tốn kém.
Triển khai trong thế giới thực
Đọc to '$1.250,50' thành 'một nghìn hai trăm năm mươi đô la và năm mươi xu' trong trợ lý giọng nói ngân hàng.
Mở rộng các chữ viết tắt để 'St.' được nói là 'đường phố' hoặc 'thánh' tùy theo ngữ cảnh trong lời nhắc điều hướng.
Đọc chính xác ngày, giờ và số điện thoại trong ứng dụng lịch và lời nhắc.
Chuyển đổi các ký hiệu và đơn vị như '5 km' hoặc '%' thành lời nói cho trình đọc màn hình và công cụ trợ năng.
Rủi ro & lan can
Rủi ro lạm dụng giọng nói và mạo danh sẽ tăng lên khi thiếu sự đồng ý.
Độ chính xác có thể giảm đối với các giọng, phương ngữ hoặc môi trường ồn ào.
Âm thanh tổng hợp có thể bị nhầm lẫn với lời nói đích thực nếu không có nhãn rõ ràng.
Lộ trình thực hiện
Nhận được sự đồng ý rõ ràng để thu âm, sao chép và tái sử dụng giọng nói.
Kiểm tra chất lượng trên nhiều loa và điều kiện nền khác nhau.
Xác định khi nào con người phải xem xét hoặc phê duyệt kết quả đầu ra.
Dán nhãn âm thanh tổng hợp và lưu giữ hồ sơ xuất xứ để đảm bảo trách nhiệm giải trình.
Tiếp tục khám phá
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
Hướng dẫn tiếp theo
Chuyển văn bản thành giọng nói
Câu hỏi thường gặp
What is Text Normalization for Speech?
Chuẩn hóa văn bản là bước giao diện người dùng giúp viết lại văn bản thô thành các từ được đọc hoàn toàn trước khi hệ thống giọng nói đọc điều đó. Đó là thứ biến '5 đô la' thành 'năm đô la' và '5/12/2024' thành một ngày được nói ra và việc ghi sai là một trong những thất bại chói tai nhất của TTS.
Việc chuẩn hóa văn bản cho giọng nói chủ yếu có tác dụng gì?
Quá trình chuẩn hóa mở rộng các mã thông báo không chuẩn như số, ngày tháng và chữ viết tắt sang dạng nói bằng lời nói trước khi tổng hợp.
Một hệ thống tốt nên bình thường hóa '$5' cho lời nói như thế nào?
Tiền tệ yêu cầu sắp xếp lại và diễn đạt ký hiệu bằng lời, vì vậy '$5' được đọc là 'năm đô la', không phải theo nghĩa đen từ trái sang phải.
Tại sao lại bình thường hóa mã thông báo như 'Dr.' hay 'IV' phức tạp?
'Tiến sĩ' có thể là 'bác sĩ' hoặc 'ổ đĩa' và 'IV' có thể là 'bốn', 'tiêm tĩnh mạch' hoặc các chữ cái - ngữ cảnh xác định cách diễn đạt bằng lời nói phù hợp.
Công nghệ truyền thống nào được sử dụng rộng rãi để xây dựng các quy tắc chuẩn hóa đáng tin cậy, có thể kiểm tra được?
WFST mã hóa các ngữ pháp thủ công nhanh chóng và có thể kiểm tra đầy đủ, khiến chúng trở thành lựa chọn lâu dài cho TN sản xuất.
Tại sao các hệ thống sản xuất thường tránh việc chuẩn hóa văn bản thần kinh thuần túy?
TN thần kinh không bị giới hạn có thể tạo ra kết quả đầu ra sai một cách tự tin nhưng nguy hiểm (ví dụ: một con số sai), vì vậy các quy tắc đóng vai trò như rào cản trong các hệ thống kết hợp.