语音文本规范化
文本规范化是在语音系统说出原始书面文本之前将其重写为完全说出的单词的前端步骤。
概述
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.
深入探讨
书面文本充满了非标准单词：数字、货币、日期、时间、缩写、URL 和没有人按字面发音的符号。文本规范化（有时称为 TN 前端）将这些内容扩展为语言形式，以便下游模型知道实际要说什么——“$5”变成“五美元”，“博士”。根据上下文变为“医生”或“驾驶”，“IV”可能是“四”、“静脉注射”或字母“I-V”。传统系统使用手写规则和加权有限状态传感器 (WFST)，这是可靠且可审计的。较新的方法使用神经序列到序列模型，但纯神经 TN 可能会产生危险的错误（说出错误的数字），因此生产系统通常使用以规则作为护栏的混合设计。上下文敏感性是最难的部分：同一个标记根据其周围环境的不同而有不同的表达方式。
技术洞察
经典规范化首先将每个标记标记和分类为符号类（基数、小数、日期、货币、度量、缩写），然后应用特定于类的语言表达器，通常构建为快速且完全可检查的加权有限状态转换器。使用本地上下文和词性提示来消除不明确的标记。神经和混合系统将其框架为文本到文本的重写，但限制输出——例如，覆盖语法或“标记然后扩展”——以防止出现不可接受的错误，例如将年份读作电话号码。
战略影响
交通与覆盖范围
它通过转录、旁白和语音界面提高了可访问性。
成本与预算
媒体团队可以用更少的预算更快地交付精美的音频。
速度与规模
面向客户的系统可以处理更大规模的语音交互。
语音文本规范化的未来
规范化正趋向于神经和规则混合体，这种混合体可以保持有限状态语法的安全性，同时使用学习模型来解析上下文，以及同时处理混乱的现实世界文本和多种语言的大型语言模型。研究重点是消除“不可恢复”的错误以及数字、日期和货币约定差异很大的多语言 TN。随着端到端 TTS 吸收更多前端功能，预计规范化仍将是一个可控、可审计的阶段，因为这里的错误非常明显且代价高昂。
现实世界的实施
在银行语音助手中将“1,250.50 美元”大声朗读为“一千二百五十美元五十美分”。
扩展缩写“St.”根据导航提示中的上下文，被称为“街道”或“圣人”。
在日历和提醒应用程序中正确表达日期、时间和电话号码。
将“5 公里”或“%”等符号和单位转换为屏幕阅读器和辅助工具的口语单词。
风险与防护栏
如果未征得同意，语音滥用和冒充风险就会增加。
由于口音、方言或嘈杂的环境，准确性可能会下降。
如果没有明确的标签，合成音频可能会被误认为是真实的语音。
实施路线图
获得语音捕获、克隆和重用的明确同意。
测试不同扬声器和背景条件下的质量。
定义人员必须审查或批准输出的时间。
标记合成音频并保留来源记录以供问责。
不断探索
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
常见问题
What is Text Normalization for Speech?
文本规范化是在语音系统说出原始书面文本之前将其重写为完全说出的单词的前端步骤。它可以将“$5”变成“五美元”，将“12/5/2024”变成口头日期，而出错是最令人震惊的 TTS 失败之一。
语音文本规范化主要做什么？
标准化在合成之前将数字、日期和缩写等非标准标记扩展为其语言化的口语形式。
一个好的系统应该如何规范语音的“5 美元”？
货币需要对符号进行重新排序和语言表达，因此“$5”被读作“五美元”，而不是字面上的从左到右。
为什么要规范化“Dr.”这样的标记还是“IV”棘手？
“博士。”可以是“医生”或“驾驶”，“IV”可以是“四”、“静脉注射”或字母——上下文决定正确的表达方式。
哪些传统技术被广泛用于构建可靠、可审计的规范化规则？
WFST 对手工编写的语法进行编码，这些语法快速且完全可检查，这使其成为生产 TN 的长期选择。
为什么生产系统经常避免纯粹的神经文本规范化？
无约束的神经 TN 可以产生自信但危险的错误输出（例如错误的数字），因此规则在混合系统中充当护栏。