概述
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。
语音文本规范化位于音频 AI 工作流程中，可转换语音、音乐和声音以进行通信、可访问性和媒体制作。
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。
掌握语音文本规范化
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。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。语音文本规范化位于音频 AI 工作流程中，可转换语音、音乐和声音以进行通信、可访问性和媒体制作。为了建立深入的理解，请将语音文本规范化视为一种操作模型，而不是一个单一功能：定义所需的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，使用语音文本规范化的强大团队将质量、延迟和同意视为部署策略中同等重要的部分。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
它通过转录、旁白和语音界面提高了可访问性。与此同时，如果未征得同意，语音滥用和冒充风险就会增加。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
它通过转录、旁白和语音界面提高了可访问性。
它通过转录、旁白和语音界面提高了可访问性。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
媒体团队可以用更少的预算更快地交付精美的音频。
媒体团队可以用更少的预算更快地交付精美的音频。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
面向客户的系统可以处理更大规模的语音交互。
面向客户的系统可以处理更大规模的语音交互。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
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。
实施模式
语音文本规范化实践
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”。
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分”。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
语音文本规范化实践
扩展缩写“St.”根据导航提示中的上下文，被称为“街道”或“圣人”。
扩展缩写“St.”根据导航提示中的上下文被称为“街道”或“圣人”。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
语音文本规范化实践
在日历和提醒应用程序中正确表达日期、时间和电话号码。
在日历和提醒应用程序中正确表达日期、时间和电话号码 当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
语音文本规范化实践
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。
将符号和单位（如“5公里”或“%”）转换为屏幕阅读器和辅助工具的口语单词当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪随着时间的推移提高的生产力和错误成本时，通常会得到更好的结果。
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。
获得语音捕获、克隆和重用的明确同意。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
测试不同扬声器和背景条件下的质量。
测试不同扬声器和背景条件下的质量。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
定义人员必须审查或批准输出的时间。
定义人员必须审查或批准输出的时间。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
标记合成音频并保留来源记录以供问责。
标记合成音频并保留来源记录以供问责。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。