語音文字規範化
文字規範化是在語音系統說出原始書面文字之前將其重寫為完全說出的單字的前端步驟。
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.
深入探討
書面文字充滿了非標準單字：數字、貨幣、日期、時間、縮寫、URL 和沒有人按字面發音的符號。文本規範化（有時稱為 TN 前端）將這些內容擴展為語言形式，以便下游模型知道實際要說什麼——“$5”變成“五美元”，“博士”。根據上下文變為“醫生”或“駕駛”，“IV”可能是“四”、“靜脈注射”或字母“I-V”。傳統系統使用手寫規則和加權有限狀態感測器 (WFST)，這是可靠且可審計的。較新的方法使用神經序列到序列模型，但純神經 TN 可能會產生危險的錯誤（說出錯誤的數字），因此生產系統通常使用以規則作為護欄的混合設計。上下文敏感性是最困難的部分：同一個標記根據其周圍環境的不同而有不同的表達方式。
技術洞察
經典規範化首先將每個標記標記和分類為符號類別（基數、小數、日期、貨幣、度量、縮寫），然後應用特定於類別的語言表達器，通常建構成快速且完全可檢查的加權有限狀態轉換器。使用本地上下文和詞性提示來消除不明確的標記。神經和混合系統將其框架為文字到文字的重寫，但限制輸出——例如，覆蓋語法或「標記然後擴展」——以防止出現不可接受的錯誤，例如將年份讀作電話號碼。
戰略影響
交通與覆蓋範圍
它透過轉錄、旁白和語音介面提高了可訪問性。
成本與預算
媒體團隊可以用更少的預算更快地交付精美的音訊。
速度與規模
面向客戶的系統可以處理更大規模的語音互動。
語音文字規範化的未來
規範化正趨向於神經和規則混合體，這種混合體可以保持有限狀態語法的安全性，同時使用學習模型來解析上下文，以及同時處理混亂的現實世界文本和多種語言的大型語言模型。研究重點是消除「不可恢復」的錯誤以及數字、日期和貨幣約定差異很大的多語言 TN。隨著端對端 TTS 吸收更多前端功能，預計規範化仍將是一個可控、可審計的階段，因為這裡的錯誤非常明顯且代價高昂。
現實世界的實施
在銀行語音助理中將「1,250.50 美元」大聲朗讀為「一千二百五十美元五十美分」。
擴充縮寫“St.”根據導航提示中的上下文，被稱為“街道”或“聖人”。
在日曆和提醒應用程式中正確表達日期、時間和電話號碼。
將“5 公里”或“%”等符號和單位轉換為螢幕閱讀器和輔助工具的口語單字。
風險與防護欄
如果未徵得同意，語音濫用和冒充風險就會增加。
由於口音、方言或嘈雜的環境，準確性可能會下降。
如果沒有明確的標籤，合成音訊可能會被誤認為是真實的語音。
實施路線圖
獲得語音捕獲、克隆和重用的明確同意。
測試不同揚聲器和背景條件下的品質。
定義人員必須審查或批准輸出的時間。
標記合成音訊並保留來源記錄以供問責。
不斷探索
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
常見問題
What is Text Normalization for Speech?
文字規範化是在語音系統說出原始書面文字之前將其重寫為完全說出的單字的前端步驟。它可以將“$5”變成“五美元”，將“12/5/2024”變成口頭日期，而出錯是最令人震驚的 TTS 失敗之一。
語音文字規範化主要做什麼？
標準化在合成之前將數字、日期和縮寫等非標準標記擴展為其語言化的口語形式。
一個好的系統應該如何規範語音的「5 美元」？
貨幣需要對符號進行重新排序和語言表達，因此“$5”被讀作“五美元”，而不是字面上的從左到右。
為什麼要規範化「Dr.」這樣的標記還是「IV」棘手？
“博士。”可以是“醫生”或“駕駛”，“IV”可以是“四”、“靜脈注射”或字母——上下文決定正確的表達方式。
哪些傳統技術被廣泛用於建構可靠、可審計的規範化規則？
WFST 對手工編寫的語法進行編碼，這些語法快速且完全可檢查，這使其成為生產 TN 的長期選擇。
為什麼生產系統經常避免純粹的神經文本規範化？
無約束的神經 TN 可以產生自信但危險的錯誤輸出（例如錯誤的數字），因此規則在混合系統中充當護欄。