文本規(guī)范化（ TN ）將文本從書面形式轉(zhuǎn)換為口頭形式，是文本到語(yǔ)音（ TTS ）之前的一個(gè)重要預(yù)處理步驟。 TN 確保 TTS 可以處理所有輸入文本，而不會(huì)跳過(guò)未知符號(hào)。例如，“ 123 美元”轉(zhuǎn)換為“一百二十三美元”

反向文本規(guī)范化（ ITN ）是自動(dòng)語(yǔ)音識(shí)別（ ASR ）后處理管道的一部分。 ITN 將 ASR 模型輸出轉(zhuǎn)換為書面形式，以提高文本可讀性。例如， ITN 模塊將 ASR 模型轉(zhuǎn)錄的“ 123 美元”替換為“ 123 美元?！?/p>

ITN 不僅提高了可讀性，還提高了下游任務(wù)（如神經(jīng)機(jī)器翻譯或命名實(shí)體識(shí)別）的性能，因?yàn)檫@些任務(wù)在訓(xùn)練期間使用書面文本。

圖 1.會(huì)話 AI 管道中的 TN 和 ITN

TN 和 ITN 任務(wù)面臨幾個(gè)挑戰(zhàn)：

標(biāo)記的數(shù)據(jù)稀缺且難以收集。

由于 TN 和 ITN 錯(cuò)誤會(huì)級(jí)聯(lián)到后續(xù)模型，因此對(duì)不可恢復(fù)錯(cuò)誤的容忍度較低。改變輸入語(yǔ)義的 TN 和 ITN 錯(cuò)誤稱為不可恢復(fù)。

TN 和 ITN 系統(tǒng)支持多種 semiotic classes ，即口語(yǔ)形式不同于書面形式的單詞或標(biāo)記，需要規(guī)范化。例如日期、小數(shù)、基數(shù)、度量等。

許多最先進(jìn)的 TN systems in production 仍然使用 加權(quán)有限狀態(tài)傳感器 （ WFST ）基于規(guī)則。 WFST 是 finite-state machines 的一種形式，用于繪制正則語(yǔ)言（或 regular expressions ）之間的關(guān)系。對(duì)于這篇文章，它們可以由兩個(gè)主要屬性定義：

用于文本替換的已接受輸入和輸出表達(dá)式之間的映射

直接圖遍歷的路徑加權(quán)

如果存在歧義，則選擇權(quán)重總和最小的路徑。在圖 2 中，“二十三”被轉(zhuǎn)換為“ 23 ”而不是“ 203 ”

圖 2.輸入“二十三”的 WFST 格子

目前， NVIDIA NeMo 為 TN 和 ITN 系統(tǒng)提供以下選項(xiàng)：

Context-independent WFST-based TN and ITN grammars

Context-aware WFST-based grammars + neural LM for TN

Audio-based TN for speech datasets creation

Neural TN and ITN

基于 WFST 的語(yǔ)法（系統(tǒng) 1 、 2 和 3 ）

NeMo 文本處理包是一個(gè) Python 框架，它依賴于 Python 包 Pynini 來(lái)編寫和編譯規(guī)范化語(yǔ)法。有關(guān)最新支持的語(yǔ)言的更多信息，請(qǐng)參閱 Language Support Matrix 。有關(guān)如何擴(kuò)展或添加語(yǔ)言語(yǔ)法的更多信息，請(qǐng)參閱 語(yǔ)法定制 。

Pynini 是一個(gè)構(gòu)建在 OpenFst 之上的工具包，它支持將語(yǔ)法導(dǎo)出到 OpenFST Archive File （FAR） 中（圖 3 ）。 FAR 文件可以在基于 Sparrowhawk 的 C ++生產(chǎn)框架中使用。

圖 3. NeMo 反向文本規(guī)范化開(kāi)發(fā)和部署示意圖

我們最初版本的 TN / ITN 系統(tǒng)# 1 沒(méi)有考慮上下文，因?yàn)檫@會(huì)使規(guī)則更加復(fù)雜，這需要廣泛的語(yǔ)言知識(shí)，并降低延遲。如果輸入不明確，例如，與“ 1 / 4 個(gè)杯子”相比，“火車在 1 / 4 上出發(fā)”中的“ 1 / 4 ”，則系統(tǒng)# 1 會(huì)在不考慮上下文的情況下確定地選擇歸一化。

該系統(tǒng)擴(kuò)展了系統(tǒng)# 1 ，并在規(guī)范化期間合并了上下文。在上下文不明確的情況下，系統(tǒng)輸出多個(gè)規(guī)范化選項(xiàng)，使用預(yù)處理語(yǔ)言模型使用 Masked Language Model Scoring 重新搜索（圖 4 ）。

圖 4.WFST + LM 淺熔管線

WFST 生成所有可能的標(biāo)準(zhǔn)化表格，并為每個(gè)選項(xiàng)分配權(quán)重。

修剪權(quán)重高于閾值“ 401.2 ”的標(biāo)準(zhǔn)化選項(xiàng)。在本例中，我們刪除了“ 1 / 4 ”。它的權(quán)重更高，因?yàn)樗鼪](méi)有完全歸一化。

LM 重新排序在其余選項(xiàng)中選擇了最佳選項(xiàng)。

這種方法類似于 ASR 的淺層融合，并結(jié)合了基于規(guī)則和神經(jīng)系統(tǒng)的優(yōu)點(diǎn)。 WFST 仍然限制了不可恢復(fù)的錯(cuò)誤，而神經(jīng)語(yǔ)言模型在不需要大量規(guī)則或難以獲取數(shù)據(jù)的情況下解決了上下文模糊性。有關(guān)詳細(xì)信息，請(qǐng)參閱 Text normalization 。

表 1 比較了 WFST + LM 方法在句子準(zhǔn)確性方面與之前的系統(tǒng)# 1 （ DetWFST ）和三個(gè)數(shù)據(jù)集上的純神經(jīng)系統(tǒng)（ Duplex ）。在本文后面，我們將提供有關(guān)系統(tǒng)# 4 的更多詳細(xì)信息。

總的來(lái)說(shuō)， WFST + LM 模型是最有效的，特別是在 EngConf 上，這是一個(gè)具有模糊示例的自收集數(shù)據(jù)集。

圖 5 顯示了這三種方法對(duì)錯(cuò)誤的敏感性。雖然神經(jīng)方法受不可恢復(fù)錯(cuò)誤（如幻覺(jué)或遺漏）的影響最大，但 WFST + LM 受這些錯(cuò)誤和類歧義的影響最小。

圖 5.上下文無(wú)關(guān)的 WFST 、 Duplex 和 WFST + LM 系統(tǒng)的錯(cuò)誤模式

基于音頻的 TN （系統(tǒng) 3 ）

在創(chuàng)建新的語(yǔ)音數(shù)據(jù)集時(shí)，文本規(guī)范化也很有用。例如，“六二七”和“六二十七”都是“ 627 ”的有效規(guī)范化選項(xiàng)。但是，您必須選擇最能反映相應(yīng)音頻中實(shí)際內(nèi)容的選項(xiàng)?；谝纛l的文本規(guī)范化提供了此類功能（圖 6 ）。

圖 6.基于音頻的標(biāo)準(zhǔn)化分辨率示例

神經(jīng) TN 和 ITN 模型（系統(tǒng) 4 ）

與基于規(guī)則的系統(tǒng)相比，神經(jīng)系統(tǒng)的一個(gè)顯著優(yōu)勢(shì)是，如果存在新語(yǔ)言的訓(xùn)練數(shù)據(jù)，那么它們很容易擴(kuò)展?；谝?guī)則的系統(tǒng)需要花費(fèi)大量精力來(lái)創(chuàng)建，并且由于組合爆發(fā)，可能會(huì)在某些輸入上工作緩慢。

作為 WFST 解決方案的替代方案， NeMo 為 TN / ITN 提供了 seq2seq Duplex 模型，為 ITN 提供了基于標(biāo)記器的神經(jīng)模型。

雙重 TN 和 ITN

Duplex TN and ITN 是一個(gè)基于神經(jīng)的系統(tǒng)，可以同時(shí)進(jìn)行 TN 和 ITN 。在較高的層次上，該系統(tǒng)由兩個(gè)組件組成：

DuplexTaggerModel： 基于 transformer 的標(biāo)記器，用于識(shí)別輸入中的符號(hào)跨度（例如，關(guān)于時(shí)間、日期或貨幣金額的跨度）。

DuplexDecoderModel ：基于變壓器的 seq2seq 模型，用于將符號(hào)跨度解碼為適當(dāng)?shù)男问剑ɡ纾?TN 的口語(yǔ)形式和 ITN 的書面形式）。

術(shù)語(yǔ)“雙工”指的是這樣一個(gè)事實(shí)，即該系統(tǒng)可以訓(xùn)練為同時(shí)執(zhí)行 TN 和 ITN 。但是，您也可以專門針對(duì)其中一項(xiàng)任務(wù)對(duì)系統(tǒng)進(jìn)行培訓(xùn)。

圖特莫斯塔格

雙工模型是一種順序到順序模型。不幸的是，這種神經(jīng)模型容易產(chǎn)生幻覺(jué)，從而導(dǎo)致無(wú)法恢復(fù)的錯(cuò)誤。

Thutmose Tagger 模型將 ITN 視為一項(xiàng)標(biāo)記任務(wù)，并緩解了幻覺(jué)問(wèn)題（圖 7 和 8 ）。 Thutmose 是一個(gè)單通道令牌分類器模型，它為每個(gè)輸入令牌分配一個(gè)替換片段，或?qū)⑵錁?biāo)記為刪除或復(fù)制而不做更改。

NeMo 提供了一種基于 ITN 示例粒度對(duì)齊的數(shù)據(jù)集準(zhǔn)備方法。該模型在谷歌文本規(guī)范化數(shù)據(jù)集上進(jìn)行訓(xùn)練，并在英語(yǔ)和俄語(yǔ)測(cè)試集上實(shí)現(xiàn)了最先進(jìn)的句子準(zhǔn)確性。

表 2 和表 3 總結(jié)了兩個(gè)指標(biāo)的評(píng)估結(jié)果：

Sentence accuracy ：將每個(gè)預(yù)測(cè)與參考的多個(gè)可能變體相匹配的自動(dòng)度量。所有錯(cuò)誤分為兩組：數(shù)字錯(cuò)誤和其他錯(cuò)誤。當(dāng)至少有一個(gè)數(shù)字與最接近的參考變量不同時(shí)，會(huì)發(fā)生數(shù)字錯(cuò)誤。其他錯(cuò)誤意味著預(yù)測(cè)中存在非數(shù)字錯(cuò)誤，例如標(biāo)點(diǎn)符號(hào)或字母不匹配。

Word error rate （ WER ）： ASR 中常用的自動(dòng)度量。

d- BERT 代表蒸餾 BERT 。
默認(rèn)值是默認(rèn)的 Google 文本規(guī)范化測(cè)試集。
Hard 是一個(gè)測(cè)試集，每個(gè)符號(hào)類至少有 1000 個(gè)樣本。

標(biāo)簽和輸入詞之間的一對(duì)一對(duì)應(yīng)提高了模型預(yù)測(cè)的可解釋性，簡(jiǎn)化了調(diào)試，并支持后期處理更正。該模型比序列到序列模型更簡(jiǎn)單，更容易在生產(chǎn)設(shè)置中進(jìn)行優(yōu)化。

圖 7.ITN 作為標(biāo)記：推理示例

輸入單詞的序列由基于 BERT 的標(biāo)記分類器處理，給出輸出標(biāo)記序列。簡(jiǎn)單的確定性后處理提供最終輸出。

圖 8.錯(cuò)誤示例：（左） Thutmose tagger ，（右） Duplex 模型

結(jié)論

文本規(guī)范化和反向文本規(guī)范化對(duì)于會(huì)話系統(tǒng)至關(guān)重要，并極大地影響用戶體驗(yàn)。本文結(jié)合 WFST 和預(yù)處理語(yǔ)言模型的優(yōu)點(diǎn)，介紹了一種處理 TN 任務(wù)的新方法，以及一種處理 ITN 任務(wù)的基于神經(jīng)標(biāo)記的新方法。

關(guān)于作者

Yang Zhang 是英偉達(dá)人工智能應(yīng)用集團(tuán)的一名深度學(xué)習(xí)軟件工程師。她目前的重點(diǎn)是自然語(yǔ)言處理、對(duì)話管理和文本（去規(guī)范化）。在過(guò)去，她一直致力于大型 ASR 模型和語(yǔ)言模型預(yù)培訓(xùn)的可擴(kuò)展培訓(xùn)。她在卡內(nèi)基梅隆大學(xué)獲得機(jī)器學(xué)習(xí)碩士學(xué)位，在德國(guó)卡爾斯魯厄理工學(xué)院獲得計(jì)算機(jī)科學(xué)學(xué)士學(xué)位。

Evelina Bakhturina 是 Nvidia 的一個(gè)深學(xué)習(xí)應(yīng)用科學(xué)家，專注于自然語(yǔ)言處理任務(wù)和英偉達(dá) NeMo 框架。她畢業(yè)于紐約大學(xué)，獲得數(shù)據(jù)科學(xué)碩士學(xué)位

Alexandra Antonova 是 NVIDIA Conversational AI 團(tuán)隊(duì)（ NeMo ）的高級(jí)研究科學(xué)家，致力于 ASR 模型。她在莫斯科國(guó)立大學(xué)學(xué)習(xí)理論和應(yīng)用語(yǔ)言學(xué)，在莫斯科物理技術(shù)學(xué)院深造。在加入 NVIDIA 之前，她曾在幾家俄羅斯科技公司工作。在空閑時(shí)間，她喜歡讀書。

審核編輯：郭婷