语音合成论文优选:A Unified Transformer-based Framework for Duplex Text Normalization

声明：语音合成论文优选系列主要分享论文，分享论文不做直接翻译，所写的内容主要是我对论文内容的概括和个人看法。文章同列统计可访问。http://yqli.tech/page/tts_paper.html

如有转载，请标注来源。 欢迎关注微信公众号：低调奋进

---

A Unified Transformer-based Framework for Duplex Text Normalization

本文为NVIDIA在2021.08.23更新的文章，主要的工作是使用一个模型对Text Normalization和 inverse text normalization两个任务进行建模，从而简化对话系统的管理​，具体的文章链接https://arxiv.org/pdf/2108.09889.pdf

---

​1 研究背景

一套完备的对话系统包括DSP、ASR、LU、LG、TTS等等模块，其中TN和iTN任务分别应用在TTS和ASR中。TN工作主要把手写格式转成口语格式，iTN则是逆过程，具体如图1所示​。现有系统都是分别对TN和ITN进行建模，这增加了系统复杂度和维护成本，因此本文研究使用一个模型对该两个任务进行建模​。

（TN建模一直没有做过实验，一方面缺少语料；另一方面，使用正则也基本上处理大量的case。当然要是具备大量的语料和公司允许，可以玩一下）

2 详细设计

前端语言类的模型基本上不太复杂，本文的系统如图2所示，包括两个​部分：Tagger和​Normalizer。其中Tagger主要对输入的文本进行分类，判断那部分需要进行TN/ITN处理，其中分类如table 1所示​。为了使TN/ITN共用一个模型，因此添加task indicator的​前缀。另外Tagger结构为Transfomer。Normalizer则是根据Tagger进行处理，其结构为seq2seq​。另外本文也提出了图3​的数据增广的策略。

3 实验

首先从实验结果table 3可以得知三点​：第一，数据增广可以提高准确率​；第二，多重任务的模型稍微优于分开的单任务模型​；第三，本文的方案优于现有的baseline ​方案。同时，在内部的数据集上也得出相同的结果，如table 4​。

4 总结

本文使用一个模型对TN和iTN双重任务进行建模，不仅简化了对话系统的管理，同时也提高了TN/iTN的句准。