【sparrowhawk】笔记

1.sparrowhawk

谷歌内部基于WFST的TTS-TN系统Kestrel的开源版本 sparrowhawk，可以支持数字，日期，时间，货币，邮箱等多种文本类型的书面语文本转口语文本

安装参考

2.sparrowhawk基本工作过程

主要包括两个模块

1. The tokenizer/classifier
2. The verbalizer

2.1.tokenizer / classify模块

2.1.1.输入的句子首先根据空格或自定义字符分割成一个个的token，再根据classifier进行分类为下列几类(分类规则由thrax语法文件确定 grammars/en_toy/classify/xxx.grm）

1. 普通单词token(不需要进行处理的):
   1. 普通单词不进行任何处理
   2. eg. “apple”、“yes” → “apple” 、“yes”
2. 标点符号token(Punctuation):
   1. sparrowhawk 源码中默认转换成 “sil”(silence,即不发音) 源码 line 157
   2. eg. “,” 、"?" → sil 、sil
3. 需要进行TN处理的token(semiotic classes) sparrowhawk源码中类型定义
   1. 自定义的类型，处理成对应的proto格式(见2.1.2)
      1. Cardinal 整数 1,2,3
      2. Ordinal 序数 1st,2nd
      3. Fraction 分数 1/3,2/5
      4. Time 时间 12:30
      5. Decimal 十进制数 10.21 ,-11.11 ,12k
      6. Measure 度量单位 10cm,10kg,100%
      7. Date 日期 3 Jan. 1980
      8. Money 货币 $10
      9. Telephone 电话号码
      10. Electronic URL地址
      11. Connector 连接符 1:1,4x3
      12. Abbreviation 缩写词 U.S
4. 未知或者处理失败的token
   1. 在verbalize中的verbatim.grm二次处理

2.1.2.token经过classify分类之后，处理成不同的proto格式 ，根据编写的语法而定 classify_example (其中的 .grm文件为thrax语法规则，.far文件为编译后的FST Arachive文件)

1. eg. 货币格式 $200 ----→ tokens { money { currency: “usd” amount { integer_part: “200”} } }
2. eg. 度量格式 66.66% ----→ tokens { measure { decimal { integer_part: “66” fractional_part: “66”} units: “percent”} }
3. eg. 数字格式 12 ----→ tokens { cardinal { integer: “12” } }