浅谈语音识别中的ITN技术

什么是ITN？

逆文本标准化（ITN，Inverse Text Normalization）指的是将智能语音识别生成的“标准化”文本形式逆向转换为“非标准化”文本形式的过程。例如，当你说出“二十三点五四”，语音识别模型可能会输出“二十三点五四”这样的文字格式，但ITN会将其转换为“23.54”，以符合书面的表达习惯。

所谓标准化，是相对于语音识别模型训练的建模单元而言的。例如中文语音识别模型的建模单元为汉字，因此汉字的文本形式被视为“标准化”形式（如“二十三点五四”）；而相对地，其他形式的文本即为“非标准化”形式（如“23.54”）。

ITN在DolphinVoice中的应用

如果您使用DolphinVoice语音识别API，ITN功能默认就是开启的。您可以通过设置 enable_inverse_text_normalization 参数来手动设置开启或关闭ITN功能。DolphinVoice的ITN功能主要从以下几方面对语音识别结果进行处理：

数字和符号转换：ITN可以将数字和符号的口语形式转化为书面形式的数字和符号，如“百分之二十”转换为“20%”。
货币和单位转换：ITN可以将货币单位和计量单位的口语表达转换为标准化的格式，如“二十美元”转换为“$20”。
日期和时间格式化：日期和时间在口语中的表达方式通常多样化，ITN将这些表达标准化为一致的书面格式，如“二零二五年四月二十三”转换为“2025年4月23日”。

例如：

关闭ITN	开启ITN
百分之二十	20%
一千二百三十四元	1234元
四月三日	4月3日

ITN的实现方式

DolphinVoice使用有限状态转换器（Finite State Transducer，FST），通过定义一系列转换规则来实现ITN。

FST是一种扩展的有限状态机（Finite State Machine），它不仅能够处理状态转换，还可以在状态转换过程中输出相应的字符或符号。每个状态机包含一组状态和状态之间的转换，其中每个转换都有输入和输出。FST通过这些状态和转换规则，将输入映射为输出，其中每条规则包含输入表达式及其对应的输出表达式。

使用FST进行文本转换时，输入文本流通过有限状态转换器，而每个匹配的规则在转换器中执行，生成相应的输出。有些转换可能依赖于上下文，如货币符号或单位，例如将“二十美元”转换为“$20”需要考虑到“美元”的上下文。FST可以通过维护状态来记忆上下文，从而进行更复杂的转换。

这种方法的优势是，随着使用场景的扩展，添加更多复杂的语法和语义规则，不断优化规则集。还可以利用机器学习方法优化FST规则集，以适应更复杂的自然语言处理需求。随着技术的发展，ITN将越来越多地结合数据驱动的方法，进一步提升其准确性和适用性。

ITN的重要性

ITN的重要性体现在它显著提升了文本的可读性。口语在我们的日常交流中往往富有表达灵活性，但这种多样性在直接转换为书面文本时，可能会让人感到不够直观或不符合阅读习惯。尤其是在涉及日期、时间、货币和百分比等领域时，口语表达通常和书面形式有显著差异。例如，人们在口语中说的数字，如不经过转换，直接以文字形式展示，可能会对读者造成困扰。ITN通过将这些口语化的表达转换为习惯化的书面形式，帮助生成的文本更容易被人理解和使用。这一过程不仅使信息传达更精准，而且让读者在阅读文本时无须进行额外的思考，便能迅速理解其含义，从而显著提升信息的可读性和易用性。

常见问题

株式会社DolphinAI已通过SOC 2 Type 1认证和ISMS(ISO/IEC 27001)认证，可在安全环境中提供高精度语音识别服务，平均每日实际场景使用约7,000小时。在呼叫中心行业，DolphinVoice的服务已被Cloopen株式会社的SimpleConnect平台正式集成商用；与株式会社三通电信服务（株式会社三通テレコムサービス）合作开发推出AI通话纪要服务。

如需咨询语音识别系统的接入或相关问题，请随时联系我们。