Share via

Megjelenítési szövegformátum betanítási adatainak előkészítése egyéni beszédhez

  • Cikk

Az Azure AI Speech szolgáltatás két összetevőként tekinthető meg: a beszédfelismerés és a szövegformázás megjelenítése. A beszédfelismerés a hangokat lexikális szöveggé alakítja át, majd a lexikális szöveg szöveggé alakul át.

Diagram of the flow of speech recognition to lexical to display text.

Ezek a területi beállítások támogatják a megjelenítési szövegformátum funkciót: da-DK, de-DE, en-AU, en-CA, en-GB, en-HK, en-IE, en-IN, en-NG, en-NZ, en-PH, en-SG, en-US, es-ES, es-MX, fi-FI, fr-CA, fr-FR, hi-IN, it-IT, ja-JP, ko-KR, nb-NO, nl-NL, pl-PL, pt-BR, pt-PT, sv-Standard kiadás, tr-TR, zh-CN, zh-HK.

Alapértelmezett megjelenítési szövegformázás

A megjelenítendő szövegfolyamatot a megjelenítési formátumszerkesztők sorozata alkotja. Minden szerkesztő megfelel egy megjelenítési formátummal kapcsolatos feladatnak, például az ITN-nek, a nagybetűsítésnek és a trágárság szűrésének.

  • Inverz szöveg normalizálása (ITN) – A beszélt űrlapszámok szövegének átalakítása megjelenítési formává. Például: "I spend twenty dollars" -> "I spend $20"
  • Nagybetűsítés – Nagybetűs entitásnevekre, betűszavakra vagy egy mondat első betűjére. Például: "she is from microsoft" -> "She is from Microsoft"
  • Trágárság szűrése – A trágár szavak maszkolása vagy eltávolítása egy mondatból. Tegyük fel például, hogy az "abcd" egy trágár szó, akkor a szót trágár maszkolással maszkolja: "I never say abcd" -> "I never say ****"

A Microsoft az általános célú megjelenítési feldolgozási feladatokhoz fenntartja a megjelenítési szöveg folyamatának alapkészítőit. A Speech szolgáltatás használatakor alapértelmezés szerint lekérheti az alapkészítőket. A beépített formázásról további információt a Szövegformátum megjelenítése című témakörben talál.

Egyéni megjelenítési szövegformázás

A Microsoft által karbantartott alapszerkesztők mellett egyéni megjelenítési szövegformázási szabályokat is meghatározhat, amelyekkel testre szabhatja a megjelenítési szövegformázási folyamatot az adott forgatókönyvekhez. Az egyéni megjelenítési szövegformázási szabályok egy egyéni megjelenítési szövegformázási fájlban vannak definiálva.

  • Egyéni ITN – Az alap ITN funkcióinak kiterjesztése egy szabályalapú egyéni ITN-modell alkalmazásával az ügyféltől.
  • Egyéni átírás – Egy kifejezés átírása egy másikra az ügyféltől származó szabályalapú modell alapján.
  • Egyéni trágárságszűrés – Trágárságkezelés végrehajtása az ügyfél profanitás szólistája alapján.

A megjelenített szövegformázási folyamat sorrendjét ebben a diagramban szemléltetjük.

Diagram of the display format builders.

Egyéni ITN

A mintaalapú egyéni ITN filozófiája, hogy megadhatja a megtekinteni kívánt végső kimenetet. A Speech szolgáltatás kitalálja, hogyan lehet kimondani a szavakat, és megfelelteti az előrejelzett beszélt kifejezéseket a megadott kimeneti formátumra.

Az egyéni ITN-modell itn-szabályok készletéből épül fel. Az ITN-szabály egy reguláris kifejezés, például mintasztring, amely a következőket írja le:

  • A bemeneti sztring egyező mintája
  • A kimeneti sztring kívánt formátuma

Először a Microsoft által megadott alapértelmezett ITN-szabályokat alkalmazza a rendszer. A rendszer az alapértelmezett ITN-modell kimenetét használja az egyéni ITN-modell bemeneteként. Az egyéni ITN-modellben található egyező algoritmus kis- és nagybetűket nem érzékelyítő.

A minta négy kategóriája egyezik az egyéni ITN-szabályokkal.

Minták literálokkal

Előfordulhat például, hogy egy fejlesztő rendelkezik egy alfanumerikus formával JO:500elnevezett elemmel (például egy termékkel). A Speech szolgáltatás rájön, hogy a felhasználók kimondhatják a betűrészt J O, vagy azt is mondhatják joe, hogy a szám rész mint five hundred vagy five zero zerofive oh oh vagy five double zero, majd létrehoznak egy modellt, amely megfelelteti JO:500 ezeket a lehetőségeket (beleértve a kettőspont beszúrását).

A minták párhuzamosan is alkalmazhatók, ha a megjelenített szövegformázási fájlban soronként egy szabályt ad meg. Íme egy példa egy megjelenítendő szövegformázási fájlra, amely két szabályt határoz meg:

JO:500
MM:760

Minták helyettesítő karakterekkel

Alfanumerikus elemek egész sorozatára hivatkozhat (például JO:500, JO:600), anélkül, JO:700hogy minden lehetőséget többféleképpen kellene leírnia.

A karaktertartományok megadhatók a jelöléssel [...], így JO:[5-7]00 három minta írásával egyenértékű.

A helyettesítő karaktereket is használhatja. Ezek egyike, \dami bármilyen számjegyet jelent. Így JO:\d00 fedi le JO:000, JO:100és mások fel JO:900.

A reguláris kifejezéshez hasonlóan több előre definiált karakterosztály is létezik egy ITN-szabályhoz:

  • \d - egy számjegyet '0'-ról '9'-re egyeztetni, és közvetlenül ki kell adni
  • \l - egyezik egy betűvel (a kis- és nagybetűk nem érzékenyek), és kisbetűsre módosítja
  • \u - egyezik egy betűvel (a kis- és nagybetűk nem érzékenek), és nagybetűsre fordítja
  • \a - egy betű (kis- és nagybetűk megkülönböztetése) egyeztetése és közvetlen kimenete

Léteznek olyan feloldókifejezések is, amelyek máskülönben speciális szintaktikai jelentéssel rendelkező karakterekre hivatkoznak:

  • \\ - a karakter egyeztetése és kimenete \
  • \( és \)
  • \{ és \}
  • \|
  • \+és és \?\*

Minták regex stílusú jelöléssel

A mintaírás rugalmasságának növelése érdekében támogatottak a kifejezések alternatív megoldásokkal és Kleene-lezárással történő rendszeres kifejezésszerű felépítései.

  • A kifejezés zárójelekkel van jelölve, például (...) : A zárójelek nem számítanak szó szerint a egyeztetendő karaktereknek.
  • A kifejezésen belül a következő karakterrel | jelölhet alternatívákat: például (AB|CDE).
  • Egy kifejezés utótaggal ? jelezheti, hogy nem kötelező, + jelezheti, hogy megismételhető, vagy * mindkettőt jelezheti. Csak utótagkifejezéseket használhat ezekkel a karakterekkel, egyéni karaktereket nem (ami korlátozóbb, mint a legtöbb reguláris kifejezés-implementáció).

Egy olyan minta, amely (AB|CD)-(\d)+ olyan szerkezeteket jelöl, mint az "AB-9" vagy a "CD-22", és kiterjeszthető az olyan kimondott szavakra, mint A B nine és C D twenty two (vagy C D two two).

Mintázatok explicit helyettesítéssel

Az általános filozófia a "megmutatod nekünk, hogyan kell kinéznie a kimenetnek, és a Speech service kitalálja, hogyan mondják az emberek." Ez azonban nem mindig működik, mert egyes helyzetekben előfordulhat, hogy a beszédszolgáltatás háttérszabályai nem feltétlenül kiszámíthatatlan módon mondják el a dolgokat, vagy a Speech service háttérszabályai nem feltétlenül működnek. Lehetnek például köznyelvi kiejtések a monogramokhoz és a betűszókhoz – ZPI ez lehet kimondva.zippy Ebben az esetben nem valószínű, hogy egy ilyen ZPI-\d\d minta működik, ha egy felhasználó azt mondja zippy twenty two. Az ilyen helyzetekben megjelenik egy megjelenítendő szövegformátum jelölése {spoken>written}. Ez a konkrét eset kiírható {zippy>ZPI}-\d\d.

Ez hasznos lehet olyan dolgok kezeléséhez, amelyeket a Beszédleképezési szabályok még nem támogatnak. Írhat például egy mintát\d0-\d0, amely arra számít, hogy a rendszer megérti, hogy a "-" tartományt jelenthet, és ki kell ejtenito, mint a .twenty to thirty De talán nem. Így explicitebb mintát írhat, és \d0{to>-}\d0 elmondhatja, hogyan várhatja el a kötőjel olvasását.

A következő írásos űrlapot is kihagyhatja > , hogy olyan szavakat jelöljön, amelyeket fel kell ismerni, de figyelmen kívül kell hagyni. Tehát egy olyan minta, mint {write} (\u.)+ a felismerés write A B C és a kimenet A.B.C- elveti az alkatrészt write .

Egyéni ITN-példák

Számjegyek csoportosítása

Ha két csoportba szeretné csoportosítani a 6 számjegyet, és egy "-" karaktert szeretne felvenni közéjük:

ITN-szabály: \d\d\d-\d\d\d Minta: "cadence one oh five one fifteen" -> "cadence 105-115"

Filmnév formázása

Space: 1999 egy híres film, hogy támogassa:

ITN-szabály: Space: 1999 Minta: "watching space nineteen ninety nine" -> "watching Space: 1999"

Minta csere

ITN-szabály: \d[05]{ to >-}\d[05] Minta: fifteen to twenty -> 15-20

Egyéni átírás

Általánosságban elmondható, hogy egy bemeneti sztring esetében az átírási modell megpróbálja lecserélni a original phrase bemeneti sztringet az egyes átírási szabályok megfelelőire new phrase . Az átírási modell átírási szabályok gyűjteménye.

  • Az átírási szabály két kifejezésből áll: az eredeti és egy új kifejezésből.
  • A két kifejezést tabulátor karakter választja el egymástól. Például: original phrase{TAB}new phrase.
  • Az eredeti kifejezés egyezik (a kis- és nagybetűk nem érzékenyek), és az új (kis- és nagybetűket megkülönböztető) kifejezésre cseréli. Az eredeti kifejezés nyelvhelyességi írásjeleit a rendszer figyelmen kívül hagyja az egyezés során.
  • Ha bármilyen újraírási szabály ütközik, a rendszer azt használja egyezésként, amelyik hosszabb original phrase .

Az átírási modell alapértelmezés szerint támogatja a nyelvtani nagybetűsítést, amely a mondat első betűjének nagybetűit nagybetűssé teszi a hasonló területi beállításokhoz en-US . Ki van kapcsolva, ha a szövegformázás nagybetűsítése ki van kapcsolva egy beszédfelismerési kérelemben.

Nyelvtani írásjelek

A nyelvtani írásjelek egy mondat vagy kifejezés elválasztására szolgálnak, és tisztázzák a mondatok vagy kifejezések olvasásának módját.

. , ? 、 ! : ; ？ 。 ， ¿ ¡ । ؟ ،

A nyelvtani írásjelek szabályai a következők:

  • A támogatott írásjelek nyelvtani írásjelek, ha szóközzel vagy egy mondat vagy kifejezés elején vagy végén vannak követve. A be (x. yés között szóközzely.) például . nyelvtani írásjel.
  • A szó közepén (kivéve zh-cn és ja-jp) lévő írásjelek nem nyelvtani írásjelek. Ebben az esetben ezek hétköznapi karakterek. A beadás x.y például . nem nyelvtani írásjel.
  • ja-jp Az zh-cn írásjelek írásjele mindig nyelvtani írásjelként használatos, még akkor is, ha karakterek között vannak. A beadás 中.文 például . nyelvtani írásjel.

Példák egyéni átírására

Helyesírás-javítás

A név COVID-19 felismerhető a következőként covered 19: . Ha meg szeretné győződni arról, hogy COVID-19 is a virus ez nem covered 19 is a virusjelenik meg, használja az alábbi újraírási szabályt:

#rewrite
covered 19{TAB}COVID-19

Név nagybetűsítése

Gottfried Wilhelm Leibniz német matematikus volt. Ha meg szeretné győződni arról, hogy ez Gottfried Wilhelm Leibniz nagybetűs, használja az alábbi újraírási szabályt:

#rewrite
gottfried leibniz{TAB}Gottfried Leibniz

Egyéni trágárság

Az egyéni trágársági modell ugyanúgy működik, mint az alapszintű trágársági modell, kivéve, ha egyéni trágár kifejezéslistát használ. Emellett az egyéni trágársági modell megpróbálja egyezni a megjelenítendő szövegformázási fájlban definiált összes trágár kifejezésével (kis- és nagybetűk érzéketlen).

  • A trágár kifejezések egyeznek (kis- és nagybetűk érzéketlenek).
  • Ha bármilyen trágár kifejezés ütközik, a rendszer a leghosszabb kifejezést használja egyezésként.
  • Ezek az írásjelek nem támogatottak egy trágár kifejezésben: . , ? 、 ! : ; ？ 。 ， ¿ ¡ । ؟ ، .
  • Az zh-CN angol trágár kifejezések és ja-JP területi beállítások nem támogatottak. Az angol trágár szavak támogatottak. A trágár kifejezések zh-CN és ja-JP a területi beállítások támogatottak.

A beszédfelismerési kérés beállításaitól függően a rendszer eltávolítja vagy maszkolja a trágárságot.

Miután hozzáadta a trágárságot a megjelenítési szövegformátum szabályfájljában, és az egyéni modell betanítása megtörtént, a rendszer a kötegelt beszéd és a valós idejű szöveghez való beszéd alapértelmezett kimenetéhez használja.

Egyéni trágár példák

Íme néhány példa arra, hogyan maszkolhatja a trágár szavakat és kifejezéseket a megjelenítendő szövegformázási fájlban.

Egyetlen trágár szó maszkolása – példa

Tegyük fel xyz , hogy egy trágár szó. A hozzáadáshoz:

#profanity
xyz

Íme egy tesztminta: Turned on profanity masking to mask xyz -> Turned on profanity masking to mask ***

Maszk trágár kifejezés

Tegyük fel abc lmn , hogy egy trágár kifejezés. A hozzáadáshoz:

#profanity
abc lmn

Íme egy tesztminta: Turned on profanity masking to mask abc lmn -> Turned on profanity masking to mask *** ***

Következő lépések