逆文本规范化（ITN）对于将口语形式转换为书面形式至关重要，尤其在自动语音识别（ASR）的背景下。虽然 ASR 的大多数下游任务依赖于书面形式，但 ASR 系统通常输出口语形式，这突出了在产品级 ASR 应用中稳健的 ITN 的必要性。虽然神经 ITN 方法已经显示出潜力，但它们在处理 ASR 生成的口语文本时仍然面临性能挑战。这些挑战源于训练数据和 ASR 生成文本之间的域外问题。为了解决这个问题，我们提出了一种直接训练方法，它利用 ASR 生成的书面或口语文本，并通过 ASR 语言环境仿真和半监督学习方法增强了大型语言模型，增加了数据对。此外，我们引入了一种后对齐方法来处理不可预测的错误，从而提高了 ITN 的可靠性。我们的实验表明，在各种 ASR 场景中，我们提出的方法显著改善了 ITN 的性能。

Sep, 2023

本文介绍一种数据增强技术，可有效地从领域外的文本数据生成丰富的口头书面数字对，可用于逆文本规范化模型的训练，通过在所有数字表面上的总精度提高了 14.44％，表明了在数据量和成本等方面的优势。

Jul, 2022

本研究提出了一种语言不可知的数据驱动反文本归一化框架，通过数据增强和神经机器翻译数据，填补了非英语标记语料库与自动语音识别模型转换到书写形式文本的方法的不足。实证评估表明，该模型有效地处理了低资源语言，同时保持了高资源语言的性能。

Jan, 2023

本文描述了一种轻量级、准确的现场 Inverse Text Normalization（ITN）系统，通过使用流式 Transformer 标记器和 ITN 分类特定的 WFST，可在标记的文本上可靠地执行 ITN 转换，比基线模型小得多且具有自定义能力。

Nov, 2022

本文提出一种统一的自动语音转换为书写形式文本的方法，使用了一个两阶段的过程实现了逆文本规范化、标点符号、大写和不流畅的统一标注，然后使用权重有限状态转换器语法来格式化标注的 ITN 实体跨度。该方法在自然语言处理中的成果优于专门的模型。

Oct, 2022

使用少于 3% 英文数据的量，我们提出了一种新颖的体系结构来促进多种语言的 TTS 文本归一化系统，将 TN 视为一个序列分类问题，并提出了一种细粒度的分词机制，该机制使系统能够从训练数据本身学习大部分类及其归一化，同时结合最少的预先编码的语言知识来处理其他类别，我们发表了 TN 在西班牙语和泰米尔语 TTS 中的首个结果，并证明了该方法的性能与英文上的以前工作相当。

Apr, 2021

本论文通过使用基于 mBART 的句子级序列到序列模型，将自然语言处理中的标准化问题归结为机器翻译问题，利用多语言预训练技术进行 fine-tuned，优于操作原始社交媒体文本的模型，在下游任务中实现性能提升。

Oct, 2021

本文提出了一种新的两阶段文本标准化方法解决语音合成中的 NSWs（数字，日期，范围，分数，缩写，URL，电子邮件，哈希标签和联系人名字）语义歧义和发音问题。第一个阶段使用基于模型的标注器检测 NSWs，第二个阶段使用基于正向词典的最大匹配算法将哈希标签，电子邮件地址和联系人名字等 NSWs 拆分为发音形式。实验结果表明，该方法的错误率较低，达到 6.67％。

Sep, 2022

社交媒体数据是研究的宝贵资源，非标准词汇是对 NLP 工具运行的一种障碍。我们采用了一种简单的序列到序列模型，通过文本规范化的实验结果显示准确率接近 70%，同时也提升了 2% 左右的仇恨言论检测任务的准确性，展示了提高复杂 NLP 任务性能的潜力。

Nov, 2023

介绍了一个基于混合词 - 字符注意力编码 - 解码模型的社交媒体文本标准化系统，以预处理噪音文本并适应社交媒体上的 NLP 应用。

Apr, 2019