Chinese Text Normalization

1. How To Use

python normalize.py --language "zh" --text "text to be normalized"

2. TN Pipeline

There are 3 components in TN pipeline:
* pre-processing (before tagger)
* non-standard word normalization
* post-processing (after verbalizer)

2.1 Pre-Processing

Char Width Conversion (全角 -> 半角)

苹果ＣＥＯ宣布发布新ＩＰＨＯＮＥ -> 苹果CEO宣布发布新IPHONE
他说：“我们已经吃过了！”。 -> 他说:"我们已经吃过了!".

covers English letters, digits, punctuations and some symbols
the complete mapping table data/char/fullwidth_to_halfwidth.tsv

Denylist (Removal)

Sometime you may want to remove certain things like interjections/fillers "啊", "呃" etc
呃这个呃啊我不知道 -> 这个我不知道
* customizable via data/denylist/denylist.tsv

2.2 Non-Standard-Words(NSW) normalization

Numbers

共465篇，约315万字 -> 共四百六十五篇，约三百一十五万字
共计6.42万人 -> 共计六点四二万人
同比升高0.6个百分点 -> 同比升高零点六个百分点

Fraction

总量的1/5以上 -> 总量的五分之一以上
相当于头发丝的1/16 -> 相当于头发丝的十六分之一
3/2是一个假分数 -> 二分之三是一个假分数

Percentage

同比增长6.3% -> 同比增长百分之六点三
增幅0.4% -> 增幅百分之零点四

Date

2002/01/28 -> 二零零二年一月二十八日
2002-01-28 -> 二零零二年一月二十八日
2002.01.28 -> 二零零二年一月二十八日
2002/01 -> 二零零二年一月

Time

8月16号12:00之前 -> 八月十六号十二点之前
我是5:02开始的 -> 我是五点零二分开始的
于5:35:36发射 -> 于五点三十五分三十六秒发射
8:00am准时开会 -> 上午八点准时开会

Math

比分定格在78:96 -> 比分定格在七十八比九十六
计算-2的绝对值是2 -> 计算负二的绝对值是二
±2的平方都是4 -> 正负二的平方都是四

Money

价格是￥13.5 -> 价格是十三点五元
价格是$13.5 -> 价格是十三点五美元
价格是A$13.5 -> 价格是十三点五澳元
价格是HKD13.5 -> 价格是十三点五港元

Measure

重达25kg -> 二十五千克
最高气温38°C -> 最高气温三十八摄氏度
实际面积120m² -> 实际面积一百二十平方米
渲染速度10ms一帧 -> 渲染速度十毫秒一帧

Number series (phone, mobile numbers)

可以打我手机13501234567 -> 可以打我手机一三五零一二三四五六七
可以拨打12306来咨询 -> 可以拨打一二三零六来咨询

Erhua(儿化音) Removal

这儿有只鸟儿 -> 这有只鸟
这事儿好办 -> 这事好办
我儿子喜欢这地儿 -> 我儿子喜欢这地

erhua whitelist is customizable via data/erhua/whitelist.tsv

Whitelist(Replacement)

a set of user-defined hard mapping, i.e. exact-string matching & replacement
C E O -> CEO G P U -> GPU O2O -> O to O B2B -> B to B
* customizable via data/whitelist/default.tsv

2.3 Post-Processing

Punctuation Removal

If enabled, punctuations are removed.

Uppercase or Lowercase Conversion

If enabled, English letters are converted to uppercases / lowercases

Out-Of-Vocabulary(OOV) Tagger

If enabled, OOV chars are tagged with <oov> and </oov>, e.g.:
我们안녕 -> 我们<oov>안</oov><oov>녕</oov> 雪の花 -> 雪<oov>の</oov>花
* default charset (national standard) 通用规范汉字表
* you can extend charset via data/char/charset_extension.tsv

3. Credits

Author: Zhenxiang MA @ Tsinghua University

Advisors: SpeechColab organization

The authors of this work would like to thank:
* The authors of foundational libraries like OpenFst & Pynini
* NeMo team and NeMo open-source community