Processing of numbers and abbreviations for Russian Text-to-Speech synthesis

Abstract

Данная работа посвящена проблеме нормализации числительных и сокращений в системах синтеза речи по тексту на русском языке. В исследовании проведен анализ различных подходов к решению данной проблемы, включая использование глубокого обучения, которое требует значительных вычислительных ресурсов и временных затрат. В связи с этим предлагается комбинация формальных правил и статистического классификатора CRF, которая обеспечивает более надежное и ресурсо-эффективное решение. Предложенный метод демонстрирует приемлемую точность (86%) в предсказании грамматической формы числительных и сокращений, является более устойчивым к критическим ошибкам в определении основы, а также относительно прост в применении в реальной системе синтеза. Результаты исследования подтверждают эффективность предложенной системы и могут служить основой для дальнейших исследований в области нормализации текста и синтеза речи.

This work addresses the problem of normalizing numbers and abbreviations in Russian Text-to-Speech synthesis systems. The study analyzes existing approaches to solving this problem, including the use of deep learning, which requires significant computational resources and time investment. In this regard, a combination of hand-constructed rules and the data-driven Conditional Random Fields is proposed, providing a more reliable and resource-efficient solution. The proposed method demonstrates acceptable accuracy (86%) in predicting the grammatical form of numbers and abbreviations, while being robust to critical errors in verbalising the lemma. It is also straightforward to implement in real-world text-to-speech synthesis systems. The research findings confirm the effectiveness of the proposed system and provide a basis for further investigation in the field of speech synthesis.