Tokenize training transcripts by grapheme (cluster) instead of codepoint

Métriques du dépôt

Stars

26 755 stars (26 755 stars)

Métriques de merge PR

Aucune PR mergée en 30 j (Aucune PR mergée en 30 j)

Description

Cette issue ne contient pas de description.

Guide contributeur

Direction de recherche

Familiarisez vous avec le code de tokenisation actuel dans le pipeline d'entraînement de DeepSpeech (probablement en Python). Étudiez comment les transcriptions sont tokenisées par point de code. Ensuite, recherchez comment tokeniser par clusters de graphèmes en utilisant la segmentation Unicode (par exemple, la bibliothèque grapheme en Python ou ICU en C++). Identifiez l'emplacement exact dans le code où la tokenisation se produit et proposez des modifications pour diviser par clusters de graphèmes au lieu de points de code. Tenez compte des cas limites comme les caractères combinants et les séquences d'emoji.

Stack technique

python

Domaine

machine learningaidata

Type d'issue

Fonctionnalité

DifficultéDifficulté estimée pour un nouveau contributeur, de 1 pour un très petit changement à 5 pour un travail expert.

3

Temps estiméFourchette de temps approximative pour investiguer, implémenter, tester et préparer une pull request.

Une demi journée

Statut d'activitéDisponibilité apparente de l'issue : fraîche, active, ancienne, bloquée ou en attente d'un mainteneur.

Active

ClartéClarté avec laquelle l'issue explique le changement attendu, les critères d'acceptation et la prochaine étape.

Claire

Prérequis

PythonUnicode text processingDeepSpeech training pipeline

Accessibilité débutantScore de 1 à 100 estimant l'accessibilité de cette issue pour un premier contributeur.

55