m-bain/whisperX

Convert arabic numerals and symbols to phonetic form

Open

#38 opened on 2023年1月25日

GitHub で見る
 (2 comments) (0 reactions) (0 assignees)Python (6,880 stars) (650 forks)batch import
help wanted

説明

Currently arabic numerals and symbols in whisper transcript cannot be aligned, needs to be phonetic alphabet.

Need to perform inverse of normalization in https://github.com/m-bain/whisperX/blob/main/whisperx/normalizers/english.py

Such that numbers and currencies are converted to their phonetic word form.

E.g. "$300" -> "three hundred dollars"

To perform wav2vec alignment.

Then convert back to symbol form, and assign timestamps.

コントリビューターガイド

技術スタック
python
領域
machine learningbackend
Issue 種別
feature
難度新しい貢献者にとっての実装難度です。1 は非常に小さな変更、5 は専門的な作業です。
3
推定時間経験ある貢献者が調査、実装、テスト、pull request 準備にかけるおおよその時間範囲です。
1-2 days
活動状況Issue が今どれだけ取り組みやすいかを示します。新しい、活発、古い、ブロック中、またはメンテナー入力待ちなどです。
stale
明確さ期待される変更、受け入れ条件、次の手順がどれだけ明確かを示します。
mostly clear
前提条件
familiarity with WhisperX codebaseunderstanding of text normalization
初心者向け度初回貢献者にどれだけ取り組みやすいかを 1-100 で推定したスコアです。
35
調査方針
The issue requires implementing the inverse of the normalization function in whisperx/normalizers/english.py to convert numbers and currencies into their phonetic word form (e.g., $300 > 'three hundred dollars') for wav2vec alignment. After alignment, the phonetic form must be converted back to symbolic form and timestamps assigned. The existing normalization function should be studied to understand the transformations. No linked PRs or maintainer comments provide further direction.