Tokenize training transcripts by grapheme (cluster) instead of codepoint

Repository metrics

Stars

26,755 stars (26,755 stars)

PR merge metrics

30d に merged PR はありません (30d に merged PR はありません)

説明

この Issue には説明がありません。

コントリビューターガイド

調査方針

DeepSpeechトレーニングパイプラインの現在のトークン化コード（おそらくPython）を理解してください。トランスクリプトがコードポイントでどのようにトークン化されているかを学びます。次に、Unicodeセグメンテーション（例：PythonのgraphemeライブラリやC++のICU）を使用して書記素クラスターでトークン化する方法を調査します。コードベースでトークン化が発生する正確な場所を特定し、コードポイントではなく書記素クラスターで分割する変更を提案します。結合文字や絵文字シーケンスなどのエッジケースを考慮してください。

技術スタック

python

領域

machine learningaidata

Issue 種別

機能

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。

半日

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。

アクティブ

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。

明確

前提条件

PythonUnicode text processingDeepSpeech training pipeline

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。

55