Tokenize training transcripts by grapheme (cluster) instead of codepoint

Métricas do repositório

Stars

26.755 stars (26.755 stars)

Métricas de merge de PR

Nenhuma PRs mesclada em 30d (Nenhuma PRs mesclada em 30d)

Description

Este issue não inclui uma descrição.

Guia do colaborador

Direção de pesquisa

Familiarize se com o código de tokenização atual no pipeline de treinamento do DeepSpeech (provavelmente em Python). Estude como as transcrições são tokenizadas por codepoint. Em seguida, pesquise como tokenizar por clusters de grafemas usando segmentação Unicode (por exemplo, a biblioteca grapheme no Python ou ICU no C++). Identifique a localização exata no código onde a tokenização ocorre e proponha mudanças para dividir por clusters de grafemas em vez de codepoints. Considere casos extremos como caracteres combinantes e sequências de emoji.

Pilha de tecnologia

python

Domain

machine learningaidata

Tipo Issue

Funcionalidade

DifficultyDificuldade de implementação estimada para um novo contribuidor, de 1 para alterações muito pequenas a 5 para trabalho de nível especializado.

3

Tempo estimadoUm intervalo de tempo aproximado para um colaborador experiente investigar, implementar, testar e preparar um pull request.

Meio dia

Status da atividadeQuão disponível o issue aparece agora: novo, ativo, obsoleto, bloqueado ou aguardando entrada do mantenedor.

Ativo

ClarityCom que clareza o issue explica a mudança esperada, os critérios de aceitação e a próxima etapa.

Claro

Prerequisites

PythonUnicode text processingDeepSpeech training pipeline

Simpatia para novatosUma pontuação de 1 a 100 que estima o quão acessível este issue é para colaboradores iniciantes.

55