Tokenize training transcripts by grapheme (cluster) instead of codepoint

描述

此議題沒有描述。

貢獻者指南

技術棧

pythontensorflow

領域

machine learning

議題類型

feature

難度面向新貢獻者的預計實作難度，1 表示很小改動，5 表示專家級工作。

3

預計時間有經驗貢獻者完成調查、實作、測試並準備 pull request 的粗略時間範圍。

1-2 days

活動狀態議題目前的可參與程度：新鮮、活躍、陳舊、阻塞或等待維護者輸入。

stale

清晰度議題是否清楚說明預期改動、驗收標準和下一步。

mostly clear

前置要求

Unicode grapheme clustersPythonTensorFlow

新手友善度1-100 的估計分數，表示該議題對首次貢獻者的友善程度。

25

研究方向

The current training pipeline tokenizes transcripts using Unicode codepoints. The contributor should find the relevant tokenization code in the data preprocessing module (e.g., DeepSpeech.py or util.py) and modify it to segment text by grapheme clusters. Use a library like 'grapheme' or Python's 'unicodedata' to handle cluster boundaries. Ensure the change is backward compatible and test with multilingual datasets to verify correctness. Check issue comments for any additional discussion on implementation details.