Tokenize training transcripts by grapheme (cluster) instead of codepoint

描述

此议题没有描述。

贡献者指南

技术栈

pythontensorflow

领域

machine learning

议题类型

feature

难度面向新贡献者的预计实现难度，1 表示很小改动，5 表示专家级工作。

3

预计时间有经验贡献者完成调查、实现、测试并准备 pull request 的粗略时间范围。

1-2 days

活动状态议题当前的可参与程度：新鲜、活跃、陈旧、阻塞或等待维护者输入。

stale

清晰度议题是否清楚说明期望改动、验收标准和下一步。

mostly clear

前置要求

Unicode grapheme clustersPythonTensorFlow

新手友好度1-100 的估计分数，表示该议题对首次贡献者的友好程度。

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.