Chinese text is not being tokenized properly
还没有人认领这个 Issue。
评估
- 难度
- 4/5
- 预计耗时
- 3-5 天
- 新手友好度
- 38/100
- Issue 类型
- 缺陷
- 描述清晰度
- 需要澄清
- 活跃度
- 冷清
- 技术栈
- python
调研方向
该 issue 提到了 LatinWordTokenizer 和翻译对齐，但没有指定文件或测试。首先定位 LatinWordTokenizer 和对齐分词的入口点，然后确定哪些项目或脚本受到影响，并比较合适的 tokenizer 选项。完成的标准是中文文本能够生成可用于放置标记的有效 token 边界，并为任何其他受影响的脚本提供覆盖。
由索引模型根据 Issue 内容生成。
描述
We currently have pretranslations generated that look like:
...
"translation": "声音已经说出来了,耶稣就独自一人了.他们在那些日子里什么都没告诉任何人.",
"translationTokens": [
"声音已经说出来了,耶稣就独自一人了.他们在那些日子里什么都没告诉任何人",
"."
],
...
I assume that this is because we are using the LatinWordTokenizer for translation alignment. This is likely happening for some other scripts as well. We should evaluate how many projects this affects and consider using another tokenizer (or dynamically choosing a tokenizer). Unless I'm missing something, this would make the marker placement feature basically unavailable for those translating into scripts that the LatinWordTokenizer does not tokenize properly.
- 主要语言
- Python
- 星标
- 12
- 派生
- 3
- 平均合并
- 2 天 10 小时
- 30 天内合并 PR
- 5
环境准备
我们还没有检查这个项目的环境配置文件。先看它的 README，通用步骤见我们的新手贡献指南。
从这里开始
- 先读完整个 Issue，再读项目的贡献指南。
- 在 Issue 下留言说明你要接手 —— 这能避免两个人做同样的事。
- Fork 仓库，在一个分支上完成修改。
- 提交 Pull Request，并在描述里引用这个 Issue 编号。
sillsdev/machine.py 的其他 Issue
-
难度 4/5 3-5 天 新手友好度 45/100
sillsdev/machine.py#372 ·
-
Marker placement does not occur in verse ranges可能已有人在做 @benjaminking 于 10 天前认领。 未关闭invalid
sillsdev/machine.py#370 · 已指派 1 人 ·
-
难度 3/5 1-2 天 新手友好度 72/100
sillsdev/machine.py#373 ·
-
porting
难度 4/5 3-5 天 新手友好度 55/100
sillsdev/machine.py#369 ·
-
难度 3/5 1-2 天 新手友好度 65/100
sillsdev/machine.py#359 ·
查看 sillsdev/machine.py 的全部 Issue
相似的 Issue
-
good first issue
难度 2/5 1-3 小时 新手友好度 88/100
-
难度 2/5 1-3 小时 新手友好度 88/100
vllm-project/vllm-metal#822 ·
维护者通常 1 天内回复
-
vector-store
难度 1/5 1-3 小时 新手友好度 90/100
维护者通常 1 天内回复
-
[Bug]: chunk_span_bounds and _validated_chunk_spans reject Pydantic models ChunkSpan and AudioFile未关闭
难度 2/5 1-3 小时 新手友好度 78/100
BasedHardware/omi#19047 ·
维护者通常 1 天内回复
-
难度 2/5 1-3 小时 新手友好度 88/100
维护者通常 1 天内回复