语音合成论文优选：A Unified Transformer-based Framework_

A Unified Transformer-based Framework for Duplex Text Normalization

本文为NVIDIA在2021.08.23更新的文章，主要的工作是使用一个模型对Text Normalization和 inverse text normalization两个任务进行建模，从而简化对话系统的管理。

1、研究背景

一套完备的对话系统包括DSP、ASR、LU、LG、TTS等等模块，其中TN和iTN任务分别应用在TTS和ASR中。TN工作主要把手写格式转成口语格式，iTN则是逆过程，具体如图1所示。现有系统都是分别对TN和ITN进行建模，这增加了系统复杂度和维护成本，因此本文研究使用一个模型对该两个任务进行建模。

（TN建模一直没有做过实验，一方面缺少语料；另一方面，使用正则也基本上处理大量的case。当然要是具备大量的语料和公司允许，可以玩一下）

2、详细设计

前端语言类的模型基本上不太复杂，本文的系统如图2所示，包括两个部分：Tagger和Normalizer。其中Tagger主要对输入的文本进行分类，判断那部分需要进行TN/ITN处理，其中分类如table 1所示。为了使TN/ITN共用一个模型，因此添加task indicator的前缀。另外Tagger结构为Transfomer。Normalizer则是根据Tagger进行处理，其结构为seq2seq。另外本文也提出了图3的数据增广的策略。