You can not select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
PaddleSpeech/speechx/examples/text_lm
Hui Zhang c7d9b11529
format
3 years ago
..
local format 3 years ago
.gitignore zh ngram build 3 years ago
README.md add mmseg; 3 years ago
path.sh text process for lm 3 years ago
run.sh text process for lm 3 years ago
utils text process for lm 3 years ago

README.md

Text PreProcess for building ngram LM

Input

data/
|-- text

Input file is kaldi-style, which has utt at first column:

Y0000000000_--5llN02F84_S00000  怎么样这些日子住得还习惯吧
Y0000000000_--5llN02F84_S00002  挺好的
Y0000000000_--5llN02F84_S00003  对了美静这段日子经常不和我们一起用餐
Y0000000000_--5llN02F84_S00004  是不是对我回来有什么想法啊
Y0000000000_--5llN02F84_S00005  哪有的事啊
Y0000000000_--5llN02F84_S00006  她这两天挺累的身体也不太舒服
Y0000000000_--5llN02F84_S00007  我让她多睡一会那就好如果要是觉得不方便
Y0000000000_--5llN02F84_S00009  我就搬出去住
Y0000000000_--5llN02F84_S00010  你看你这个人你就是疑心太重
Y0000000000_--5llN02F84_S00011  你现在多好一切都井然有序的

Output

data/
`-- text.tn

Output file like this:

BAC009S0002W0122 而 对 楼市 成交 抑制 作用 最 大 的 限 购
BAC009S0002W0123 也 成为 地方 政府 的 眼中 钉
BAC009S0002W0124 自 六月 底 呼和浩特 市 率先 宣布 取消 限 购 后
BAC009S0002W0125 各地 政府 便 纷纷 跟进
BAC009S0002W0126 仅 一 个 多 月 的 时间 里
BAC009S0002W0127 除了 北京 上海 广州 深圳 四 个 一 线 城市 和 三亚 之外
BAC009S0002W0128 四十六 个 限 购 城市 当中
BAC009S0002W0129 四十一 个 已 正式 取消 或 变相 放松 了 限 购
BAC009S0002W0130 财政 金融 政策 紧随 其后 而来