实战指南：用Python搞定中文语音合成的文本归一化（附WeTextProcessing代码）

实战指南：用Python搞定中文语音合成的文本归一化（附WeTextProcessing代码）

在构建中文语音合成系统时，开发者常会遇到一个看似简单却影响深远的问题：如何让TTS引擎正确读出"2024年GDP增长5.2%"这样的文本？数字、日期、货币等非标准文本的规范化处理，直接决定了合成语音的专业度和自然感。本文将带你用Python打造工业级的中文文本归一化方案，重点解决TTS场景下的特殊文本转换难题。

1. 文本归一化的核心挑战

中文文本中存在大量需要特殊处理的非标准词汇(NSW)，主要包括以下几类：

• 数字类：基数词("123")、序数词("第1")、分数("1/2")、百分比("5.2%")
• 时空表达：日期("2024-01-01")、时间("14:30")、持续时间("2小时30分")
• 计量单位：货币("¥100")、温度("36.5°C")、尺寸("5x7cm")
• 特殊序列：电话号码("10086")、车牌号("京A12345")、身份证号

这些文本如果直接送入TTS引擎，通常会产生不符合预期的读音。例如：

# 错误读音示例
"2024-01-01" → "二零二四杠零一杠零一"  # 期望："二零二四年一月一日"
"¥100" → "人民币符号一百"  # 期望："一百元"

更复杂的是，同一数字在不同语境下读音规则不同：

"房间号201" → "二零一"
"201路公交车" → "二零一"
"201不锈钢" → "二零一"  # 行业特殊读法

2. WeTextProcessing实战配置

WeTextProcessing是当前中文TTS领域使用最广泛的文本归一化工具，基于Pynini的加权有限状态转换器(WFST)实现。以下是完整安装指南：