The normalization step is so essential to format unification in pure textual applications. However, for embedded language models in speech processing modules, normalization is not limited to format unification. Moreover, it has to convert each readable symbol, number, etc., to how they are pronounced.
- Sentence tokenizer (you must add postagger.model to a folder named resources in where parsinorm is installed for example "/home/yourComputerName/.anaconda3/lib/python3.8/site-packages/parsinorm/resources")
- Word Tokenizer
- Normalizing persian and English characters
- Normalizing Numbers (Converting to unique perisan Number)
- Converting Persian, English, Arabic symbols to normalized characters
- Normalize Punctuations
- Removing emojis
- Converting HTML tags to characters and symbols
- Having unique floating point number
- Removing different comma between numbers
- Removing repeated punctuations
- convert semi sapce to null
- Converting mail and url to how are pronounced
- Converting Date and Times to how they are pronounced
- Converting special numbers to how they are pronounced
- Converting English and Persian Abbrevations to how they are pronounced
- converting telephone numbers to how they are pronounced in Persian
- Converting currency to how they are read
- Converting some symbols to how they are read such as %, °, *, #, +, &, Δ
>>> from parsinorm import Mail_url_cleaner
>>> mail_url_cleaner = Mail_url_cleaner ()
>>> mail_url_cleaner.find_mails_clean(sentence="info@hara.ai")
info at hara dot ai
>>> mail_url_cleaner.find_urls_clean(sentence="https://hara.ai/#services")
https do noghte slash slash hara dot ai
>>> from parsinorm import Date_time_to_text
>>> date_time_to_text = Date_time_to_text()
>>> date_time_to_text.date_to_text(sentence='2021/10/27')
بیست و هفتم اکتبر سال دو هزار و بیست و یک
>>> date_time_to_text.time_to_text(sentence='22:57:11')
بیست و دو و پنجاه و هفت دقیقه و یازده ثانیه
>>> from parsinorm import General_normalization
>>> general_normalization = General_normalization()
>>> general_normalization.alphabet_correction(sentence='ﻙﯘݙݤﮮ')
کودکی
>>>general_normalization.semi_space_correction(sentence='کتاب\u200bخانه')
کتابخانه
>>> general_normalization.english_correction(sentence='naïve')
naive
>>> general_normalization.html_correction(sentence='"')
"
>>> general_normalization.arabic_correction(sentence='ﷺ')
صلی الله علیه و سلم
>>> general_normalization.punctuation_correction(sentence="…")
...
>>> general_normalization.specials_chars(sentence="℡")
TEL
>>> general_normalization.remove_emojis(sentence='😊')
>>> general_normalization.unique_floating_point(sentence='1،2')
۱.۲
>>> general_normalization.remove_comma_between_numbers(sentence='1٬234')
۱۲۳۴
>>> general_normalization.number_correction(sentence="⑤")
۵
>>> general_normalization.remove_not_desired_chars(sentence="^ Hi ~")
Hi
>>> general_normalization.remove_repeated_punctuation(sentence="!!!!!")
!
>>> from parsinorm import Telephone_number
>>> telephone_number = Telephone_number()
>>> telephone_number.find_phones_replace(sentence='تلفن ۰۲۱۳۳۴۵۶۷۸۸')
تلفن صفر بیست و یک سی و سه چهل و پنج شصت و هفت هشتاد و هشت
>>> from parsinorm import Abbreviation
>>> abbreviation = Abbreviation()
>>> abbreviation.replace_date_abbreviation(sentence=".در سال 1400 ه.ش")
در سال 1400 هجری شمسی
>>> abbreviation.replace_persian_label_abbreviation(sentence='امام زمان (عج)')
امام زمان عجل الله تعالی فرجه الشریف
>>> abbreviation.replace_law_abbreviation(sentence='در ق.ا آمده است')
در قانون اساسی آمده است
>>> abbreviation.replace_book_abbreviation(sentence='به کتاب زیر ر.ک مراجعه کنید')
به کتاب زیر رجوع کنید مراجعه کنید
>>> abbreviation.replace_other_abbreviation(sentence='در قانون ج.ا آمده است')
در قانون جمهوری اسلامی آمده است
>>> abbreviation.replace_English_abbrevations(sentence='U.S.A')
یو اس آ
>>> from parsinorm import TTS_normalization
>>> TTS_normalization = TTS_normalization()
>>> TTS_normalization.math_correction(sentence='⅞')
هفت هشتم
>>> TTS_normalization.replace_currency(sentence='۳۳$')
۳۳ دلار
>>> TTS_normalization.replace_symbols(sentence='۳۳°')
۳۳ درجه
>>> from parsinorm import Special_numbers
>>> special_numbers = Special_numbers()
>>> special_numbers.convert_numbers_to_text(sentence='122')
صد و بیست و دو
>>> special_numbers.replace_national_code(sentence='0499370899')
صفر چهار نهصد و نود و سه هفتاد هشتصد و نود و نه
>>> special_numbers.replace_card_number(sentence='6037701689095443')
شصت سی و هفت هفتاد شانزده هشتاد و نه صفر نه پنجاه و چهار چهل و سه
>>>special_numbers.replace_shaba(sentence='IR820540102680020817909002')
آی آر هشتاد و دو صفر پنج چهل ده بیست و شش هشتاد صفر دو صفر هشت هفده نود نود صفر دو
>>> from parsinorm import Tokenizer
>>> tokenizer = Tokenizer()
>>> tokenizer.sentence_tokenize('این مثالی است که در آن یک جمله فقط بر اساس علائم نگارشی جدا میشود.',verb_seperator= False)
['این مثالی است که در آن یک جمله فقط بر اساس علائم نگارشی جدا میشود .']
>>> tokenizer.sentence_tokenize('این مثالی است که در آن یک جمله با فعل تمام شده‌است ولی با نقطه تمام نشده‌است به همین دلیل آن را بر اساس فعل جدا می‌کنیم',verb_seperator= True)
[' این مثالی است',
' که در آن یک جمله با فعل تمام شده\u200cاست',
' ولی با نقطه تمام نشده\u200cاست',
' به همین دلیل آن را بر اساس فعل جدا می\u200cکنیم']
>>> tokenizer.word_tokenize('می‌توانید از طریق اینemail با ما در ارتباط باشید: info@hara.ai. همچنین با هشتگ #hara ما را دنبال کنید')
['می\u200cتوانید',
'از',
'طریق',
'این',
'email',
'با',
'ما',
'در',
'ارتباط',
'باشید',
':',
'info@hara.ai',
'.',
'همچنین',
'با',
'هشتگ',
'hara#',
'ما',
'را',
'دنبال',
'کنید']If you use or discuss this normalization tool in your work, please cite our paper :
@inproceedings{oji2021parsinorm,
title={ParsiNorm: A Persian Toolkit for Speech Processing Normalization},
author={Oji, Romina and Razavi, Seyedeh Fatemeh and Dehsorkh, Sajjad Abdi and Hariri, Alireza and Asheri, Hadi and Hosseini, Reshad},
booktitle={2021 7th International Conference on Signal Processing and Intelligent Systems (ICSPIS)},
pages={1--5},
year={2021},
organization={IEEE}
}
If you have any technical question regarding the dataset or publication, please create an issue in this repository.