Paraformer-large数字格式统一：金额/日期/编号标准化输出

Paraformer-large数字格式统一：金额/日期/编号标准化输出

1. 背景与需求分析

在语音识别的实际应用中，Paraformer-large 模型能够高效地将中文语音转换为文本，并自动添加标点符号。然而，在金融、医疗、法律等专业领域，原始识别结果中的数字表达形式往往不规范，例如：

• 金额：“一千二百三十块” vs “1230元”
• 日期：“二零二三年五月十号” vs “2023年5月10日”
• 编号：“编号一二三四五” vs “编号12345”

这种非结构化的输出不利于后续的数据处理、信息抽取或系统集成。因此，对 Paraformer-large 的识别结果进行数字格式的标准化后处理，成为提升 ASR 实用性的关键一步。

本文基于Paraformer-large 离线语音识别系统（集成 Gradio 可视化界面），介绍如何在识别完成后，通过后处理模块实现金额、日期、编号等常见数字表达的统一规范化输出。

2. 系统架构与流程设计

2.1 整体工作流

整个系统的处理流程如下：

音频输入 → VAD切分 → Paraformer-large ASR → 原始文本输出 → 数字格式标准化 → 最终结构化文本

其中，数字格式标准化模块位于 ASR 解码之后，作为后处理层独立存在，不影响模型推理性能。

2.2 核心组件说明

3. 数字格式标准化实现方案

3.1 技术选型：基于规则+正则匹配的轻量级方案

考虑到数字转换逻辑明确且覆盖范围有限，采用规则驱动 + 正则表达式 + 映射表的组合方式，具有以下优势：

• 低延迟：无需额外模型加载
• 高准确率：语义清晰，错误率低于 NLP 模型
• 可解释性强：便于调试和维护

我们使用 Python 实现一个TextNormalizer类，封装所有标准化功能。

3.2 核心功能模块详解

3.2.1 中文数字转阿拉伯数字

中文数字包括“零一二三四五六七八九”、“十百千万亿”等单位，需解析其数值结构。

import re class TextNormalizer: def __init__(self): self.char_to_num = {'零': 0, '一': 1, '二': 2, '三': 3, '四': 4, '五': 5, '六': 6, '七': 7, '八': 8, '九': 9} self.unit_map = {'十': 10, '百': 100, '千': 1000, '万': 10000, '亿': 100000000} def _chinese_to_number(self, text: str) -> int: result = 0 temp_result = 0 prev_unit = 1 for char in text: if char in self.char_to_num: temp_result = self.char_to_num[char] elif char in self.unit_map: unit = self.unit_map[char] if unit >= 10000: result = (result + temp_result) * unit temp_result = 0 else: result += temp_result * unit temp_result = 0 prev_unit = unit return result + temp_result

示例：
"一千二百三十"→1230
"两万五千"→25000

3.2.2 金额表达归一化

常见模式： - “一块五毛” → “1.5元” - “三百块钱” → “300元” - “五十元整” → “50元”

def normalize_money(self, text: str) -> str: # 处理“X元Y角”类表达 def money_replace(match): yuan = match.group(1) jiao = match.group(2) total = float(yuan) + float(jiao)/10 if jiao else float(yuan) return f"{total:.2f}元" # 匹配“[数字]元[数字]角” pattern = r"([0-9]+|[零一二三四五六七八九十百千万]+)元([零一二三四五六七八九十]+)?角?" text = re.sub(pattern, money_replace, text) # 处理口语化表达 text = re.sub(r"块", "元", text) text = re.sub(r"毛", "角", text) text = re.sub(r"几块", "若干元", text) # 保留模糊表达 return text

3.2.3 日期格式标准化

目标：将“二零二三年五月十号”统一为“2023年5月10日”。

def normalize_date(self, text: str) -> str: # 年份替换 def year_replace(match): ch_year = match.group(1) num = "" for c in ch_year: if c in self.char_to_num: num += str(self.char_to_num[c]) return f"{num}年" text = re.sub(r"([零一二三四五六七八九]{4})年", year_replace, text) # 月份和日 month_day_pattern = r"(?P<month>[一二三四五六七八九十]+)月(?P<day>[一二三四五六七八九十]+)号?" def md_replace(match): m = self._chinese_to_number(match.group("month")) d = self._chinese_to_number(match.group("day")) return f"{m}月{d}日" text = re.sub(month_day_pattern, md_replace, text) return text

3.2.4 编号提取与格式化

如“编号一二三四五” → “编号12345”，适用于工单号、身份证号等场景。

def normalize_id(self, text: str) -> str: def id_replace(match): ch_id = match.group(1) digits = ''.join(str(self.char_to_num.get(c, c)) for c in ch_id if c in self.char_to_num or c.isdigit()) return f"{digits}" # 支持“编号XXX”、“号码是XXX”等形式 text = re.sub(r"编号[为是:\s]*([零一二三四五六七八九十\d]+)", lambda m: "编号" + id_replace(m), text) text = re.sub(r"号码[为是:\s]*([零一二三四五六七八九十\d]+)", lambda m: "号码" + id_replace(m), text) return text

4. 集成到 Paraformer-large 推理流程

我们将上述TextNormalizer集成进原有的app.py文件中，作为后处理步骤插入到model.generate()之后。

4.1 修改后的完整推理函数

# app.py（更新版） import gradio as gr from funasr import AutoModel from text_normalizer import TextNormalizer # 自定义模块 import os # 加载模型 model_id = "iic/speech_paraformer-large-vad-punc_asr_nat-zh-cn-16k-common-vocab8404-pytorch" model = AutoModel( model=model_id, model_revision="v2.0.4", device="cuda:0" ) # 初始化标准化器 normalizer = TextNormalizer() def asr_process(audio_path): if audio_path is None: return "请先上传音频文件" # 1. 执行语音识别 res = model.generate(input=audio_path, batch_size_s=300) if len(res) == 0: return "识别失败，请检查音频格式" raw_text = res[0]['text'] # 2. 后处理：数字格式标准化 normalized_text = raw_text normalized_text = normalizer.normalize_date(normalized_text) normalized_text = normalizer.normalize_money(normalized_text) normalized_text = normalizer.normalize_id(normalized_text) return normalized_text

4.2 构建 Web 界面（Gradio）

保持原有界面不变，仅增强后台逻辑：

with gr.Blocks(title="Paraformer 语音转文字控制台") as demo: gr.Markdown("# 🎤 Paraformer 离线语音识别转写（带数字标准化）") gr.Markdown("支持长音频上传，自动添加标点并统一金额/日期/编号格式。") with gr.Row(): with gr.Column(): audio_input = gr.Audio(type="filepath", label="上传音频或直接录音") submit_btn = gr.Button("开始转写", variant="primary") with gr.Column(): text_output = gr.Textbox(label="识别结果（已标准化）", lines=15) submit_btn.click(fn=asr_process, inputs=audio_input, outputs=text_output) demo.launch(server_name="0.0.0.0", server_port=6006)

5. 实际效果对比

✅标准化率提升明显，结构化程度显著增强

6. 注意事项与优化建议

6.1 使用注意事项

• 依赖包管理：确保安装了funasr,gradio,pyyaml等必要库。
• GPU 资源：推荐使用至少 16GB 显存的 GPU（如 RTX 4090）以支持大模型快速推理。
• 缓存机制：首次运行会自动下载模型至~/.cache/modelscope/hub/，请预留足够磁盘空间。

6.2 可扩展优化方向

1. 支持更多实体类型：如电话号码、身份证号、银行卡号等敏感信息脱敏。
2. 引入 NER 模型辅助：结合命名实体识别模型提高上下文感知能力。
3. 配置文件化：将替换规则写入 YAML 配置，便于业务定制。
4. 批量处理支持：增加文件夹级批量音频转写与导出 CSV 功能。

7. 总结

本文围绕Paraformer-large 语音识别系统，提出并实现了针对中文语音识别结果的数字格式标准化方案，重点解决了金额、日期、编号等关键信息的表达不一致问题。

通过构建轻量级的规则引擎并与 Gradio 可视化界面集成，我们在不牺牲性能的前提下，显著提升了 ASR 输出的结构化水平和可用性，特别适用于需要进一步数据处理的专业场景。

该方案具备以下特点： 1.即插即用：可无缝接入现有 FunASR 流程； 2.低资源消耗：纯 CPU 规则匹配，无额外模型负担； 3.高可维护性：逻辑透明，易于按需调整。

未来可进一步拓展为通用文本规范化中间件，服务于更广泛的语音交互与文档生成系统。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。