FunAudioLLM/CosyVoice项目中的文本归一化技术演进：从TTSFRD到WeTextProcessing

在语音合成和语音识别系统中，文本归一化(Text Normalization, TN)是一个关键的前处理步骤。FunAudioLLM/CosyVoice项目近期对其文本归一化组件进行了重要升级，将原本使用的TTSFRD库替换为WeTextProcessing库，这一技术决策值得深入探讨。

技术背景

文本归一化是指将文本中的非标准表达（如数字、缩写、符号等）转换为语音合成或语音识别系统能够正确处理的规范形式。例如将"100kg"转换为"一百千克"，或将"Dr."转换为"Doctor"。

技术演进过程

项目最初采用TTSFRD作为文本归一化解决方案，但该库存在安装复杂度较高的问题。经过技术评估，团队决定迁移到WeTextProcessing库，主要原因包括：

1. 更友好的安装体验
2. 更活跃的社区维护
3. 更全面的中文处理能力

性能考量

值得注意的是，技术迁移带来了约20%的推理时间增加。这种性能折衷是技术选型中常见的权衡，团队需要在易用性和性能之间找到平衡点。

技术影响

这一变更对项目产生了多方面影响：

• 降低了新用户的入门门槛
• 提高了开发环境的配置效率
• 为后续的多语言支持奠定了基础

未来展望

文本归一化技术的持续优化仍然是语音处理领域的重要课题。FunAudioLLM/CosyVoice项目的这一技术演进，展示了开源社区如何通过技术迭代不断提升系统的整体可用性。未来可能的方向包括：

• 性能优化以减少推理时间开销
• 支持更多领域的专业术语处理
• 增强对混合语言文本的处理能力

这一技术决策体现了项目团队对用户体验的重视，也展示了开源项目在技术选型上的务实态度。