ITN 逆文本规范化：把「二零二五年」变成「2025 年」

2026-08-24

ITN（Inverse Text Normalization，逆文本规范化）是语音识别后处理里的一步文本改写，它把识别模型吐出的口语形式转成人习惯阅读的书面形式：「二零二五年」变成「2025 年」，「百分之三十」变成「30%」。

方向很重要，先钉死：ITN 用在 ASR 后端，从口语到书面。后面会讲到还有一个方向相反的兄弟叫 TN，这两个最容易被记混。

ITN 处在整条链路的哪个位置

在语音识别的四个环节里，ITN 属于最后一环——文本后处理。声学模型和解码器的输出是一串”听到什么写什么”的文字，它忠实还原了说话人的发音，但没有把「二零二五」还原成阿拉伯数字的义务，也不知道「块」应该写成「元」还是保持口语。

这一步不能省，因为下游几乎所有用途要的都是书面形式：转写稿给人读，纪要要检索，语音填单要把金额存进数据库。让用户自己把「三千五百二十」心算成 3520，是把工程的活推给了用户。

一张转换类型对照表

ITN 不是一件事，是一堆规则的集合。下面这张表把常见类型摊开，最后一列是每类真正的麻烦所在：

原始识别结果	期望输出	属于哪类规则	难点在哪
二零二五年八月二十四号	2025 年 8 月 24 日	日期	「号」要不要改成「日」取决于文体；「二零二五」和「两千零二十五」是同一个数不同读法
下午三点半	15:30 / 下午 3:30	时间	十二小时制还是二十四小时制要看业务；「两点」既可能是时间也可能是数量
三千五百二十块八	3520.8 元	金额	「块」「毛」「角」是口语单位，末位省略很常见（「八」是八角不是八元）
百分之三十点五	30.5%	百分比	「百分之」在前、数字在后，与中文数字的连读边界容易切错
幺三八幺二三四五六七八	13812345678	电话号码	「幺」等于 1 只在逐位读数时成立；串长和分段格式无统一标准
订单号 A 幺二三	订单号 A123	编号	字母与数字混排，且编号必须逐位、绝不能合并成「一百二十三」
一米八	1.8 米 / 1 米 8	单位	中文口语把单位插在整数与小数之间，还原成哪种写法没有唯一答案
第三十二届	第 32 届	序数	「第一」这类短序数改成阿拉伯数字反而更难读，通常保留汉字

这张表可以直接当作测试用例的种子：照着这八类各造几十条真实业务里的说法，比拿公开测试集跑分有用得多。

与 TN 的镜像关系：一对反向操作

语音合成（TTS）的前端有一个步骤叫 TN（Text Normalization，文本规范化），做的事情正好反过来：

	ITN	TN
用在哪	ASR 后端	TTS 前端
方向	口语 → 书面	书面 → 口语
例子	「二零二五年」→「2025 年」	「2025 年」→「二零二五年」
服务对象	要读文字的人和程序	要发音的声学模型

为什么 TTS 需要反着来？因为声学模型学的是”文字怎么发音”，而阿拉伯数字 2025 没有唯一读法——是年份就读「二零二五」，是数量就读「两千零二十五」，是编号就逐位读。前端必须先替它做决定，把歧义消掉再往下送。这部分的完整展开见 TTS 前端在做什么。

有意思的是：两个方向共享同一批歧义。ITN 要判断「一二三」该不该并成 123，TN 要判断 123 该不该拆成「一二三」——同一个坑，从两侧各踩一次。

两条实现路径

规则 / WFST

用有限状态转换器把”什么形式转成什么形式”写成可组合的转换规则。特点是：

可控。改一条规则只影响这一条，不会牵动别的。
可解释。出错时能定位到具体哪条规则匹配了，而不是”模型觉得应该这样”。
易加规则。业务方今天说金额末位要保留两位小数，加一条就行，不用重训。

代价是覆盖面靠人力堆，长尾说法总会漏，规则多了优先级也会打架。

神经网络

把 ITN 当成一个序列到序列的改写任务来学。覆盖面广，见过的说法变体多，不需要人一条条枚举。

但它有一个规则路径没有的风险：会出意外错误。规则漏掉一条，最坏结果是原样输出；模型出错则可能凭空改掉一个不该改的字，而且很难预判它下次在什么输入上犯病。金额、账号这类错了代价很高的字段上，这种不可预测性尤其难接受。

工业系统常是混合的

实际做法通常是先用规则处理高频且确定的模式（日期、时间、百分比这类形式规整的），剩下的交给模型兜底：既守住高频路径的可控性，又不至于被长尾说法卡死。

核心难点：歧义

上面两条路径的差距，主要就体现在歧义上。

同样是「一二三」，可能是 123，也可能是门牌号或密码的逐位读法。用户报手机号、验证码、房间号时都是逐位读的，这时合并成一个整数就彻底错了。真实的判断依据是上下文：前面有没有”手机号是""房间”这类线索词，这串数字有多长，停顿节奏如何。

类似的例子还有一串：

「两点」：是时间（14:00）还是数量（2 个要点）？
「一米八」：写成 1.8 米还是 1 米 8？前者更书面，后者更贴近原话，选哪个是产品决定，不是技术决定。

**这类判断纯规则做不到。**规则能看到的只是字符串本身，看不到”这句话在说什么”。这也是为什么神经网络路径在 ITN 里始终有位置——不是因为它更准，而是因为有一部分判断本质上需要语义。

为什么 ITN 经常被低估

用户看到的只有最终那段文本。ITN 错了，用户的反馈是”识别不准”，但声学模型可能一个字都没听错。

这是典型的归因错位。同一段音频，模型正确听出了「三千五百二十块八」，ITN 却写成「3520 块 8」或干脆原样输出，用户体感就是”这玩意儿不行”。团队照着这条反馈去换声学模型、加训练数据，会发现怎么改都没用——问题根本不在那一环。

语音识别的四个环节那篇里有一张故障定位表，其中”数字、日期、金额格式不对”这一行指向的就是 ITN。**遇到格式类抱怨，先看后处理，再动模型。**这个顺序能省掉大量无效工作。

评测的坑：ITN 的错误常被洗掉

这个坑会系统性地让成绩偏好看。

很多评测流程在算分前会做归一化：去掉标点、统一大小写、把数字统一成汉字形式再比对。初衷是让不同系统可比，避免一个写 2025、一个写「二零二五」就被判成全错。

但副作用是：ITN 的错误在这一步被抹掉了。参考文本和识别结果都被拉回汉字形式，ITN 做得好不好完全不影响分数。于是评测报告上的准确率是”声学模型的准确率”，而用户实际用到的是”整条管道的准确率”，两者之间隔着一整个后处理环节。

这属于准确率被高估的常见情况之一。解决办法不复杂：评测时保留一组不做归一化的原始对比，专门盯格式类错误；再配一组只针对上面那八类转换的专项用例。中文按字算错误率的口径见 CER 是怎么回事。

常见问题

问：ITN 能不能交给识别模型自己顺便输出？

可以，确实有模型直接输出带格式的规范文本。但拆成独立一环仍然普遍，原因是可诊断、可替换、可按业务改规则——金融场景要金额精确到分，改一条规则就能满足，重训模型不划算。

问：ITN 和标点恢复是同一件事吗？

不是。标点恢复解决的是”哪里该断句、该用什么标点”，是逐 token 的序列标注任务；ITN 解决的是”这串字该写成什么形式”。两者都在后处理这一环，通常前后脚执行，但模型和评价方式完全不同。详见标点恢复是怎么做的。

问：怎么判断我的问题出在 ITN 而不是识别本身？

把识别结果和真人转写逐条对照，看错的是内容还是形式：字词都对、只有数字和格式不对，那就是 ITN。更直接的办法是拿关掉 ITN 的原始输出对比一下。

问：ITN 出错能不能靠加规则一劳永逸？

形式规整的类型可以，比如百分比、日期。但依赖上下文的那部分不行——「一二三」到底怎么写取决于这句话在说什么，规则再多也补不上语义。务实的做法：高频确定的用规则守住，剩下的接受一定错误率，并在金额、账号这类高代价字段上做格式校验。