SbertPuncCase - модель восстановления пунктуации и регистра для русского языка. Модель способна расставлять точки, запятые и знаки вопроса;
определять регистр - слово в нижнем регистре, слово с первой буквой в верхнем регистре, слово в верхнем регистре.
Модель разработана для восстановления текста после распознавания речи, поэтому работает со строками в нижнем регистре.
В основу модели легла sbert_large_nlu_ru.
В качестве обучающих данных использованы текстовые расшифровки интервью.
Как это работает
Текст переводится в нижний регистр и разбивается на слова.
Слова разделяются на токены.
Модель (по аналогии с задачей NER) предсказывает класс для каждого токена. Классификация на 12 классов: 3+1 знака препинания * 3 варианта регистра.
Функция декодировки восстанавливает текст соответственно предсказанным классам.
Как использовать
Код модели находится в файле sbert-punc-case-ru/sbertpunccase.py.
Убедитесь, что у вас установлен git-lfs.
Далее для быстрой установки можно воспользоваться командой:
from sbert_punc_case_ru import SbertPuncCase
model = SbertPuncCase()
model.punctuate("sbert punc case расставляет точки запятые и знаки вопроса вам нравится")
