中文文本规范化工具使用教程：繁简转换、标点统一、数字转正文、拼音转写

规范化做的事情可以拆成四块。

1. 繁简转换。基于专业词典做上下文判断，不是简单的一对一替换。比如"乾燥"会正确转成"干燥"，不会变成"干躁"。支持 9 种模式，包括繁转简、简转繁、台湾繁体、港澳繁体等，也有自动检测模式——系统判断文本主体是繁是简，然后统一为目标体。碰到繁简混排的情况会给出警告，方便你抽查。
2. 标点规范化。7 项独立规则，每项可以单独开关。包括全角数字和字母转半角、直引号转弯引号并校验配对、折叠多余空白、省略号和破折号统一写法。
3. 数字转正文。把"3号线""2024年"这类数字+中文组合转成"三号线""二〇二四年"。系统会用大模型判断哪些组合是词、哪些该转，不是一刀切全转。
4. 拼音转写。给中文字符标注拼音，支持声调符号、声调数字、无声调三种形式。开启按词切分后，基于分词结果标注，多音字的准确率会高不少。处理完会生成一份拼音 CSV，可以直接拿去排版或做语音合成。

报告页从上到下展示：规范化总览（整体统计加各模块说明）、标点子项修改分布条形图、每份文件的修改统计表、数字转正文记录表、原文和改后的并排对照。

适用文档

支持 TXT 和 CSV 两种格式。

1. TXT 文件。按全文处理。编码建议用 UTF-8，乱码文件需要先转码。
2. CSV 文件。自动识别文本列进行规范化，非文本列原样保留。

繁简转换对纯中文文本效果最好。中英文混排的文本，中文部分正常转换，英文不受影响。拼音转写也只覆盖中文字符，英文、数字和标点不参与标注。

适用情景

1. 港台稿件出海。内容团队收到台湾或香港繁体稿件，需要统一成简体发布。用自动检测模式，系统判断主体为繁体后自动转简，两岸三地的用语差异基本能正确处理。
2. 政策文件数字规范化。政策文件里"3号线""12号楼"这些数字+中文组合，如果直接做文本清洗，数字可能被当噪声删掉。先开数字转正文把它们变成中文写法，后续清洗就不会误删了。
3. 教材拼音标注。出版社需要给语文教材整篇标拼音。选声调符号模式，开按词切分，系统自动处理大部分多音字，处理不了的会标复核警告供人工抽查。拼音 CSV 可以直接交付排版。
4. 繁简混排语料预处理。从不同来源收集的文本繁简混用，直接做分词或词频统计，同一个概念会被拆成两个词条。先统一文字形态再分析，统计结果会准确很多。

使用步骤

第一步：上传文件。上传一个或多个 TXT 或 CSV 文件，系统逐文件独立处理。

第二步：查看报告。提交后系统自动处理，完成后跳转到报告页。从上到下：规范化总览、标点子项分布条形图、文件修改统计表、数字转正文记录表、原文和改后的并排对照。

第三步：下载结果。点击下载拿到规范化后的主文件和拼音 CSV。建议先抽查对照预览，确认没误改再用于后续发布或分析。

参数解析与对比示例

繁简转换有 2 个参数。

标点规范化有 7 项，每项独立开关。

其他参数有 4 个。

三组典型配置供参考。

1. 繁简统一。繁简转换设自动检测 + 全部标点规范化 + 拼音关闭。适合港台稿件出海，处理速度快。
2. 拼音标注。繁简转换关闭 + 标点规范化 + 拼音转写（声调符号 + 按词切分）。适合教材拼音标注，输出规范化文本加拼音 CSV。
3. 完整规范化。繁简转换设繁转简 + 全部标点规范化 + 数字转正文 + 拼音转写。适合政策文件或需要全面规范化的场景，处理时间会长一些。

案例分析

案例一：港台稿件出海统一。
背景：某内容团队收到 30 篇台湾繁体公众号稿件。
配置：繁简转换（自动检测）+ 全部标点规范化。
结果：系统识别主体为繁体并统一为简体。"軟體→软件""光碟→光盘""滑鼠→鼠标"等台湾用语正确转换，"乾燥→干燥"等多义字也处理对了。标点方面直引号转弯引号并校验配对，省略号和破折号统一。报告里繁简变更 1,247 处、标点修改 856 处、复核警告 23 处（都是繁简混排提示），编辑抽查警告项后即可发布。

案例二：政策文件数字规范化。
背景：某研究机构处理 50 份政策文件。
配置：数字转正文开启。
结果：系统提取所有"数字+中文"组合，用大模型判断哪些是词。"3号线→三号线""12号楼→十二号楼""2024年→二〇二四年"等共转换 342 处。报告展示数字转正文记录表，每处显示原文和转换后结果。这些文件后续做文本清洗时，已转为中文的数字不会被误删。

类似功能对比

中文文本规范化和文本清洗容易搞混，其实做的事情不一样。

两者可以串联：先规范化统一文字形态，再清洗去噪声。繁简混排语料走这个流程比较合适。