Skip to main content

Polish Whisper Normalizer

CI PyPI Python License Docs

Polish port of OpenAI Whisper normalizers — keeps ąćęłńóśźż, normalizes numbers/time/currency/dates with Morfeusz2 declensions.

🇬🇧 English | 🇵🇱 Polski


English

Features

Area Example Normalized
Diacritics Żółć! żółć (kept) / zolc with remove_diacritics=True
Cardinal / ordinal sto dwadzieścia trzy, dwudziestu pięciu, pierwszego → 1. 123, 25, 1.
Time piąta trzydzieści, wpół do ósmej, o piątej, piąta rano, od piątej do szóstej 5:30, 7:30, o 5:00, 5:00 rano, od 5:00 do 6:00
Time with minut dziesięć minut po piątej, za dwadzieścia minut ósma 5:10, 7:40
Fractions jedna trzecia, trzy czwarte 1/3, 3/4 (keeps /, idempotent)
Half pół litra, półtora, dwa i pół 0.5 litra, 1.5, 2.5
Currency pięć złotych, €10, pięć złotówek 5 zł, 10 €, 5 zł
Percent pięć procentów 5%
Ordinal multipliers tysiąc dziewięćsetny 1900.
Dates 5 maja05.05 · piątego maja05.05 · piątego maja 202605.05.2026 · piątego maja roku dwa tysiące dwudziestego szóstego05.05.2026 DD.MM / DD.MM.YYYY zero-padded, conditional (maja alone stays maja, avoids Maja5)
Geographic guard na północ stays, jest północjest 0:00 no false 0:00 for north

Pipeline: lower → brackets/parens → time → decimal ,.remove_symbols(keep=".:/%$€£¢+-")numbersmonths (conditional)dates→ cleanup. Configurable viaPolishTextNormalizer(date_format=...)`.

Installation

uv sync                 # dev + morfeusz2
uv pip install -e .     # editable
# or from PyPI (once published)
uv pip install polish-whisper-normalizer

Requires Python ≥3.10, regex, more-itertools, morfeusz2.

Usage

from polish_whisper_normalizer import PolishTextNormalizer, BasicTextNormalizer

n = PolishTextNormalizer()
n("Było piętnaście po piątej, minus dziesięć stopni.")
# → "było 5:15 -10 stopni"

n("Spotkanie dwudziestego pierwszego maja o piętnastej trzydzieści.")
# → "spotkanie 21.05 o 15:30"   # was "21. 5" before 05.05 fix

n("piątego maja roku dwa tysiące dwudziestego szóstego")
# → "05.05.2026"   # uniform, no trailing "r"

n("5 maja")  # digit day works too
# → "05.05"

n("pięć złotówek, pięć procentów, pół litra, jedna trzecia")
# → "5 zł 5% 0.5 litra 1/3"

# custom date format
PolishTextNormalizer(date_format="%Y-%m-%d")("piątego maja 2026")
# → "2026-05-05"
PolishTextNormalizer(date_format="{day}/{month}/{year}")("piątego maja 2026")
# → "5/5/2026"

# diacritics
BasicTextNormalizer()("Żółć!")  # → "żółć"
BasicTextNormalizer(remove_diacritics=True)("Żółć!")  # → "zolc"
Components
from polish_whisper_normalizer import PolishNumberNormalizer, PolishTimeNormalizer, PolishLemmatizer

PolishNumberNormalizer()("dwudziestu pięciu złotych")  # → "25 zł"
PolishTimeNormalizer()("wpół do ósmej")  # → "7:30"
PolishLemmatizer().analyse("dwudziestu")  # → [("dwadzieścia","num")]
Class Description
PolishTextNormalizer(date_format="{day:02d}.{month:02d}.{year}") Full pipeline, date_format supports str.format ({day}, {month}, {year}) and strftime (%d.%m.%Y)
PolishNumberNormalizer Words → digits, currency/percent/decimals/signs/ordinals
PolishTimeNormalizer Spoken time → HH:MM, guards o 5. stronie vs o 5:00, na północ vs 0:00
PolishLemmatizer Morfeusz2 wrapper
BasicTextNormalizer Whisper basic but diacritics-aware

API Docs

Full API: neonfeline.github.io/polish-whisper-normalizer (mkdocs serve locally).

Development

uv sync --group dev
uv run pytest -q          # 486 tests
uv run mypy src           # strict, py.typed
uv run ruff check src tests && uv run ruff format --check src tests
uv build
mkdocs serve
  • py.typed + mypy --strict (warn_unused_ignores=false)
  • ruff + pre-commit + GitHub Actions (ci.yml: lint → mypy → pytest --cov → build)
  • Validated on BIGOS v2 + PELCRA (2397 samples, ~5 % number words)

License

MIT — see LICENSE (inherits Whisper MIT for basic.py).


Polski

Funkcje

Obszar Przykład Po normalizacji
Znaki diakrytyczne Żółć! żółć (zachowane)
Liczebniki sto dwadzieścia trzy, pierwszego 123, 1.
Czas piąta trzydzieści, o piątej, od piątej do szóstej 5:30, o 5:00, od 5:00 do 6:00
Daty 5 maja05.05 · piątego maja 202605.05.2026 DD.MM / DD.MM.RRRR, warunkowo (maja samo → maja)
Waluta / procent / ułamki pięć złotówek, procentów, 1/3, pół litra 5 zł, 5%, 1/3, 0.5 litra

Potok: lower → czas → liczby → miesiące (warunkowo) → daty.

Instalacja i użycie (PL)

uv sync
from polish_whisper_normalizer import PolishTextNormalizer
n = PolishTextNormalizer()  # date_format="{day:02d}.{month:02d}.{year}" domyślnie

n("piątego maja roku dwa tysiące dwudziestego szóstego")
# → "05.05.2026"  # jednolicie, bez "r"

n("5 maja")  # też działa
# → "05.05"

# własny format daty
PolishTextNormalizer(date_format="%Y-%m-%d")("piątego maja 2026")
# → "2026-05-05"

maja jako imię Maja zostaje maja (nie 5), na północ nie staje się 0:00.

Rozwój / testy

Jak wyżej — uv run pytest, mypy, ruff, mkdocs serve.


Made for BIGOS / Whisper WER — PRs welcome!

Download files

Download the file for your platform. If you're not sure which to choose, learn more about installing packages.

Source Distribution

polish_whisper_normalizer-0.1.0.tar.gz (13.4 kB view details)

Uploaded Source

Built Distribution

If you're not sure about the file name format, learn more about wheel file names.

polish_whisper_normalizer-0.1.0-py3-none-any.whl (14.4 kB view details)

Uploaded Python 3

File details

Details for the file polish_whisper_normalizer-0.1.0.tar.gz.

File metadata

File hashes

Hashes for polish_whisper_normalizer-0.1.0.tar.gz
Algorithm Hash digest
SHA256 ed6a87ec95054091deefcf40adc714e58b178ed87c2dee685c34f22c589d17fc
MD5 03e53c9158b38472fbcbb5878c4f933d
BLAKE2b-256 61a65598f1ec9d0cf81c3af328e966f42e7c1911ba452bdb632392e21a8c7b0e

See more details on using hashes here.

Provenance

The following attestation bundles were made for polish_whisper_normalizer-0.1.0.tar.gz:

Publisher: publish.yml on NeonFeline/polish-whisper-normalizer

Attestations: Values shown here reflect the state when the release was signed and may no longer be current.

File details

Details for the file polish_whisper_normalizer-0.1.0-py3-none-any.whl.

File metadata

File hashes

Hashes for polish_whisper_normalizer-0.1.0-py3-none-any.whl
Algorithm Hash digest
SHA256 102d3865348b7077ab10e4699c9d28c0678a0992009ab90b767e9ff72873d2b3
MD5 ec6c7ed4f53606fa6bd9a05532bda402
BLAKE2b-256 4d1e5e477a9905d88bef375f44364b50753bbaae6f376b48f98305b0d2b8c2cb

See more details on using hashes here.

Provenance

The following attestation bundles were made for polish_whisper_normalizer-0.1.0-py3-none-any.whl:

Publisher: publish.yml on NeonFeline/polish-whisper-normalizer

Attestations: Values shown here reflect the state when the release was signed and may no longer be current.

Release history Release notifications | RSS feed

0.1.12

2 files

0.1.11

2 files

0.1.9

2 files

0.1.4

2 files

0.1.1

2 files

This release

0.1.0 This release

2 files

Anthropic, PBC Visionary sponsor Bloomberg Visionary sponsor Hudson River Trading Visionary sponsor Meta Visionary sponsor NVIDIA Visionary sponsor Microsoft Sustainability sponsor Depot Continuous Integration AWS Cloud computing and Security Sponsor Datadog Monitoring Fastly CDN Google Download Analytics Sentry Error logging StatusPage Status page