AWS用递归神经网络（RNN）来创建文本范式系统，实验结果显示，相较于先前最佳的神经系统，采用RNN创建的文本范式系统错误率降低了75％，另外处理指令延迟率减少63％，若将其他信息加入考量，像是词性、大写等，错误率可以更进一步下降81%。
在对话式AI模型中，文本范式（Text normalization）是重要的过程，举例来说，若用户对Alexa说：帮我预订下午五点的吃饭，语音识别器会将语音转录为下午五点，为了使系统能够处理该指令，要把下午五点转换为5:00PM，在生成语音的步骤又要转换回来，AWS称5:00PM转换为下午五点的过程为文本范式，反之则是逆向文本范式。
在上述的例子中，Alexa系统中的时间表示法有两种，必须要在处理指令的过程转换格式，不只是时间，其他类型的表达法也需要类似的范式处理，像是日期、电子邮箱地址、号码和缩写，为了实现英文的文本范式，Alexa现在依赖数千个手写的规则，随着Alexa与用户交互的范围越广，制定规则成为很容易出错的一环，且Alexa支持的语言越来越多，不太可能重写这些规则，因此，AWS最近采用RNN来创建文本范式系统。
输入字词数据的模糊性使得文本范式变得相当重要，例如，根据上下文语义，Dr.这个缩写可能代表博士，也可能是路名，2/3可能是三分之二，也有可能代表2月3日，文本范式系统在处理这种字词之前，必须考虑上下文，过去处理该问题最佳的方法就是用神经模型，搭配固定长度字词的文本分析器，扫描整句文本，让模型决定如何处理中心词，不过这样的方法相当耗时，AWS则是用注意机制来测量上下文，针对每个输入的文本，注意力机制可以决定哪些字会影响语义。
不过，以句子为基础，搭配注意力机制的文本范式系统实验结果并不理想，AWS的解决方案是将输入数据的句子，在送至神经网络处理之前，先拆分成子字符（subword），相同地，也训练模型产生子字符，再通过一个独立的算法，将网络输出的字符拼成完整的字词，该方法的优点是能够减少神经网络要学会的输入数据数量，也有助于模型处理从未见过的输入词。