[论文解读] Grapheme-to-Phoneme Conversion using Multiple Unbounded Overlapping Chunks

François Yvon|ArXiv.org|Aug 14, 1996

Speech Recognition and Synthesis被引用 51

一句话总结

本文提出了一种基于多个无界重叠片段的增强型音素转写图素（G2P）模型，扩展了Dedina和Nusbaum的类比方法。通过允许片段重叠并利用结构标准对解析结果进行排序，该方法显著提升了原始模型的性能，在未见词汇上实现了更高的准确率，同时保持了计算效率。

ABSTRACT

We present in this paper an original extension of two data-driven algorithms for the transcription of a sequence of graphemes into the corresponding sequence of phonemes. In particular, our approach generalizes the algorithm originally proposed by Dedina and Nusbaum (D&N) (1991), which had originally been promoted as a model of the human ability to pronounce unknown words by analogy to familiar lexical items. We will show that DN's algorithm performs comparatively poorly when evaluated on a realistic test set, and that our extension allows us to improve substantially the performance of the analogy-based model. We will also suggest that both algorithms can be reformulated in a much more general framework, which allows us to anticipate other useful extensions. However, considering the inability to define in these models important notions like lexical neighborhood, we conclude that both approaches fail to offer a proper model of the analogical processes involved in reading aloud.

研究动机与目标

• 为解决基于规则和基于分类的G2P系统在不规则词汇和新语言上的局限性。
• 扩展Dedina和Nusbaum的类比式G2P模型，该模型依赖词汇片段而非图素级分类。
• 提升类比模型在未见词汇（尤其是伪词）上的泛化性能。
• 探讨基于片段的模型是否可作为人类朗读过程的合理认知模型。
• 识别基于片段模型在结构与表征上的不足，这些不足导致其无法正确建模词汇邻近关系与类比推理。

提出的方法

• 提出SMPA算法，利用已知词汇中的多个无界重叠片段作为转写基础。
• 将词典视为图素-音素片段对的集合，而非单个图素。
• 应用结构排序标准（公式1）以评估并选择多个重叠片段组合中的最优解析结果。
• 在片段上使用正规语法框架来建模转写过程，从而实现歧义消解。
• 采用非分类方法，重点在于重新组合现有词汇片段，而非学习每个图素的规则。
• 建议该模型可扩展至相关任务，如音素转图素转换与重音标注。

实验结果

研究问题

• RQ1 基于重叠片段的类比式G2P模型是否能在真实测试集上超越原始Dedina和Nusbaum算法？
• RQ2 基于片段的模型在多大程度上能复现人类对伪词的发音？
• RQ3 为何尽管准确率较高，基于片段的模型仍无法正确建模词汇邻近关系与类比推理？
• RQ4 能否在通用框架内形式化解析的结构排序，并支持概率扩展？
• RQ5 如何将更丰富的词典表示（如词性标注）整合到基于片段的模型中以提升性能？

主要发现

• 原始的Dedina和Nusbaum算法在真实测试集上的表现欠佳，泛化能力低于预期。
• 所提出的SMPA算法显著优于原始模型，在未见词汇上实现了更高的准确率。
• SMPA表明，非分类的、基于片段的方法在G2P转换中可极为有效。
• 尽管在人类风格伪词发音上表现良好，SMPA与原始模型均未能正确建模词汇邻近关系或类比推理。
• 该框架可推广至其他任务，如音素转图素转换与重音标注。
• 该模型依赖片段重组，因而无法定义关键认知概念，如‘类似词汇项’或‘词汇邻近关系’。