|
|
# g2p 字典设计
|
|
|
<!--
|
|
|
modified from https://zhuanlan.zhihu.com/p/349600439
|
|
|
-->
|
|
|
本文主要讲语音合成的 g2p (grapheme to phoneme) 部分。
|
|
|
|
|
|
代码: [generate_lexicon.py](https://github.com/PaddlePaddle/PaddleSpeech/blob/develop/examples/other/mfa/local/generate_lexicon.py) （代码可能与此处的描述有些许出入，以代码为准，生成的带 tone 带儿化的 pinyin 字典参考 [simple.lexicon](https://github.com/PaddlePaddle/PaddleSpeech/blob/develop/examples/csmsc/tts3/local/simple.lexicon)）
|
|
|
|
|
|
## ARPAbet
|
|
|
对于英文 TTS，常用的 g2p 是通过查询 CMUDict 来实现，而 CMUDict 注音使用的系统是 ARPAbet，具体含义参见 [CMU 发音词典](http://www.speech.cs.cmu.edu/cgi-bin/cmudict/)。
|
|
|
|
|
|
它包含 39 个 phoneme， 不包含音词汇重音的变体:
|
|
|
|
|
|
| Phoneme | Example | Translation |
|
|
|
|:-------------:|:-------:|:-----------:|
|
|
|
| AA | odd | AA D |
|
|
|
| AE | at | AE T |
|
|
|
| AH | hut | HH AH T |
|
|
|
| AO | ought | AO T |
|
|
|
| AW | cow | K AW |
|
|
|
| AY | hide | HH AY D |
|
|
|
| B | be | B IY |
|
|
|
| CH | cheese | CH IY Z |
|
|
|
| D | dee | D IY |
|
|
|
| DH | thee | DH IY |
|
|
|
| EH | Ed | EH D |
|
|
|
| ER | hurt | HH ER T |
|
|
|
| EY | ate | EY T |
|
|
|
| F | fee | F IY |
|
|
|
| G | green | G R IY N |
|
|
|
| HH | he | HH IY |
|
|
|
| IH | it | IH T |
|
|
|
| IY | eat | IY T |
|
|
|
| JH | gee | JH IY |
|
|
|
| K | key | K IY |
|
|
|
| L | lee | L IY |
|
|
|
| M | me | M IY |
|
|
|
| N | knee | N IY |
|
|
|
| NG | ping | P IH NG |
|
|
|
| OW | oat | OW T |
|
|
|
| OY | toy | T OY |
|
|
|
| P | pee | P IY |
|
|
|
| R | read | R IY D |
|
|
|
| S | sea | S IY |
|
|
|
| SH | she | SH IY |
|
|
|
| T | tea | T IY |
|
|
|
| TH | theta | TH EY T AH|
|
|
|
| UH | hood | HH UH D |
|
|
|
| UW | two | T UW |
|
|
|
| V | vee | V IY |
|
|
|
| W | we | W IY |
|
|
|
| Y | yield | Y IY L D |
|
|
|
| Z | zee | Z IY |
|
|
|
| ZH | seizure| S IY ZH ER|
|
|
|
|
|
|
另外还包含三个重音标记，
|
|
|
|
|
|
0 — No stress
|
|
|
1 — Primary stress
|
|
|
2 — Secondary stress
|
|
|
|
|
|
其中重音标记附在元音后面。当只需要音标而不需要重音标记的时候也可以直接省略。
|
|
|
|
|
|
CMUDict 只是一个词典，当出现了不在词典中的词时（OOV），可以求助其他工具可以根据拼写得到对应的发音，如:
|
|
|
|
|
|
[Lexicon Tool](http://www.speech.cs.cmu.edu/tools)
|
|
|
|
|
|
[g2p-seq2seq](https://github.com/cmusphinx/g2p-seq2seq)
|
|
|
|
|
|
## 中文注音系统
|
|
|
|
|
|
中文普通话的注音系统存在许多套，比如汉语拼音 (pinyin)， 注音符号 (bopomofo)， 国语注音符第二式， 威妥玛拼音等。而且有一些并非注音方案，是拉丁化方案，因此为了符号系统的经济性，会做一些互补符号的简并，比如汉语拼音中的 `i` 的代表了三个音位， `e` 代表了两个音位（单用的情况很少， 单用时写作 `ê`）；也有一些简写，比如 `bpmf` 后的 `o` 是 `uo` 的简写， `ui` 是 `uei` 的简写，` iu` 是 `iou` 的简写， `un` 是 `uen` 的简写， `ao` 是为了书写避免形近而改掉的 `au`， `y` 和 `w` 是为了连续书写时作为分隔而产生的零声母， `ü` 在 `j`、 `q`、 `x` 后面省略两点（中国大陆使用美式键盘打字的时候，一般只有在“女”、 “律”、“略”和“虐”这一类的字里面用 `v` 代替 `ü`，而在 `j`、 `q`、 `x` 后面的时候则仍用 `u` ），有鼻韵母 `uang` 而没有 `ueng`，但是又有 `weng` 这个音节之类的问题， 有 `ong` 韵母但是又没有单用的情形。其实这些都是汉语拼音作为拉丁化方案而做的一系列的修改。
|
|
|
|
|
|
另外，汉语的声调是用了特殊符号来标调型，用字母记录的时候常用 `12345` 或者 `1234`、轻音不标等手段。
|
|
|
|
|
|
另外还有两个比较突出的问题是**儿化**和**变调**（参考 [zh_text_frontend](https://github.com/PaddlePaddle/PaddleSpeech/blob/develop/docs/source/tts/zh_text_frontend.md)）。对于具体的数据集，也可能有不同的标注方案。一般我们为汉字标音是标字调而不标变调，但是**标贝数据集是标变调的**（但是也没有把所有的变调都正确标出来）。儿化在汉语书写和拼音中也是一个比较麻烦的事情，虽然正字法中说到可以用小字号的儿表示儿化，但是这种发音由字号这种排版要素来表达的手法未免过于崎岖，所以鲜见有人真的这么排版，只有在某些书籍中，强调此事的时候见过。另外，在儿化的标音方式上，鼻韵母需要去掉韵尾然后换成 r，这么一来，如果直接抽取拼音的字符串表示，那么可能出现的音节就会超过 1400， 甚至进入一种含糊的状态，不清楚一共有多少个有效音节，即使是韵母，也会因此扩展近一倍。
|
|
|
|
|
|
因为存在这样的情形，再考虑到不同的数据集自带的拼音 transcription 的风格可能不同，所以需要考虑进行转换，在内部转成统一的表示。既然这个过程是必要的，那么我们可以大胆设计一个内部方案。
|
|
|
|
|
|
这里设计的原则是：
|
|
|
|
|
|
1. 有效符号集仅切分为声母和韵母，不作声母，介音，韵腹，韵尾的切分；
|
|
|
|
|
|
2. 尽可能把不同的音用不同的符号表示，比如 `i` 的 `e` 会被拆分为 3 和 2 个符号， `u` 和 `ü` 开头的韵母分开，这是为了 TTS 系统的建议性考虑的，我们选择尽量反映语音的现实情况，而不把注音系统里面的奇怪规则留给模型去学习；
|
|
|
|
|
|
3. 不包含零声母 `y`， `w`之类的形式上的符号，因为如果这些符号不发声或者发声极短，那么可以不加入音符序列中，以期待 attention 更对角；
|
|
|
|
|
|
4. 声调和韵母不结合为一个符号，而是分开，这样可以**减少词汇量**，使得符号的 embedding 得到更充分的训练，也更能反映声调语言的特点（数据集少时推荐这么做）；
|
|
|
|
|
|
5. 儿化的标音方式采用拆分的方式处理， 但是增设一个特殊符号 `&r` 来表示儿化的 `r`，它和一般的 `er` 不同，以区分实际读音的区别。
|
|
|
|
|
|
6. 更加贴近注音符号，把 `in` 写作 `ien`，`ing` 写作 `ieng`， `un` 写作 `uen`， `ong` 写作 `ueng`， `iong` 写作 `üeng`。其中 `in` 和 `ing` 的转写纯属偏好，无论用什么符号写，都可以被转为一个 index， 只要它们的使用情况不发声变化就可以。而 `ong` 写作 `ueng` 则是有实际差别的，如果 `ong` 作为一个韵母，那么 `weng` 经过修改之后会变成 `ueng`， 就会同时有 `ueng` 和 `ong`。而如果不细究音值上的微妙差异，`ong` 就是 `ung` 的一种奇怪表示， 在注意符号中， 它就记作 `ㄨㄥ`。而 `iong` 则是 `ㄩㄥ`。
|
|
|
|
|
|
7. `ui`， `iu` 都展开为 `uei` 和 `iou` ， 纯属偏好，对实际结果没有影响。`bpmf `后的 `o` 展开为 `uo`，这个则是为了和单独的 `o` 区分开（哦， 和波里面的韵母的发音其实不同）。
|
|
|
|
|
|
8. 所有的 `ü `都有 `v` 代替，无论是单独作韵母， 还是复韵母和鼻韵母。
|
|
|
|
|
|
9. 把停顿以 `#1` 等方式纳入其中， 把 `<pad>` `<unk>` `<s>` `</s>` 这些为了处理符号系列的特殊符号也加入其中，多一些特殊词汇并不会对 Embedding 产生什么影响。
|
|
|
|
|
|
于是我们可以的通过一套规则系统，把标贝的**拼音标注**转换成我们需要的形式。（当然，如果是别的数据集的实际标注不同，那么转换规则也要作一些修改)
|
|
|
|
|
|
在实际使用中文数据集时，我们仅使用其提供的**拼音标注**，而不使用**音素标注**（PhoneLabel），因为不同的数据集有不同的标注规则，而且有的数据集是没有**音素标注**的（如，aishell3）
|
|
|
|
|
|
我们的做法和维基百科上的汉语拼音音节列表更接近 [汉语拼音音节列表](https://zh.wikipedia.org/zh-hans/%E6%B1%89%E8%AF%AD%E6%8B%BC%E9%9F%B3%E9%9F%B3%E8%8A%82%E5%88%97%E8%A1%A8)
|
|
|
|
|
|
转换之后，符号列表是：
|
|
|
|
|
|
声母基本没有什么争议，共 21 个:
|
|
|
|声母|
|
|
|
|:--:|
|
|
|
|b|
|
|
|
|p|
|
|
|
|m|
|
|
|
|f|
|
|
|
|d|
|
|
|
|t|
|
|
|
|n|
|
|
|
|l|
|
|
|
|g|
|
|
|
|k|
|
|
|
|h|
|
|
|
|j|
|
|
|
|q|
|
|
|
|x|
|
|
|
|zh|
|
|
|
|ch|
|
|
|
|sh|
|
|
|
|r|
|
|
|
|z|
|
|
|
|c|
|
|
|
|s|
|
|
|
|
|
|
韵母和儿化韵尾（共 41个）
|
|
|
|韵母|解释|
|
|
|
|:----:|:-----------: |
|
|
|
|ii |`zi`，`ci`， `si` 里面的韵母 `i`|
|
|
|
|iii |`zhi`， `chi`， `shi`， `ri` 里面的韵母 `i`|
|
|
|
|a |啊，卡|
|
|
|
|o |哦|
|
|
|
|e |恶，个|
|
|
|
|ea |ê|
|
|
|
|ai |爱，在|
|
|
|
|ei |诶，薇|
|
|
|
|ao |奥，脑|
|
|
|
|ou |欧，勾|
|
|
|
|an |安，单|
|
|
|
|en |恩，痕|
|
|
|
|ang |盎，刚|
|
|
|
|eng |嗯，更|
|
|
|
|er |儿|
|
|
|
|i |一|
|
|
|
|ia |鸦，家|
|
|
|
|io |哟|
|
|
|
|ie |叶，界|
|
|
|
|iai |崖（台语发音）|
|
|
|
|iao |要，教|
|
|
|
|iou |有，久|
|
|
|
|ian |言，眠|
|
|
|
|ien |因，新|
|
|
|
|iang |样，降|
|
|
|
|ieng |英，晶
|
|
|
|u |无，卢|
|
|
|
|ua |哇，瓜|
|
|
|
|uo |我，波|
|
|
|
|uai |外，怪|
|
|
|
|uei |位，贵|
|
|
|
|uan |万，乱|
|
|
|
|uen |问，论|
|
|
|
|uang |网，光|
|
|
|
|ueng |翁，共|
|
|
|
|v |玉，曲，`ü`|
|
|
|
|ve |月，却|
|
|
|
|van |源，倦|
|
|
|
|ven |韵，君|
|
|
|
|veng |永，炯|
|
|
|
|&r |儿化韵尾|
|
