PaddleSpeech/docs/topic/frontend/g2p.md

g2p 字典设计

本文主要讲语音合成的 g2p (grapheme to phoneme) 部分。

代码: 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）

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。

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
• 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）。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

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