从Python NLTK或其他模块中的任何单词获取音素？

Question

Python NLTK 具有 cmudict，可以输出已识别单词的音素。例如 'see' -> [u'S', u'IY1']，但对于无法识别的单词，它会给出错误。例如“seasee”-> 错误。

import nltk

arpabet = nltk.corpus.cmudict.dict()

for word in ('s', 'see', 'sea', 'compute', 'comput', 'seesea'):
    try:
        print arpabet[word][0]
    except Exception as e:
        print e

#Output
[u'EH1', u'S']
[u'S', u'IY1']
[u'S', u'IY1']
[u'K', u'AH0', u'M', u'P', u'Y', u'UW1', u'T']
'comput'
'seesea'

是否有任何模块没有该限制，但能够查找/猜测任何真实或虚构单词的音素？

如果没有，有什么办法可以编程出来吗？我正在考虑做循环来测试单词的增加部分。例如，在“seasee”中，第一个循环采用“s”，下一个循环采用“se”，第三个循环采用“sea”...等等并运行 cmudict。尽管问题是我不知道如何表示这是需要考虑的正确音素。例如，“seasee”中的“s”和“sea”都会输出一些有效的音素。

工作进展：

import nltk

arpabet = nltk.corpus.cmudict.dict()

for word in ('s', 'see', 'sea', 'compute', 'comput', 'seesea', 'darfasasawwa'):
    try:
        phone = arpabet[word][0]
    except:
        try:
            counter = 0
            for i in word:
                substring = word[0:1+counter]
                counter += 1
                try:
                    print substring, arpabet[substring][0]
                except Exception as e:
                    print e
        except Exception as e:
            print e

#Output
c [u'S', u'IY1']
co [u'K', u'OW1']
com [u'K', u'AA1', u'M']
comp [u'K', u'AA1', u'M', u'P']
compu [u'K', u'AA1', u'M', u'P', u'Y', u'UW0']
comput 'comput'
s [u'EH1', u'S']
se [u'S', u'AW2', u'TH', u'IY1', u'S', u'T']
see [u'S', u'IY1']
sees [u'S', u'IY1', u'Z']
seese [u'S', u'IY1', u'Z']
seesea 'seesea'
d [u'D', u'IY1']
da [u'D', u'AA1']
dar [u'D', u'AA1', u'R']
darf 'darf'
darfa 'darfa'
darfas 'darfas'
darfasa 'darfasa'
darfasas 'darfasas'
darfasasa 'darfasasa'
darfasasaw 'darfasasaw'
darfasasaww 'darfasasaww'
darfasasawwa 'darfasasawwa'

Answer 1

我遇到了同样的问题，我通过递归分区未知解决了它（参见

wordbreak

）

import nltk
from functools import lru_cache
from itertools import product as iterprod

try:
    arpabet = nltk.corpus.cmudict.dict()
except LookupError:
    nltk.download('cmudict')
    arpabet = nltk.corpus.cmudict.dict()

@lru_cache()
def wordbreak(s):
    s = s.lower()
    if s in arpabet:
        return arpabet[s]
    middle = len(s)/2
    partition = sorted(list(range(len(s))), key=lambda x: (x-middle)**2-x)
    for i in partition:
        pre, suf = (s[:i], s[i:])
        if pre in arpabet and wordbreak(suf) is not None:
            return [x+y for x,y in iterprod(arpabet[pre], wordbreak(suf))]
    return None

Answer 2

尝试发音模块：

https://pronouncing.readthedocs.io/en/latest/

样品：

发音.phones_for_word(“单词”)

我希望这有效:)

Answer 3

您可以使用LOGIOS词典工具。这是您示例的输出：

S   EH S
SEE S IY
SEA S IY
COMPUTE K AH M P Y UW T
COMPUT  K AH M P UH T
SEESEA  S IY S IY

我不知道有任何Python实现，你可以尝试自己实现，或者使用subprocess.call

调用

perl代码

Answer 4

您可以使用g2p库

安装：

pip install g2p_en

或

python setup.py install

用途：

from g2p_en import G2p

texts = ["using g2p"]
g2p = G2p()
for text in texts:
    out = g2p(text)
    print(out)

Answer 5

我刚刚完成了不知道的答案。通过使用以下代码，您将获得与从 LOGIOS Lexicon Tool 获得的结果完全相同的结果 ，基于 CMUdict。

import re
import pronouncing
text = "april is the cruelest month breeding lilacs out of the dead"
words = text.split()
WordToPhn=[]
for word in words:
    pronunciation_list = pronouncing.phones_for_word(word)[0] # choose the first version of the phoneme
    WordToPhn.append(pronunciation_list)

SentencePhn='  '.join(WordToPhn) 
Output = re.sub(r'\d+', '', SentencePhn) #Remove the digits in phonemes

#SentencePhn: EY1 P R AH0 L  IH1 Z  DH AH0  K R UW1 L AH0 S T  M AH1 N TH  B R IY1 D IH0 NG  L AY1 L AE2 K S  AW1 T  AH1 V  DH AH0  D EH1 D

#Output:EY P R AH L  IH Z  DH AH  K R UW L AH S T  M AH N TH  B R IY D IH NG  L AY L AE K S  AW T  AH V  DH AH  D EH D

我在每个单词的音素之间使用了两个空格。如果你想像LOGIOS Lexicon Tool一样只有一个空格，可以在这里改成一个空格：

SentencePhn='  '.join(WordToPhn)