CUNY-CL/wikipron

何を解決するか

WikiPronは、Wiktionaryから発音データを自動収集するように設計されています。広範な言語における単語と発音のペア（G2Pデータ）を手動で収集するという問題を解決し、音声合成や音声認識システムの構築に不可欠なデータを提供します。

動作方法

このツールはコマンドラインインターフェース（CLI）とPython APIの両方で動作します。International Phonetic Alphabet（IPA）の表記をWiktionaryからスクレイピングし、ISO 639-3コードで言語を指定したり、特定の方言を対象にしたり、広義または狭義の表記を選択したりできます。また、機械学習モデルの精度向上のため、発音記号のディアクリティクスや修飾記号が親記号と正しくグループ化されるように、IPA記号の分割処理も行います。

対象ユーザー

音声技術、言語学、自然言語処理（NLP）の研究者や開発者向けです。発音辞書の作成に役立ちます。

特徴

• 多言語対応：348言語のデータ収集をサポート。
• カスタマイズ可能なスクレイピング：方言や表記レベル（広義 vs. 狭義）でフィルタリング可能。
• IPAの分割処理：segmentsライブラリを使用して、モデル作成に適したIPAディアクリティクスの処理を正確に行います。
• 即時利用可能なデータ：500万以上の単語-発音ペアからなるデータベースを提供。