CUNY-CL/wikipron

解决的问题

WikiPron 旨在自动化从 Wiktionary 收集发音数据。它解决了为多种语言手动收集词-发音对（G2P 数据）的问题，这对于构建语音合成或语音识别系统至关重要。

工作原理

该工具既作为命令行界面（CLI）又作为 Python API 运行。它从 Wiktionary 抓取国际音标（IPA）转写，允许用户通过 ISO 639-3 代码指定语言、针对特定方言，并选择宽式或窄式转写。它还处理 IPA 符号的分段，以确保变音符号和修饰符正确地与父符号分组，从而更好地支持机器学习建模。

适用人群

适用于从事语音技术、语言学和自然语言处理（NLP）的研究人员和开发者，用于创建发音词典。

主要亮点

• 多语言支持：支持 348 种语言的数据挖掘。
• 可自定义抓取：可按方言和转写级别（宽式 vs. 窄式）进行过滤。
• IPA 分段处理：使用 segments 库正确处理 IPA 变音符号，以满足建模需求。
• 即用型数据：提供超过 500 万个词-发音对的数据库。