CUNY-CL/wikipron

解決的問題

WikiPron 設計用於自動化從 Wiktionary 收集發音資料。它解決了為多種語言手動收集字詞-發音對（G2P 資料）的問題，這對於建立語音合成或語音辨識系統至關重要。

運作方式

此工具同時作為命令列介面（CLI）與 Python API 運作。它從 Wiktionary 抓取國際音標（IPA）轉寫，允許使用者透過 ISO 639-3 碼指定語言、針對特定方言，並選擇寬式或窄式轉寫。它也處理 IPA 符號的分段，以確保變音符號與修飾符正確地與其父符號分組，進而提升機器學習建模的品質。

適用對象

此工具適合從事語音技術、語言學與自然語言處理（NLP）的研究人員與開發者，用於建立發音詞典。

主要特色

• 多語言支援：支援 348 種語言的資料挖掘。
• 可自訂抓取：可依方言與轉寫層級（寬式 vs. 狹式）進行過濾。
• IPA 分段處理：使用 segments 套件正確處理 IPA 變音符號，以符合建模需求。
• 即用型資料：提供超過 500 萬個字詞-發音對的資料庫。