李 昕，李 珊，龚文涛，陈晓莹，李华昱

(1.中国石油大学(华东)计算机科学与技术学院 山东 青岛 266580；2.中国石油大学(华东)信息化建设处 山东 青岛 266580)

0 引言

音素(Phonemes)是决定发音差异的最小单位，例如/AA/、/B/，字素(Grapheme)是对应音素的单个字母或字母序列，例如〈a〉、〈th〉，字素和音素分别是单词和发音的基本单位。形音转换是指字素与音素逐步进行分解和匹配，在匹配对的基础上进行统计分析，形成发音规则，这个过程是语音识别和语音合成的基础。以英语为代表的印欧语系是语音型文字，从诞生之初就与发音形成紧密联系。掌握语音型文字的发音规则是学习相应语言的基础。Hanna[1]早在1965年就著书详细描述形音匹配，由于缺乏完整性和直观性，在当时并没有得到认可。Elovitz等[2]总结了329个字母到发音的规则，但准确性无法达到实际应用的需求。此外这些方法在词汇量很大时变得既耗时又繁杂。近年来，随着人工智能技术的发展，例如神经网络的应用，语音处理问题取得了极大的发展，在标准发音下的语音识别准确率达到了94%。尽管这些基于机器学习的方法提高了识别准确率，但是最终形成的语音规则数目繁多且冗长，不可解释性是其固有弊端，不利于学习者掌握。

建立发音规则非常复杂，主要是因为语言的历史演化和地域差别，出现了大量变种，外来词的引入、元音大迁移等事件的出现，加剧了发音异常变化。此外，由于地域的不同，即使在相同的上下文约束下，相同的字素序列也可能产生不同的发音，使得异常发音很难通过内部一致的方式提取通用规则集。……