LatPhon：面向罗曼语语言和英语的轻量级多语言 G2P
计算与语言
2025-09-04 v1
摘要
音素到音素 (G2P) 转换是文本语音合成 (TTS)、自动语音识别 (ASR)、语音到语音翻译 (S2ST) 以及对齐系统的关键前端，尤其是在跨多个拉丁脚本语言方面。我们提出了 LatPhon，一个参数为 7.5 百万的 Transformer 模型，同时在六种语言上进行联合训练——英语、西班牙语、法语、意大利语、葡萄牙语和罗马尼亚语。在公共 ipa-dict 语料库上，它实现了 3.5% 的平均音素错误率 (PER)，优于字节级 ByT5 基线 (5.4%)，并接近语言特定的 WFSTs (3.2%)，同时仅占用 30 MB 的内存，这使得在需要时进行边缘部署成为可能。这些结果表明，紧凑型多语言 G2P 可作为拉丁语言语音管道的通用前端。
关键词
引用
@article{arxiv.2509.03300,
title = {LatPhon: Lightweight Multilingual G2P for Romance Languages and English},
author = {Luis Felipe Chary and Miguel Arjona Ramirez},
journal= {arXiv preprint arXiv:2509.03300},
year = {2025}
}