15.1 语音与语音转写

像“p”或“a”这样的字母已经是人类语音的一种有用模型；第 16 章将看到如何在字母和波形之间进行映射。不过，以稍微抽象一些的方式表示声音也很有帮助。我们将一个词的发音表示为一串音段（phone），即语音；每个音段都使用改造自罗马字母的符号表示。

转写世界各语言的标准语音表示系统是国际音标（International Phonetic Alphabet，IPA），这是一项始于 1888 年、不断发展的标准。但本章将使用 ARPAbet（Shoup, 1980）表示音段。ARPAbet 是一种简单的语音字母表（图 15.1），方便地使用 ASCII 符号表示 IPA 中的美式英语子集。

许多 IPA 和 ARPAbet 符号与熟悉的罗马字母相同。例如，ARPAbet 音段 [p] 表示 platypus、puma 和 plantain 开头的辅音，leopard 中间的辅音，或 antelope 末尾的辅音。不过，总体而言，英语正字法字母与音段之间的映射相对不透明；同一个字母在不同上下文中可能表示非常不同的声音。英语字母 c 在 cougar [k uw g axr] 中对应音段 [k]，但在 cell [s eh l] 中对应音段 [s]。除了写作 c 和 k 之外，音段 [k] 还可以作为 x 的一部分出现（fox [f aa k s]），也可以写作 ck（jackal [jh ae k el]）或 cc（raccoon [r ae k uw n]）。例如西班牙语等许多其他语言的声音—正字法映射比英语透明得多。

图 15.1 英语辅音（左）和元音（右）的 ARPAbet 与 IPA 符号。

语音转写有许多语音资源。在线发音词典会给出单词的语音转写。LDC 分发埃及阿拉伯语、荷兰语、英语、德语、日语、韩语、普通话和西班牙语的发音词典。对于英语，CELEX 词典（Baayen et al., 1995）收录了 160,595 个词形的发音，以及音节划分、重音、形态和词性信息。开源的 CMU 发音词典（CMU, 1993）收录了约 134,000 个词形的发音；细粒度的 110,000 词 UNISYN 词典（Fitt, 2002）可免费用于研究，提供音节划分、重音以及几十种英语方言的发音。

另一种有用资源是语音标注语料库，其中一组波形由人工标注了相应的音段串。TIMIT 语料库（NIST, 1990）最初是 Texas Instruments（TI）、MIT 和 SRI 的联合项目，包含 6,300 个朗读句子，每位说话人 10 句，共 630 位说话人。这 6,300 个句子取自 2,342 个句子的集合，其中一些为包含特定方言特征而选取，另一些则用于最大化语音二元组覆盖率。语料库中的每个句子都由人工完成语音标注；音段序列先与句子的波形文件自动对齐，然后再由人工校正自动确定的音段边界（Seneff and Zue, 1988）。最终得到时间对齐的转写：每个音段都与波形中的开始时间和结束时间相关联，如图 15.2 所示。

图 15.2 TIMIT 语料库中的语音转写。使用了用于窄式转写的特殊 ARPAbet 特征，例如 had 中 [d] 的腭化、dark 末尾未释放的塞音、suit 末尾 [t] 的声门化（[q]），以及 water 中 [t] 的闪音。TIMIT 语料库还包含时间对齐信息（图中未显示）。

Switchboard 转写项目的语音标注语料库包含从 Switchboard 语料库（Greenberg et al., 1996）中提取的 3.5 小时句子，并提供在音节层面进行时间对齐的转写。图 15.3 展示了一个例子。

图 15.3 Switchboard 短语 “they’re kind of in between right now” 的语音转写。注意 they’re 和 of 中的元音弱化、kind 和 right 中的韵尾删除，以及重新音节化（of 中的 [v] 作为 in 的起始音附着）。时间以秒数表示，从句子开头到每个音节起始位置的时间。

Buckeye 语料库（Pitt et al., 2007；Pitt et al., 2005）是一个自发美式英语语音转写语料库，包含 40 位说话人的约 300,000 个词。其他语言也有语音转写语料库，例如德语 Kiel 语料库，以及中国社会科学院转写的普通话语料库（Li et al., 2000）。