3.4 建立矿物图谱：音素集设计与发音词典构建

3.4 建立矿物图谱：音素集设计与发音词典构建

本节摘要：音素集定义"语言的最小发音单位"，发音词典把词表逐条翻译成音素序列，两者合起来构成声学模型与语言模型之间的汇率体系。本节从零建一套小规模图谱：设计音素表、生成词典、登记特殊条目、跑语言资源准备脚本、验收产物。承接 3.3 的干净标注，是备矿的收官工序。

给每种矿物建档

化验单治理完，每个词都"有名有姓"了，但声学模型不认名字只认发音。档案室要为词表里每个词建一张发音卡：这个词由哪几个音素按什么顺序拼出来。卡片集合就是发音词典，音素的分类目录就是音素集。

音素集怎么定，是这道工序里最大的设计决策，因为粒度直接决定后续一切。定粗了（比如直接用拼音音节），发音区分度够，但音节组合数上千，声学模型每个单元能分到的训练数据变少；定细了（拆到声母韵母再带声调），单元数压到百级，数据充足，但需要一套可靠的"字到音素"换算规则。中文任务通行做法是声韵母体系：声母二十来个、韵母三十来个，声调视任务决定是否并入韵母（口语任务常不带调，朗读任务常带调）。

英文任务没有现成声韵母表，通行做法是直接采用一套约定的音素符号体系（与多数开源词典兼容），词典靠人工标注加自动生成器补齐：人工标几百个高频词打底，剩下的丢给"字转音"模型按拼写规律猜发音，猜完抽查纠错。

特殊条目：图谱里的"非矿物种"

图谱里除了正经词，还要登记几类特殊条目。静音条目对应词间停顿与首尾静音；噪声条目对应咳嗽、笑声、呼吸声这类"有声但不是话"的成分；填充词条目对应呃嗯这类犹豫声。它们不进语言模型的正式词表（或以极低概率进），但声学模型必须会给它们打分，否则这些时段的帧会被硬塞给某个正经音素，污染参数。

# 音素表（简化示意）：一音素一行，可附类别注释
a        # 韵母：啊
i        # 韵母：衣
an       # 韵母：安
b        # 声母：玻
sh       # 声母：诗
SIL      # 静音条目
SPN      # 噪声条目（ spoken noise ）
LAU      # 笑声条目

# 词典片段：词  音素序列（可多行表变体）
八      b a
把      b a
识别    sh i b i
语音    y v y in
<SIL>   SIL
<SPN>   SPN
​

两个表之间的一致性是硬约束：词典里出现的每个音素都必须在音素表注册，音素表里的非静音音素最好都在词典里被至少一个词用到（没用到的等于白建模）。

案例实操：给两百词的小任务建图谱

背景：一个工厂语音指令任务，词表两百个整词，全是短指令（启动、停止、查询故障之类）。目标：产出能通过语言资源准备脚本的词典包。

操作分三步。第一步定音素集：指令是清晰口令，选声韵母体系不带调，音素总数六十出头。第二步生成词典：两百个词的发音人工录写太慢，用一张"字到声韵母"的对照表自动展开，人工复核容易出错的同音字。

# 字到声韵母的自动展开（玩具版，实际用完整对照表）
char2phones = {
    "启": ["q", "i"], "动": ["d", "ong"],
    "停": ["t", "ing"], "止": ["zh", "i"],
    "查": ["ch", "a"], "询": ["x", "un"],
    "故": ["g", "u"], "障": ["zh", "ang"],
}
words = ["启动", "停止", "查询故障"]
for w in words:
    phones = [p for ch in w for p in char2phones[ch]]
    print(f"{w}\t{' '.join(phones)}")
# 输出：
# 启动    q i d ong
# 停止    t ing zh i
# 查询故障 ch a x un g u zh ang
​

第三步装配：把词典包交给语言资源准备脚本，它会展开音素的上下文依赖、构建词典与语法的转换器、生成符号表。

# 装配命令（在食谱目录内，词典包已备好）
utils/prepare_lang.sh data/local/dict \
  "<SPN>" data/local/lang data/lang
# 预期输出：多段日志滚动，最后无报错结束

# 验收：语言目录的四样关键产物
ls data/lang
# 预期输出（节选）：
# L.fst  L_disambig.fst  G.fst  phones.txt  words.txt  topo
# L 是词典转换器，G 是语法转换器，
# 两个符号表分别是音素与词的编号账本
​

结果解读：符号表是"名字到编号"的账本，转换器是"编号之间的跳转规则"。第 5 章组装解码图时，会看到这几样原料如何进一步与声学模型焊接成完整的搜索空间。验收时再跑一道词典自检：音素表与词典双向核对、词表与语言模型词表核对，三账对齐才算入库。

变式：若任务词汇开放（不能穷举词表），图谱策略要换成"子词单元"——把词拆成字或词片段，词典给片段建档，解码时片段串回词。子词方案牺牲一点语言模型精度，换取对生词的免疫，第 6 章谈领域迁移时会再遇到它。

英文与中英混排任务的图谱还有一层"生成器"话题。所谓字转音生成器，是一个学过大量"拼写到发音"对照的小模型：给它没见过的词，它按学到的规律猜一串音素。用法上的要点是"生成加抽检"——批量生成后，按词频从高到低人工过一遍前几百条，错误集中在低频词时可以放行，错误蔓延到高频词时说明生成器与你的音素表不匹配，需要补训练。中英混排任务的常见做法是两套音素表合并：中文声韵母加英文音素，各自独立编号，词典里中文词用中文音素、英文词用英文音素，互不干扰。

音素变体是图谱的最后一道选修课。同一个词可能有多种可接受读法（书面读法与口语缩读、地名的地方读法），词典允许一个词挂多行发音，解码时各行竞争。工程提醒是变体别贪多：两三个常见变体足够，挂上十几种读法等于告诉模型"怎么读都行"，声学参数会学散。变体发音的另一个来源是口音——目标用户口音统一时，直接把变体写成该口音的读法，比死守标准音更贴合任务。

⚠️ 常见坑一：同音词在词典里发音相同、在语言模型里概率不同，这是正常设计；但若把同音词直接合并成一个词条，语言模型的区分信息就丢了。坑二：静音条目只登记了一种，而真实停顿有长短两类，长任务建议分开建模。坑三：词典带了变体发音却没在训练时声明概率，两条发音平权，模型会学得犹豫。

档案室交接

• 粒度即命运：声韵母体系是中文通用解，带调与否看任务口语化程度。
• 特殊条目不能省：静音、噪声、笑声都要建档，否则它们的帧会污染正经音素。
• 三账对齐：音素表、词典、语言模型词表，装配前逐一如对。
• 封闭词表用整词，开放词表用子词：图谱设计跟着任务边界走。

备矿四道工序走完，标准料齐了。下一章点火开炉：三代选矿机依次运转，从高斯混合的逐级精炼，到神经网络接管打分，再到链式模型的整体提效。