语音合成（TTS)论文优选：Distant Supervision for Polyphone Disambiguation in Mandarin Chinese

声明：语音合成（TTS)论文优选系列主要分享论文，分享论文不做直接翻译，所写的内容主要是我对论文内容的概括和个人看法。如有转载，请标注来源。

欢迎关注微信公众号：低调奋进

Distant Supervision for Polyphone Disambiguation in Mandarin Chinese

本文章是中国科学院软件研究所在interspeech 2020发表的文章，主要的工作为使用远程监控的方法来对中文的多音字进行消歧，具体的文章链接

https://www.isca-speech.org/archive/Interspeech_2020/pdfs/2427.pdf

1 背景

g2p(grapheme-to-phoneme)模块在语音合成系统必不可少的模块，对于大部分的汉子只有一个对应的读音，但中文中存在一个字对应多个读音的问题，我们成为该类字为多音字，多音字的读音需要根据上下文的语境才能够确认。通常多音字消歧的方案分为两类：基于规则的方案和基于数据驱动的方案。基于规则的方案是通过开发者手工写规则来处理多音字，该方案的缺点是覆盖样本较低。基于数据驱动的方案是使用标注的数据来训练模型，然后使用该模型来预测多音字读音（分类问题），该方案的缺点是无法获取大量的标注多音字训练语料，而且语料存在覆盖率不全，数据分布不平衡等等问题。本文提出使用远程监控的方案直接把character sequence映射到phoneme sequence，更好对多音字消歧。

2 详细设计

图1为本文的详细架构图，主要分为三个模块：distantly supervised data generation module, character-phoneme transformation module和reranking module。其中distantly supervised data generation module主要功能是生成<character, phoneme>训练语料，为haracter-phoneme transformation module和reranking module提供训练数据。character-phoneme transformation module 是把<character, phoneme>进行映射的模块，该模块本文使用三种常用的Seq2Seq模型：global attention的LSTM网络、Tansformer和CNN。reranking module对预测的phoneme sequence进行打分，选取得分最高的序列，添加该模块主要是为了缓解distantly supervised data generation module生成的数据带噪。

3 实验

本文主要使用Auto， manu和cpp数据，其中auto数据是distantly supervised data generation module生成的数据，实验数据分配图table 2所示。

先看一下准确率，本文提到的各种方法比基准方案pypinyin和g2p较优。而且使用LM进行rerank提高了准确率。

​

最后比较是否使用auto数据的效果（distantly supervised data generation module的效果），结果显示使用auto数据较好。

4 总结

本文提出使用distantly supervised来对多音字进行消歧，实验证明本文提出的方案可以获得较高的准确率。（说实话，我对LM的那块还没研究透，先做个标记，等有时间看看LM相关的内容）