轻量级多语言拼音转换模型，支持拉丁语系语言的高效语音处理。
LatPhon: Lightweight Multilingual G2P for Romance Languages and English
- 基于750万参数的Transformer，联合训练六种拉丁语系语言。
- 在ipa-dict数据集上达到3.5%的音素错误率，接近专用系统性能。
- 仅占30MB内存，适合设备端部署，适用于多语言语音应用。
音素到音素（G2P）转换是文本转语音（TTS）、自动语音识别（ASR）、语音到语音翻译（S2ST）和对齐系统的关键前端，尤其在多种拉丁字母语言间尤为重要。我们提出LatPhon，一个拥有750万参数的Transformer模型，联合训练了英语、西班牙语、法语、意大利语、葡萄牙语和罗马尼亚语六种语言。在公开的ipa-dict语料库上，其平均音素错误率（PER）为3.5%，优于字节级ByT5基线（5.4%），接近专用语言的WFST系统（3.2%），同时仅需30MB内存，使设备端部署成为可能。这些结果表明，紧凑的多语言G2P可作为拉丁语系语音流程的通用前端。
原文摘要 · Abstract (English)
Grapheme-to-phoneme (G2P) conversion is a key front-end for text-to-speech (TTS), automatic speech recognition (ASR), speech-to-speech translation (S2ST) and alignment systems, especially across multiple Latin-script languages.We present LatPhon, a 7.5 M - parameter Transformer jointly trained on six such languages--English, Spanish, French, Italian, Portuguese, and Romanian. On the public ipa-dict corpus, it attains a mean phoneme error rate (PER) of 3.5%, outperforming the byte-level ByT5 baseline (5.4%) and approaching language-specific WFSTs (3.2%) while occupying 30 MB of memory, which makes on-device deployment feasible when needed. These results indicate that compact multilingual G2P can serve as a universal front-end for Latin-language speech pipelines.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。