如何用R从字符串中识别并拆分完整国际音标(IPA)音素？

要将包含组合字符的IPA字符串拆分为完整音素（例如把nukapːiaʁaq拆成n_u_k_a_pː_i_a_ʁ_a_q，而非拆分pː），可以基于已知的IPA音素集合构建正则表达式，优先匹配长音素的方式实现，无需依赖外部Python模块。

实现步骤 #

• 准备完整的IPA音素集合（以你提供的Panphon数据为基础）
• 对音素按长度降序排序，确保长音素（如pː、b͡dːˤ）优先被匹配，避免被拆分为单个字符
• 构建正则表达式匹配所有音素，再提取并拼接结果

代码示例 #

library(stringr)

# 示例IPA音素集合（替换为Panphon完整数据集即可）
example_ipa <- c("ḁː","b͡dːˤ","k","k͡pˠ","ʁ","o","ʔ","pː","p")

# 按音素长度降序排序，保证长音素优先匹配
sorted_ipa <- example_ipa[order(-nchar(example_ipa))]

# 构建匹配所有音素的正则表达式
ipa_regex <- str_c(sorted_ipa, collapse = "|")

# 定义拆分函数：提取音素并以下划线连接
split_ipa <- function(word) {
  phonemes <- str_extract_all(word, ipa_regex)[[1]]
  str_c(phonemes, collapse = "_")
}

# 测试示例样本
example_sample <- c("ʔpoɣʔe","mtoto","nukapːiaʁaq","boobal","tamaru")
lapply(example_sample, split_ipa)

关键说明 #

普通的字符拆分工具（如str_split）会按单个Unicode字符拆分，无法识别组合音素。而基于预定义音素集合的正则匹配，通过长音素优先的排序逻辑，能准确识别完整的音素单元。如果使用Panphon的完整6487条数据，只需替换example_ipa为对应的数据集即可覆盖所有场景。

内容的提问来源于stack exchange，提问作者Samsom