如何用Python实现阿拉伯语Grapheme到Phoneme的转换及问题解决

一、文本归一化处理 #

先完成输入文本的清理和数字转写，这是音素转写的核心前置步骤：

1. 移除冗余内容 #

用正则表达式过滤掉非阿拉伯字母、数字和空格的冗余符号，同时合并多余空格，确保输入文本干净规范。

2. 数字转英文文本 #

使用num2words库将阿拉伯数字转为英文表达（如1990 → nineteen ninety），需先安装依赖：

pip install num2words

二、音素转写与多音素字母解决 #

阿拉伯语部分字母存在语境依赖的多音素问题（如"ا""ي""و"），不能仅靠简单的一对一字典映射，需结合位置、相邻字符等规则判断发音。

1. 扩展音素字典与规则设计 #

在基础字典的基础上，针对多音素字母添加判断逻辑：

• "ا"：词首发带喉塞音的长元音ʔɑː，词中/词尾发长元音ɑː
• "ي"：作为辅音（后接元音）发j，作为长元音（词尾或后接辅音）发iː
• "و"：作为辅音（后接元音）发w，作为长元音（词尾或后接辅音）发uː

2. 完整代码实现 #

import re
from num2words import num2words

def normalize_arabic_text(text):
    # 过滤非阿拉伯字母、数字和空格的符号
    cleaned_text = re.sub(r'[^\u0600-\u06FF0-9\s]', '', text)
    # 合并多余空格并去除首尾空格
    cleaned_text = re.sub(r'\s+', ' ', cleaned_text).strip()
    
    # 替换数字为英文文本
    def replace_num(match):
        return num2words(int(match.group()), lang='en')
    
    return re.sub(r'\d+', replace_num, cleaned_text)

# 基础音素字典 + 多音素字母默认映射
phoneme_map = {
    'ء': 'ʔ', 'ب': 'b', 'ت': 't', 'ث': 'θ', 'ج': 'g', 'ح': 'ħ', 'خ': 'x',
    'د': 'd', 'ذ': 'ð', 'ر': 'r', 'ز': 'z', 'س': 's', 'ش': 'ʃ', 'ص': 'sˤ',
    'ض': 'dˤ', 'ط': 'tˤ', 'ظ': 'ðˤ', 'ع': 'ʕ', 'غ': 'ɣ', 'ف': 'f', 'ق': 'q',
    'ك': 'k', 'ل': 'l', 'م': 'm', 'ن': 'n', 'ه': 'h',
    'ا': 'ɑː', 'ي': 'j', 'و': 'w', 'ى': 'iː', 'ة': 'a'
}

def arabic_to_phonemes(input_text):
    normalized_text = normalize_arabic_text(input_text)
    phonemes = []
    text_len = len(normalized_text)
    
    for idx, char in enumerate(normalized_text):
        # 处理数字转写后的英文内容，直接保留
        if char not in phoneme_map:
            phonemes.append(char)
            continue
        
        # 针对多音素字母的语境判断
        if char == 'ا':
            phonemes.append('ʔɑː' if idx == 0 else 'ɑː')
        elif char == 'ي':
            # 词尾或后接辅音时发长元音iː
            if idx == text_len - 1 or normalized_text[idx+1] in phoneme_map:
                phonemes.append('iː')
            else:
                phonemes.append('j')
        elif char == 'و':
            # 词尾或后接辅音时发长元音uː
            if idx == text_len - 1 or normalized_text[idx+1] in phoneme_map:
                phonemes.append('uː')
            else:
                phonemes.append('w')
        else:
            phonemes.append(phoneme_map[char])
    
    return ' '.join(phonemes)

# 测试示例
if __name__ == "__main__":
    user_input = "أهلاً 1990، كيف حالك؟"
    print("输入文本:", user_input)
    print("音素转写结果:", arabic_to_phonemes(user_input))

3. 进阶优化方向 #

如果需要更精准的音素转写，可以：

• 补充阿拉伯语静音符号（如ًَُِ）的判断逻辑，进一步细化发音规则
• 引入预训练的阿拉伯语音素模型，通过模型预测实现更准确的语境依赖发音

内容的提问来源于stack exchange，提问作者Mekky01