如何实现Arpabet字符串子类以计算正确的语音Levenshtein距离

核心问题原因 #

• 你选用的Levenshtein.distance默认以普通字符串的单个Unicode字符为最小编辑单元，而你的需求是将完整的Arpabet音素（如AH0、AE1）作为最小编辑单元，两者逻辑不匹配。
• 你自定义的ArpabetChar继承了不可变类型str，但没有重写__new__方法，仅在__init__中赋值的_chars属性不会修改父类str本身存储的字符串值。Levenshtein库底层为C实现，不会调用你在Python层重写的__str__、__len__等魔法方法，直接读取原生str的存储内容，因此你重写的类逻辑对距离计算完全无效。

调整方案 #

这里提供两种易落地的实现方案：

方案1：音素映射为单Unicode字符（推荐，可直接复用现有Levenshtein库能力） #

我们可以把所有出现过的Arpabet音素映射到Unicode私有使用区的单字符，这样每个音素天然对应一个独立的编辑单元，直接调用现有距离计算方法即可得到符合预期的结果。

import Levenshtein

# 全局音素到单字符的映射表，使用Unicode私有区（0xE000起始）分配字符
phoneme_map = {}
current_code_point = 0xE000

def get_phoneme_char(phoneme: str) -> str:
    global current_code_point
    if phoneme not in phoneme_map:
        phoneme_map[phoneme] = chr(current_code_point)
        current_code_point += 1
    return phoneme_map[phoneme]

def arpabet_sequence_distance(seq1: list[str], seq2: list[str]) -> int:
    """计算两个Arpabet音素序列的编辑距离，单个音素为最小编辑单元"""
    str1 = ''.join(get_phoneme_char(p) for p in seq1)
    str2 = ''.join(get_phoneme_char(p) for p in seq2)
    return Levenshtein.distance(str1, str2)

# 测试
print(arpabet_sequence_distance(["AH0"], ["AH1"])) # 输出1
print(arpabet_sequence_distance(["AH0"], ["AE1"])) # 输出1

方案2：自定义编辑距离实现 #

如果不想做字符映射，可以直接实现基于序列元素比较的编辑距离算法，完全贴合你的需求：

def custom_levenshtein(seq1, seq2):
    if len(seq1) < len(seq2):
        return custom_levenshtein(seq2, seq1)
    if len(seq2) == 0:
        return len(seq1)
    previous_row = range(len(seq2) + 1)
    for i, c1 in enumerate(seq1):
        current_row = [i + 1]
        for j, c2 in enumerate(seq2):
            insert_cost = previous_row[j + 1] + 1
            delete_cost = current_row[j] + 1
            replace_cost = previous_row[j] + (c1 != c2)
            current_row.append(min(insert_cost, delete_cost, replace_cost))
        previous_row = current_row
    return previous_row[-1]

# 测试
print(custom_levenshtein(["AH0"], ["AH1"])) # 输出1
print(custom_levenshtein(["AH0"], ["AE1"])) # 输出1

原有类的优化建议 #

如果要继续使用自定义的ArpabetChar类，需要修正以下问题：

• 重写__new__方法修改父类str的初始化逻辑，或者直接取消继承str，改为独立的自定义类。
• 为__eq__方法添加类型校验，避免和非ArpabetChar实例比较时抛出异常。
• 不要依赖Python层的魔法方法对接C实现的第三方库，优先做显式的类型转换适配。

内容的提问来源于stack exchange，提问作者Michael