我需要找到一种相当有效的方法来检测单词中的音节。例如，
Invisible -> in-vi-sib-le
有一些可以使用的划分音节规则：
V CV VC CVC CCV CCCV CVCC
*其中V表示元音，C表示辅音。例如，
Pronunciation (5 Pro-nun-ci-a-tion; CV-CVC-CV-V-CVC)
我已经尝试了一些方法，包括使用正则表达式（只有在您想要计算音节数目时才有用）或硬编码规则定义（一种效率非常低下的暴力方法），最后使用有限状态自动机（并没有得到任何有用的结果）。
我的应用程序的目的是创建给定语言中所有音节的字典。稍后将使用此字典进行拼写检查应用程序（使用贝叶斯分类器）和文本到语音合成。
除了以前的方法之外，如果有人能够给我提供解决此问题的替代方法，我将不胜感激。
我使用Java工作，但对于C / C ++，C＃，Python，Perl等的任何提示都适用于我。
阅读有关 TeX 对连字符问题的解决方法。特别是查看 Frank Liang 的论文 《计算机单词连字处理》。他的算法非常准确，并包括一个小的例外词典，用于处理算法无法处理的情况。
我偶然发现了这个页面，寻找同样的东西，并在这里找到了几个Liang论文的实现：
https://github.com/mnater/hyphenator 或其继任者：https://github.com/mnater/Hyphenopoly除非你是喜欢阅读60页论文而不是为非独特问题自由使用可用代码的人。 :)
以下是使用 NLTK 的解决方案：
from nltk.corpus import cmudict
d = cmudict.dict()
def nsyl(word):
return [len(list(y for y in x if y[-1].isdigit())) for x in d[word.lower()]]
private int CountSyllables(string word)
{
char[] vowels = { 'a', 'e', 'i', 'o', 'u', 'y' };
string currentWord = word;
int numVowels = 0;
bool lastWasVowel = false;
foreach (char wc in currentWord)
{
bool foundVowel = false;
foreach (char v in vowels)
{
//don't count diphthongs
if (v == wc && lastWasVowel)
{
foundVowel = true;
lastWasVowel = true;
break;
}
else if (v == wc && !lastWasVowel)
{
numVowels++;
foundVowel = true;
lastWasVowel = true;
break;
}
}
//if full cycle and no vowel found, set lastWasVowel to false;
if (!foundVowel)
lastWasVowel = false;
}
//remove es, it's _usually? silent
if (currentWord.Length > 2 &&
currentWord.Substring(currentWord.Length - 2) == "es")
numVowels--;
// remove silent e
else if (currentWord.Length > 1 &&
currentWord.Substring(currentWord.Length - 1) == "e")
numVowels--;
return numVowels;
}
这是一个特别困难的问题，由LaTeX断字算法无法完全解决。在论文Evaluating Automatic Syllabification Algorithms for English（Marchand, Adsett和Damper 2007）中，概述了一些可用方法及其中涉及的挑战。
.tex模式文件的最后几行，否则这些文件就不能被当前版本的Maven Central加载。断词器(hyphenator)，您可以使用以下Java代码片段。 texTable是包含所需模式的.tex文件的名称。 这些文件可在项目Github网站上获取。 private Hyphenator createHyphenator(String texTable) {
Hyphenator hyphenator = new Hyphenator();
hyphenator.setErrorHandler(new ErrorHandler() {
public void debug(String guard, String s) {
logger.debug("{},{}", guard, s);
}
public void info(String s) {
logger.info(s);
}
public void warning(String s) {
logger.warn("WARNING: " + s);
}
public void error(String s) {
logger.error("ERROR: " + s);
}
public void exception(String s, Exception e) {
logger.error("EXCEPTION: " + s, e);
}
public boolean isDebugged(String guard) {
return false;
}
});
BufferedReader table = null;
try {
table = new BufferedReader(new InputStreamReader(Thread.currentThread().getContextClassLoader()
.getResourceAsStream((texTable)), Charset.forName("UTF-8")));
hyphenator.loadTable(table);
} catch (Utf8TexParser.TexParserException e) {
logger.error("error loading hyphenation table: {}", e.getLocalizedMessage(), e);
throw new RuntimeException("Failed to load hyphenation table", e);
} finally {
if (table != null) {
try {
table.close();
} catch (IOException e) {
logger.error("Closing hyphenation table failed", e);
}
}
}
return hyphenator;
}
接下来，连字器已经可以使用。为了检测音节，基本思想是在提供的连字符处将术语分割。
String hyphenedTerm = hyphenator.hyphenate(term);
String hyphens[] = hyphenedTerm.split("\u00AD");
int syllables = hyphens.length;
由于API没有返回正常的"-"，所以您需要在"\u00AD"上进行拆分。
这种方法比Joe Basirico的答案表现更好，因为它支持许多不同的语言，并且可以更准确地检测德语连字号。
提醒 @Tihamer 和 @joe-basirico。 这是一个非常有用的函数，虽然不是完美的，但对于大多数中小型项目来说还是很好的选择。Joe，我已经用Python重新实现了你的代码：
def countSyllables(word):
vowels = "aeiouy"
numVowels = 0
lastWasVowel = False
for wc in word:
foundVowel = False
for v in vowels:
if v == wc:
if not lastWasVowel: numVowels+=1 #don't count diphthongs
foundVowel = lastWasVowel = True
break
if not foundVowel: #If full cycle and no vowel found, set lastWasVowel to false
lastWasVowel = False
if len(word) > 2 and word[-2:] == "es": #Remove es - it's "usually" silent (?)
numVowels-=1
elif len(word) > 1 and word[-1:] == "e": #remove silent e
numVowels-=1
return numVowels
pip install big-phoney
统计音节数：from big_phoney import BigPhoney
phoney = BigPhoney()
phoney.count_syllables('triceratops') # --> 4
如果您没有使用Python并想尝试基于ML模型的方法，我在Kaggle上对音节计数模型的工作原理进行了非常详细的介绍。
感谢Joe Basirico分享他在C#中的快速而简单的实现方法。我曾经使用过大型库，它们可以工作，但通常速度较慢，在快速项目中，您的方法是完全可行的。
以下是您的Java代码以及测试用例：
public static int countSyllables(String word)
{
char[] vowels = { 'a', 'e', 'i', 'o', 'u', 'y' };
char[] currentWord = word.toCharArray();
int numVowels = 0;
boolean lastWasVowel = false;
for (char wc : currentWord) {
boolean foundVowel = false;
for (char v : vowels)
{
//don't count diphthongs
if ((v == wc) && lastWasVowel)
{
foundVowel = true;
lastWasVowel = true;
break;
}
else if (v == wc && !lastWasVowel)
{
numVowels++;
foundVowel = true;
lastWasVowel = true;
break;
}
}
// If full cycle and no vowel found, set lastWasVowel to false;
if (!foundVowel)
lastWasVowel = false;
}
// Remove es, it's _usually? silent
if (word.length() > 2 &&
word.substring(word.length() - 2) == "es")
numVowels--;
// remove silent e
else if (word.length() > 1 &&
word.substring(word.length() - 1) == "e")
numVowels--;
return numVowels;
}
public static void main(String[] args) {
String txt = "what";
System.out.println("txt="+txt+" countSyllables="+countSyllables(txt));
txt = "super";
System.out.println("txt="+txt+" countSyllables="+countSyllables(txt));
txt = "Maryland";
System.out.println("txt="+txt+" countSyllables="+countSyllables(txt));
txt = "American";
System.out.println("txt="+txt+" countSyllables="+countSyllables(txt));
txt = "disenfranchized";
System.out.println("txt="+txt+" countSyllables="+countSyllables(txt));
txt = "Sophia";
System.out.println("txt="+txt+" countSyllables="+countSyllables(txt));
}
txt=what countSyllables=1
txt=super countSyllables=2
txt=Maryland countSyllables=3
txt=American countSyllables=3
txt=disenfranchized countSyllables=5
txt=Sophia countSyllables=2