IPA-CHILDES & G2P+: Feature-Rich Resources for Cross-Lingual Phonology and Phonemic Language Modeling

要約

この論文では、2つのリソースを紹介します。（i）G2P+、正書法データセットを一貫した音素表現に変換するためのツール。
（ii）IPA Childes、31の言語にわたる子育ての音声の音素データセット。
グラフェムから音語への変換のための以前のツールは、確立された音素インベントリと矛盾する音素語彙をもたらします。これは、hoibleデータベースの在庫を活用することでG2P+が対処する問題です。
このツールを使用して、音素転写で子供を増やしてIPA Childesを生産します。
この新しいリソースは、既存の音素データセットのいくつかのギャップを埋めます。これは、多言語のカバレッジ、自発的なスピーチ、児童指向の言語に焦点を当てていることがよくあります。
11の言語で音素言語モデルをトレーニングし、独特の機能を探索することにより、音韻研究のためのこのデータセットの有用性を実証し、音素の分布特性が主要なクラスを学習し、特徴を横断的に配置するのに十分であることを発見します。

要約(オリジナル)

In this paper, we introduce two resources: (i) G2P+, a tool for converting orthographic datasets to a consistent phonemic representation; and (ii) IPA CHILDES, a phonemic dataset of child-centered speech across 31 languages. Prior tools for grapheme-to-phoneme conversion result in phonemic vocabularies that are inconsistent with established phonemic inventories, an issue which G2P+ addresses by leveraging the inventories in the Phoible database. Using this tool, we augment CHILDES with phonemic transcriptions to produce IPA CHILDES. This new resource fills several gaps in existing phonemic datasets, which often lack multilingual coverage, spontaneous speech, and a focus on child-directed language. We demonstrate the utility of this dataset for phonological research by training phoneme language models on 11 languages and probing them for distinctive features, finding that the distributional properties of phonemes are sufficient to learn major class and place features cross-lingually.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google