Das CMU Pronouncing Dictionary (auch bekannt als cmudict) ist ein maschinenlesbares Aussprachewörterbuch für nordamerikanisches Englisch. Es wurde an der Carnegie Mellon University erstellt und wird von der Speech Group der Universität gepflegt. Das Wörterbuch bietet eine Zuordnung von Wörtern zu ihren phonetischen Transkriptionen unter Verwendung eines Satzes von 39 Phonemen (plus Betonungsmarkierungen). Es ist in die Public Domain entlassen, was es zu einer grundlegenden Ressource für Sprachtechnologie und Computerlinguistik macht.
Die Ursprünge des Wörterbuchs reichen bis in die 1980er Jahre zurück, als es für die Forschung zur Spracherkennung an der Carnegie Mellon entwickelt wurde. Seine erste öffentliche Veröffentlichung erfolgte 1993, und es wird seitdem kontinuierlich aktualisiert. Die aktuelle Version (0.7b) enthält über 134.000 Einträge, die gebräuchliche Wörter, Eigennamen und Akronyme abdecken. Jeder Eintrag listet das Wort in Kleinbuchstaben auf, gefolgt von seiner Phonemsequenz mit Betonungsindikatoren (0, 1 oder 2), die nach Vokalen platziert werden.
Phonem-Satz und Transkriptionsformat
Das CMU Pronouncing Dictionary verwendet einen Phonem-Satz, der auf dem ARPABET-System basiert, das ursprünglich für das ARPA Speech Understanding Research-Projekt entwickelt wurde. Dieser Satz umfasst 39 Phoneme, wie Vokale (z. B. AA, IY, UW) und Konsonanten (z. B. K, S, T). Die Betonung wird mit Ziffern markiert: 0 für unbetont, 1 für Hauptbetonung und 2 für Nebenbetonung. Zum Beispiel wird das Wort "hello" als "HH AH0 L OW1" transkribiert. Dieses Format ist einfach, ASCII-basiert und leicht von Software zu parsen.
Das Wörterbuch enthält auch mehrere Aussprachen für viele Wörter, die durch Zahlen in Klammern angegeben werden (z. B. "the(1)" und "the(2)"). Diese Varianten erfassen regionale oder kontextuelle Unterschiede, wie den Schwa-Laut gegenüber dem betonten Vokal in "the". Darüber hinaus enthält es Einträge für flektierte Formen, Komposita und einige im Englischen gebräuchliche Fremdwörter.
Anwendungen in der Sprachtechnologie
Das Wörterbuch ist eine Standardressource in Artificial intelligence- und Machine learning-Pipelines für die Sprachverarbeitung. Es wird als Aussprachelexikon in Systemen zur automatischen Spracherkennung (ASR) verwendet, die es Modellen ermöglichen, akustische Signale Wortsequenzen zuzuordnen. Bei der Text-to-Speech-Synthese (TTS) liefert es die phonetische Eingabe, die zur Erzeugung natürlich klingender Sprache benötigt wird. Viele Open-Source-Toolkits wie Kaldi und ESPnet enthalten cmudict als Standardlexikon.
Über ASR und TTS hinaus wird das Wörterbuch in Natural language processing-Aufgaben wie der Graphem-zu-Phonem-Konvertierung verwendet, bei der Modelle lernen, Aussprachen für unbekannte Wörter vorherzusagen. Es dient auch als Benchmark für die Bewertung von Aussprachevorhersagealgorithmen. Forscher an Institutionen wie Stanford AI Lab und MIT CSAIL haben cmudict in Studien zur phonetischen Ausrichtung und Sprachsynthese verwendet.
Format und Verbreitung
Das Wörterbuch wird als einfache Textdatei verteilt, mit einem Eintrag pro Zeile. Das Format ist: Wort, gefolgt von einem oder mehreren Leerzeichen, dann die Phonemsequenz. Kommentare und Metadaten sind minimal gehalten, was die Datei kompakt hält. Es ist auf der Website der Carnegie Mellon Speech Group zum Download verfügbar und wird auf vielen Open-Source-Repositories gespiegelt. Der Public-Domain-Status erlaubt uneingeschränkte Nutzung, Modifikation und Weiterverbreitung, was es zu einer bevorzugten Wahl für kommerzielle und akademische Projekte gleichermaßen macht.
Im Laufe der Jahre wurden mehrere abgeleitete Ressourcen aus cmudict erstellt, darunter Aussprachewörterbücher für andere Sprachen (durch Übersetzung) und Lexika mit hinzugefügten Silbengrenzen oder Wortart-Tags. Diese Ableitungen werden häufig in Deep learning-Modellen für Sprache und Sprachverarbeitung verwendet, wo sie Überwachungssignale für End-to-End-Systeme liefern.
Einschränkungen und Erweiterungen
Obwohl umfassend, hat das Wörterbuch bekannte Einschränkungen. Es deckt nur nordamerikanisches Englisch ab, und sein Phonem-Satz erfasst nicht alle dialektalen Variationen. Einige Einträge können veraltet sein oder neuere Eigennamen und technische Begriffe fehlen. Um dies zu beheben, haben Community-Bemühungen erweiterte Versionen hervorgebracht, wie cmudict mit hinzugefügten Wörtern aus Wiktionary oder das CMUdict mit Betonungs- und Silbenannotationen. Diese Erweiterungen werden häufig in modernen Transformer (architecture)-basierten TTS-Systemen verwendet, die große, vielfältige Lexika erfordern.
Trotz dieser Einschränkungen bleibt das CMU Pronouncing Dictionary ein Eckpfeiler der Sprachforschung. Seine Einfachheit, Zuverlässigkeit und offene Lizenz haben seine anhaltende Relevanz über mehr als drei Jahrzehnte sichergestellt, von frühen regelbasierten Systemen bis zu zeitgenössischen Neural network-Ansätzen.
Siehe auch
- Sequence-to-Sequence (Seq2Seq) für Modelle, die Aussprachelexika verwenden
- Data Augmentation für Techniken, die synthetische Sprachdaten erzeugen
- Carnegie Mellon University als Ursprungsinstitution