prontronは日本語の未知語発音推定プログラムです。構造化パーセプトロンを日本語の発音推定に使えるのではないかと思って作ってみました。もし興味があったら使ってみてください。
最新版： prontron 0.1
開発版： @github
過去のバージョン：
まだ
prontronはCommon Public License v 1.0に従ってダウンロード、再配布できます。
modelディレクトリの中のモデルを利用して発音を推定することができます。１行１単語の入力ファイルinput.txtを用意して、以下のコマンドを実行します：
$ prontron.pl model/model.dict model/model.feat < input.txt > output.txt
１行ずつ単語の発音をoutput.txtへ出力します。
学習は２段階で行います。まず、「サブワード・発音」の組からなる辞書を構築してから、モデルの重みを学習します。
１行１単語のtrain.wordと１行１発音のtrain.pronを作成し、アライメントプログラムを実行すると、model/model.dictに辞書が作成されます：
$ mono-align.pl train.word train.pron model/model.dict
学習が終わって、辞書ファイルに不具合が見つかったら手で直したり、エントリーを付け加えたりしても問題ありません。また、mono-align.plは単純なアライメント法を利用しているので、他のツール（例えばmpaligner)で作るとより高い精度が得られる可能性もあります。次はパーセプトロンでモデルの重みファイルmodel/model.featを作成します（時間がかかります）：
$ prontron-train.pl train.word train.pron model/model.dict model/model.feat
以上です！プログラムに以下のオプションがあります（minとmaxは両プログラムで揃えなければなりません）：
Both:
-fmin 入力単位の最小文字数 (1)
-fmax 入力単位の最大文字数 (1)
-emin 出力単位の最小文字数 (0)
-emax 出力単位の最大文字数 (5)
-iters イタレーションの上限 (10)
-word 文字ではなく、空白で区切られた単語を利用
mono-align.pl:
-cut 最大事後確率がこれ以下だと出力しないしきい値。
小さくすると後段の学習が遅くなるが、精度は多少
あがるかもしれません (0.001)
prontron-train.pl only:
-inarow X回以上成功している学習例を一旦飛ばす
-recheck 飛ばした学習例をX回ごとに再探索する
Prontronは構造化パーセプトロンに基づいた識別学習を利用しています。これにより、発音推定に多くの素性を利用することができます。構造化パーセプトロンのアルゴリズムを簡単に説明すると：
発音推定の場合p、f(p)、f(p*)はViterbiアルゴリズムで探索します。prontronの現在の素性は４つの系列に対して素性を定義します：
| 単語： | 発音 | 発表 |
|---|---|---|
| 発音： | はつおん | はっぴょう |
| 系列１−文字・発音： | 発/はつ 音/おん | 発/はっ 表/ぴょう |
| 系列２−発音： | はつ おん | はっ ぴょう |
| 系列３−モーラ： | は つ お ん | は っ ぴ ょ う |
| 系列４−音素（らしきもの）： | h a t u o n | h a x p i xy o u |
各系列に有用な情報が含まれています。例えば以下の素性は実際のデータで学習されました：
現代日本語書き言葉均衡コーパス（BCCWJ）のことなり単語90%を学習データとして、残りの10%をテストデータとして、66%の単語の発音を正しく推定しました（雑音のある通信路モデルは62%、結合n-gramは多分もう少し上がります）。さらに、以下で詳細に書いてある通り、素性を柔軟に入れることができて、学習法を改善する余地もあるので、さらに精度が上がる見込みはあります。
プロジェクトへの参加をご希望の方はneubig at gmail dot comまたは@neubigまでご連絡ください。特にバグ報告や以下のTODOリストの中の開発は大歓迎です。
今後の課題として以下のものがあります：