Détection des syllabes dans un mot

Question

Je dois trouver un moyen assez efficace de détecter les syllabes dans un mot. Par exemple,

Invisible -> in-vi-sib-le

Il existe certaines règles de syllabation qui pourraient être utilisées :

V CV VC CVC CCV CCCV CVCC

*où V est une voyelle et C une consonne. Par exemple,

Prononciation (5 Pro-nun-ci-a-tion ; CV-CVC-CV-V-CVC)

J'ai essayé plusieurs méthodes, parmi lesquelles l'utilisation de regex (qui n'est utile que si l'on veut compter les syllabes) ou la définition de règles codées en dur (une approche par force brute qui s'avère très inefficace) et enfin l'utilisation d'un automate à états finis (qui n'a rien donné d'utile).

Le but de mon application est de créer un dictionnaire de toutes les syllabes d'une langue donnée. Ce dictionnaire sera ensuite utilisé pour des applications de correction orthographique (à l'aide de classificateurs bayésiens) et de synthèse vocale.

J'apprécierais si quelqu'un pouvait me donner des conseils sur une autre façon de résoudre ce problème en dehors de mes approches précédentes.

Je travaille en Java, mais toute astuce en C/C++, C#, Python, Perl... me conviendrait.

Answer 1

Lisez l'approche TeX de ce problème pour les besoins de la césure. Voir en particulier l'article de Frank Liang mémoire de thèse Hy-phen-a-tion des mots par Com-put-er . Son algorithme est très précis, et comprend ensuite un petit dictionnaire des exceptions pour les cas où l'algorithme ne fonctionne pas.

Answer 2

Je suis tombé sur cette page en cherchant la même chose, et j'ai trouvé quelques implémentations de l'article de Liang ici : https://github.com/mnater/hyphenator ou son successeur : https://github.com/mnater/Hyphenopoly

À moins que vous ne soyez du genre à aimer lire une thèse de 60 pages au lieu d'adapter un code librement disponible à un problème non unique :)

Answer 3

Voici une solution utilisant NLTK :

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()]]

Answer 4

J'essaie d'aborder ce problème pour un programme qui calculera le score de lecture flesch-kincaid et flesch d'un bloc de texte. Mon algorithme utilise ce que j'ai trouvé sur ce site : http://www.howmanysyllables.com/howtocountsyllables.html et il s'en approche raisonnablement. Il a encore des difficultés avec des mots compliqués comme invisible et césure, mais j'ai trouvé qu'il était dans la moyenne pour mes besoins.

Il a l'avantage d'être facile à mettre en œuvre. J'ai découvert que le "es" peut être syllabique ou non. C'est un pari, mais j'ai décidé de supprimer le "es" dans mon algorithme.

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;
    }

Answer 5

Voici quelques liens connexes que j'ai trouvés en travaillant sur un problème similaire :

• Un simple Programme Python que l'auteur estime être fiable à 85% environ (et Perl version).

• Une discussion sur le Haiku, avec code .

• Une discussion sur le forum Python listant quelques règles phonétiques .

• PyHyphen (bibliothèque de césure d'OpenOffice et de FireFox enveloppée dans Python) qui comprend une méthode de "syllabes".

(Je ne les ai pas encore étudiés ou expérimentés en détail).