英语发音与音位规则探索

1、（a）找出在英国（北部）、苏格兰和美国发音完全相同的十个最常用单词；（b）找出在上述三地发音完全相同的十个最长的单词；由于（a）的答案可能是非常短的单词列表，（b）的答案可能是罕见的长单词列表，因此我们做个折衷，（c）找出包含六个音素的十个最常用单词；找出在英国（北部）和美国发音差异最大的十个单词。

• （a）最常用的同音词：
  “the”“in”“i”“his”“he”“it”“with”“is”“be”“by”；

• （b）最长的同音词：
  “thoughtlessness”“inquisitiveness”“disappointment”“insignificance”“self - possessed”“licentiousness”“thoughtfulness”“vindictiveness”“incompleteness”“abstemiousness”；

• （c）最常用的六个音素的同音词：
  “against”“between”“myself”“english”“itself”“business”“second”“behind”“except”“opinion”；

• 英美发音差异最大的十个单词：
  “tupelo”“tourniquet”“ourselves”“algebraic”“scarecrow”“presbyopia”“newborn”“blowfly”“expiate”“snowplow”。

2、探索英语的音位组合规则。将以下Who系列的命名实体按照与英语音位组合规则的符合程度降序排列：Lethbridge、Zygon、Dalek、Angstrom、Graham、Yrcanos、Yaz、Pting、Zaakros、Susan。

## 角色列表

- Dalek
- Yrcanos
- Zygon
- Lethbridge
- Yaz
- Susan
- Zaakros
- Graham
- Angstrom
- Pting

3、下载文件 voice01.wav 到 voice10.wav。这些文件包含由说话者 D（五个文件）和说话者 Y（五个文件）说出的简短法语短语。其中四个是疑问句，六个是陈述句。通过算法（不听取音频）根据说话者和疑问/陈述模式对它们进行分类。

使用 pyAudioAnalysis 包进行文件处理

使用 pyAudioAnalysis 包处理音频文件，通过分析找到能够对文件进行分类的特征。

在法语中，疑问句通常在句末提高音调，即表现为音高的上升和声音强度（能量）的增强。

为了提取相关特征，可以计算音频中少量最高能量峰值（例如三个最高峰值）的平均值，从而获得有助于分类的结果。

4、下载、仔细阅读并评估美国图书馆协会/国会图书馆（ALA - LC）对阿拉伯语和希腊语的“罗马化”方案。

在评估时，将源语言（阿拉伯语和希腊语）原始书写形式记为L1，目标语言（英语）记为L2，源语言用L2书写形式记为L1′。

从四个独立维度评估转录方案：

1. 语音相关性 ：
   分L1音素存在于L2和不存在于L2两种情况，考察L1′字符是否合适；

2. 歧义性 ：
   看L1′字符选择是否会产生歧义及歧义单词频率；

3. 自动化程度 ：
   转录方法能否自动完成；

4. 输入简易性 ：
   在L2键盘上输入L1′字符的难易程度。

为每个转录表的每个维度分配A - C的分数。

评估结果 ：

• 阿拉伯语ALA - LC转录标记为： B / B / B / A−
• 希腊语ALA - LC转录标记为： A− / A− / A / A−

希腊语转录比阿拉伯语转录要好，且阿拉伯语是最难转录的语言之一。

5、现代希腊汽车牌照样式如下：Ε Λ Λ Η Ν Ι Κ Η Δ Η Μ Ο Κ Ρ Α Τ Ι Α · Υ Μ Ε · GR AAA -0000，其中“A”可以是以下字母中的任意一个：“A”、“B”、“E”、“H”、“I”、“K”、“M”、“N”、“O”、“P”、“T”、“X”、“Y”、“Z”。这组字母有什么特点？车牌上的字母是希腊书写系统的字素、英语书写系统的字素，还是其他什么东西？

这组字母的特点是它们既可以被解释为希腊字母，也可以被解释为拉丁字母（不一定有相同的语音对应，如 P 在英语中发音为 /p/ ，在希腊语中发音为 /r/ ）。

车牌上的字母不是希腊书写系统或英语书写系统的字素，因为车牌上不存在二次切分，字母不构成语素，即使偶尔出现语素也是偶然的，与车牌本身无关。

6、添加到 Unicode 标准中的汉字拟音符号（sinogram）的可预测性如何？选取基本多文种平面（BMP）中的汉字拟音符号，分析其结构，并找出每个结构模式中每个位置的组件出现的概率。然后，根据这些概率找出最有可能的汉字拟音符号，并检查它们是否确实被包含在补充表意平面（SIP）中。这种分解应纯粹是组合性的，不使用组件语义方面的信息。从 BMP 中包含的信息预测 1000 个最有可能的汉字拟音符号，并统计其中包含在 SIP 中的数量。

预测出 38