g2pM: A Neural Grapheme-to-Phoneme Conversion Package for Mandarin Chinese Based on a New Open Benchmark Dataset
时间:submitted to interspeech 2020
单位:Kakao Brain(韩国)
Open source dataset:
数据集构建:从维基百科中爬下来的句子,去除了太长的(>50字)和太短的(<5字)。只保留了句子中只有一个多音字的句子,因此每个句子中有且仅有一个多音字。
数据集划分:Trainset: 79117条句子,Testset: 10254条句子,Devset: 9893条句子。
三个子集都包括623个多音字,876个发音。
Benchmark:
模型结构:一层64维的embedding,一层64个节点的Bi-LSTM,两层全连接64个节点,还有最后一层全连接876个节点。
模型参数:477k
模型大小:1.7M
效果:在test集的表现超过了市面上的api,仅稍次于Chinese Bert(100多M的大模型)。