【python】ARPAbet-日本語カナ変換

はじめに

ARPAbetを日本語カナに変換するライブラリarpakanaを作ったので、解説します。
https://github.com/jiroshimaya/arpakana

使い方

ARPAbetのリストまたは空白区切りの文字列を渡すと、対応するカタカナ文字列が返ります。

uv add arpakana

from arpakana import arpabet_to_kana

print(arpabet_to_kana("HH AH0 L OW1"))  # ハロウ

背景

ARPAbetは、英語の発音記号をASCII文字のみで表現するために設計された記法です。

ARPAbetをカタカナ表記へ変換する試みはこれまでにもいくつか存在し、主に次の2つのアプローチに分類できます。

• ルールベース手法
  • ARPAbet を子音×母音の組み合わせ規則に基づいてカタカナへ変換し、さらに挿入母音（/u, o/ など）、撥音・促音、r 音化（ER など）といった特殊処理も行います。具体的なルールや実装例としては「英語をカタカナ表記に変換してみる」が参考になります。
• 機械学習ベース手法
  • RNN などを用いて「音素列 → カタカナ」を直接学習するアプローチです。ARPAbet には日本語と対応させにくい曖昧母音が存在するため、このような手法に一定の意義があります。e2kでは ARPAbet をカタカナへ変換する機能が実装されています。

pip経由で使えるpythonライブラリは探した範囲では機械学習ベースのe2kだけでしたが、e2kのARPAbet–カナ変換機能が長めの入力に対して安定しにくそうでした。そこで、多くのケースではルールベースでも十分な性能が期待できることもあり、新たにルールベースのPythonライブラリを開発することにしました。実装にあたっては、上記の関連手法を参考にさせていただきました。

実装

arpakanaライブラリでは、ARPAbetを日本語のカナ文字へ変換するために、以下の手順で処理を行っています。

1. 音素の正規化（大文字化、ストレス記号除去）
2. ER/AXRの展開（AX R に分解）
3. 母音の正規化
4. 促音の挿入
5. R音素の変換規則適用
6. 子音+母音の組み合わせ変換
7. 単独子音の変換
8. 未知音素の置換

以下、各ステップの詳細を説明します。

音素の正規化

入力された音素を大文字化し、末尾のストレス番号（0, 1, 2）を削除します。例えば、"AH0" は "AH" に変換されます。

ER/AXRの展開

"ER" と "AXR" は "AX R" に分解されます。 これにより、後続のR音素変換規則が適用しやすくなります。

母音の正規化

母音音素をaiueoのいずれかに標準化します。変換規則は以下によります。二重母音や長音についてもこの時点で考慮します。

_VOWEL_MAP: dict[str, tuple[str, ...]] = {
    "AA": ("a",),
    "AE": ("a",),
    "AH": ("a",),
    "AO": ("o",),
    "AW": ("a", "ウ"),
    "AX": ("a",),
    "AXR": ("a", "ー"),  # 互換性維持（事前に "AX R" へ展開する想定）
    "AY": ("a", "イ"),
    "EH": ("e",),
    "ER": ("a", "ー"),  # 互換性維持（事前に "AX R" へ展開する想定）
    "EY": ("e", "イ"),
    "IH": ("i",),
    "IX": ("i",),
    "IY": ("i", "ー"),
    "OW": ("o", "ウ"),
    "OY": ("o", "イ"),
    "OH": ("o", "ー"),
    "UH": ("u",),
    "UW": ("u", "ー"),
    "UX": ("u",),
}

促音の挿入

特定の子音（CH、SHなど）の前が短母音の場合、「ッ」を挿入します。
例えば、"K Y AE CH" は "キャッチ" に変換されます。
長母音や子音に続く場合には促音は挿入されません。
例えば、"K Y ER CH" は "キャーチ" になります。

R音素の変換規則適用

"R" 音素に、直前の音素に応じて異なるカナを割り当てます。
基本は「ア」とします。（例: "B IH R" → "ビア"）
直前が"a"または"o"の場合には「ー」とします。（例: "B AA R" → "バー"）
直前が長音の場合は、空文字に変換します。「ー」の連続を避けるためです。
直後にaiueoが続く場合は「ラリルレロ」になります。

子音+母音の組み合わせ変換

R以外の子音と母音の組み合わせに対して、対応するカナを割り当てます。

単独子音の変換

残った子音を単独で変換します。例えば、"B" は "ブ" に変換されます。

未知音素の置換

変換できない音素に対しては、指定された置換文字列（デフォルトは空文字）に置き換えます。

変換事例

テストケースの一部を記載します。

from arpakana.arpabet import arpabet_to_kana


def test_正常系_基本単語() -> None:
    # hello
    assert arpabet_to_kana("HH AH0 L OW1") == "ハロウ"
    # sky
    assert arpabet_to_kana("S K AY") == "スカイ"
    # blue
    assert arpabet_to_kana(["B", "L", "UW"]) == "ブルー"
    # train
    assert arpabet_to_kana("T R EY N") == "トゥレイン"
    # bout
    assert arpabet_to_kana("B AW1 T") == "バウトゥ"
    # 'cause
    assert arpabet_to_kana("K AH0 Z") == "カズ"
    # 'course
    assert arpabet_to_kana("K AO1 R S") == "コース"
    # 'm
    assert arpabet_to_kana("AH0 M") == "アン"
    # frisco
    assert arpabet_to_kana("F R IH1 S K OW0") == "フリスコウ"

def test_正常系_複合子音() -> None:
    # cues
    assert arpabet_to_kana("K Y UW1 Z") == "キューズ"
    # aquamarine
    assert arpabet_to_kana("AA K W AH M ER IY N") == "アクワマリーン"


def test_正常系_TS音素() -> None:
    # cats
    assert arpabet_to_kana("K AE1 T S") == "カッツ"
    # watches
    assert arpabet_to_kana("W AA1 CH IH0 Z") == "ワッチズ"
    # abducts
    assert arpabet_to_kana("AE0 B D AH1 K T S") == "アブダクツ"


def test_正常系_NG音素() -> None:
    # quote
    assert arpabet_to_kana("K W OW1 T") == "クウォウトゥ"
    # bengtson
    assert arpabet_to_kana("B EH1 NG T S AH0 N") == "ベンツァン"
    # fourthquarter
    assert arpabet_to_kana("F AO1 R TH K W AO1 R T ER0") == "フォースクウォーター"


def test_正常系_R() -> None:
    # amateurish
    assert arpabet_to_kana("AE1 M AH0 CH ER2 IH0 SH") == "アマッチャリッシュ"
    # ameliorate
    assert arpabet_to_kana("AH0 M IY1 L Y ER0 EY2 T") == "アミーリャレイトゥ"
    # bird
    assert arpabet_to_kana("B ER1 D") == "バード"
    # fear
    assert arpabet_to_kana("F IH1 R") == "フィア"
    # bear
    assert arpabet_to_kana("B EH1 R") == "ベア"
    # before
    assert arpabet_to_kana("B IH0 F AO1 R") == "ビフォー"
    # aboard
    assert arpabet_to_kana("AH0 B AO1 R D") == "アボード"
    # sure
    assert arpabet_to_kana("SH UH1 R") == "シュア"


def test_正常系_未知トークン() -> None:
    assert arpabet_to_kana("XYZ", unknown="*") == "*"


def test_促音挿入ルール() -> None:
    # rich
    assert arpabet_to_kana("R IH1 CH") == "リッチ"
    # beach
    assert arpabet_to_kana("B IY1 CH") == "ビーチ"
    # fish
    assert arpabet_to_kana("F IH1 SH") == "フィッシュ"
    # marsh
    assert arpabet_to_kana("M AA1 R SH") == "マーシュ"
    # boots
    assert arpabet_to_kana("B UW1 T S") == "ブーツ"