面向华语的跨语言罗马化生态系统：普通话和粤语配对案例研究

本文提出了汉语拼音生态系统，这是一个跨语言的汉语拼音设计框架，支持数字基础设施和社区驱动的开源工作流程。该设计框架通过四个设计原则解决了华语语言之间缺乏系统的跨语言罗马化对齐的问题：用相似的罗马化符号表示相似声音的语音对应、用于对齐同源罗马化字符串的历史音系对应、一音素一符号和基本拉丁字母使用，并在这些原则之间进行权衡，并进行平衡考虑。对于主要的配对案例研究，我们分别按照设计框架开发了 CantRomZJ1 和 MandRomZJ1、粤语和普通话罗马化方案。我们还遵循相同的设计框架，为其他几种汉语语言开发了方案，包括梅县客家话、上海吴语和南京江淮官话。为了将罗马化方案投入实际使用，我们开发了用于结构化罗马化存储、转换、解析、字典构建和输入法生成的开源基础设施。最后，我们通过基于 Meta 的大规模多语言语音 (MMS) 微调 的语音转罗马化实验来评估设计框架。与拼音+粤拼基线相比，我们的 MandRomZJ1+CantRomZJ1 条件分别降低了粤语 WER 和 CER 7.80% 和 10.61%。这些结果表明，跨语言罗马化对齐可以改善低资源汉语语音技术的迁移。