VoiceGarden Pronunciation Lexicons

一组采用宽松许可证（MIT/BSD）的发音词典，用于文本转语音，包含按语言和语音字母表索引的词典以及WFST OOV模型，旨在替代espeak-ng。每个语言包包含词典文件、音素映射、发音猜测模型和纯文本格式的词典，覆盖14种语言，部分语言还通过神经网络扩展了缺失词汇。A collection of permissively licensed (MIT/BSD) pronunciation dictionaries for text-to-speech (TTS). This resource includes dictionaries indexed by language and phonetic alphabet, as well as WFST OOV models, and is intended to serve as a replacement for espeak-ng. Each language pack contains dictionary files, phoneme mappings, pronunciation guessing models, and plain-text formatted dictionaries, covering 14 languages. For a subset of these languages, missing vocabulary is further expanded via neural networks.

原始信息汇总

voicegarden-lexicons 数据集概述

voicegarden-lexicons 是一个面向文本转语音（TTS）系统的发音词典数据集集合，以宽松许可证（MIT 和 BSD）发布，隶属于 VoiceGarden 项目组。其核心目的是为 Apache-2.0 或 MIT 许可的项目提供可替代 GPL 许可 espeak-ng 的发音查询方案。

数据集结构与格式

每个语言包为 <lang>.tar.gz 压缩包，包含五个文件：

• 词典文件（.fst 和 .pho）：单词到音素的映射，采用 floravox 快速查找格式
• 预测模型（phonetisaurus.fst）：用于推测词典未收录单词的发音
• 纯文本词典（lexicon.txt）：word<TAB>phonemes 格式，兼容 sherpa-onnx 直接读取
• 说明文件（NOTICE）：数据来源及许可证信息

语言覆盖：共发布 14 种语言包，包括德语（de, 277,912 条）、英语（en, 124,384 条）、英语 CMUDict 版本（en-cmudict, 135,166 条）、法语（fr, 90,114 条）、俄语（ru, 545,315 条）、西班牙语（es, 595,857 条）、葡萄牙语（pt, 81,219 条），以及加泰罗尼亚语、捷克语、波斯语、意大利语、荷兰语、瑞典语和斯瓦希里语。所有包的详细信息（下载链接、SHA-256、条目数、许可证等）记录在 lexicons.json 中。

扩充词典

对 11 种语言进行了预先扩充，流程包括：从频率列表中选取缺失词、使用两个独立训练的 ByT5 神经网络（小和微小版本）预测发音（仅保留两者结果一致的词）、对未见词进行准确率测试。

扩充效果：

• 新增条目数从 9,253（英语）到 57,954（波兰语）不等
• 测量准确率：82% 至 100%（部分语言采用双重校验，如英语、希腊语、瑞典语）
• 文本覆盖率（对 50,000 常用词的查找率）显著提升，例如西班牙语从 75% 升至 98%，土耳其语从 12% 升至 87%

扩充包位于 dist/expanded/，使用与基础包相同的文件布局，expanded.json 记录各语言词典与生成条目的数量。挑战在于候选词来自频率列表，覆盖率的提升部分反映了选择性偏差。

质量与性能

与 espeak-ng 对比：

层级	冷启动	每词耗时	常驻内存
espeak-ng 规则	10-65 ms	9 ms	~5 MB
扩充词典（内存映射）	<5 ms	<0.1 ms	~0
Phonetisaurus 猜测器	~650 ms	~1 ms	~70 MB
ByT5 tiny 神经网络（int8 ONNX）	410 ms	64 ms	~122 MB
ByT5 small 神经网络	2.1 s	150 ms	1.2 GB

优势：在真实文本（如维基百科文章）上，词典层可覆盖 38% 至 87% 的单词（英语 85%，西班牙语 87%），且新增条目的准确率为 92% 至 100%。数据采用 MIT/BSD 许可证，音素符号与 gruut 系语音（如 piper 训练的声音）兼容，并支持音素到拼写的反向转换。

不足：espeak-ng 在未知单词流上的原始速度更快（每词 9 ms 且无需查找），且从不拒绝单词。尚未与 espeak-ng 在同一测试集上进行公平的准确率对比（两者符号系统不同）。

数据来源

• gruut（MIT）：覆盖 ca, cs, de, en, es, fa, fr, it, nl, pt, ru, sv, sw
• CMUDict（BSD 风格）：英语（替代包 en-cmudict）

每个包的猜测模型基于该包自身词典训练，确保符号一致。德语词典经检验 236,000 个符号与 piper 的 de_DE-thorsten 声音全部匹配。单独发布的 CMUDict 猜测模型因输出 ARPABET 而非 IPA 未包含在包中。

使用方式

1. Rust：通过 cargo add voicegarden-lexicons 引入，支持自动下载缓存
2. 任意语言（FFI）：floravox 提供 C API（vg_phonemizer_open_lang 等），可通过 ctypes 调用
3. 纯文件：从 releases 下载，或将 lexicon.txt 直接用于 sherpa-onnx 的 lexicon 设置

语言代码采用 BCP-47 格式，支持精确匹配和语言前缀匹配。可通过环境变量 VOICEGARDEN_LEXICON_DIR 和 VOICEGARDEN_LEXICON_URL 自定义缓存目录和镜像地址。

构建与文档

本地构建需 python3、curl 和 floravox-g2p，支持 make all 和 make build-lang LANG=de 命令。文档涵盖构建流程、扩充词典测试方法及 ByT5 模型训练细节。

许可证

构建代码为 Apache-2.0 OR MIT；每个语言包携带其数据源的许可证（记录在 lexicons.json 和包内 NOTICE 中），不包含任何 GPL 数据。

搜集汇总

数据集介绍

构建方式

该数据集以多语言发音词典为核心，通过整合MIT与BSD许可的开源资源（如gruut与CMUDict）构建而成，并针对十一语言进行了扩展。扩展流程历经三重工序：从高频词表中甄别缺失词汇；依靠两个独立训练的ByT5神经模型（小型与微型）协同预测发音，仅保留双模型一致的结果，同时辅以Phonetisaurus模型进行二次校验（如英语等语言）；最终通过留出测试集验证新增条目的准确率。此外，每套词典包还包含FST格式的快速查找索引、纯文本词典、以及用于未知词猜音的模型，确保数据以统一的IPA符号体系存储。

特点

该数据集兼具许可宽松与符号兼容的双重优势，规避了espeak-ng的GPL限制，且发音符号与gruut/piper系列语音模型完全匹配，并支持音素到拼写的反向转换。质量层面尤为瞩目，扩展后的词典覆盖率大幅提升（如西班牙语自75%升至98%），新增条目的实测准确率普遍介于92%-100%，部分语言经双重校验后高达98%；性能上，内存映射的词典查询速度较espeak-ng快逾千倍，且冷启动延时与内存占用显著降低。此外，数据集提供十四语言版本，包含CMUDict备用词典，并以JSON清单详尽记录每包条的哈希、许可与条目数，保障了可追溯性与透明度。

使用方法

数据集的调用途径灵活多样，支持Rust、C API及纯文本三种方式。Rust用户可通过cargo添加voicegarden-lexicons库，便捷地获取并缓存词典包，调用phonemizer接口实现词典加猜音的级联处理；任意语言可借助floravox的C接口（如Python ctypes）实现底层调用，示例代码直观明了；若使用sherpa-onnx，则直接下载发布包并指向lexicon.txt即可集成。所有语言包支持BCP-47代码前缀匹配，便于多语言环境自适应，同时允许通过环境变量自定义缓存路径与镜像源。本地构建可通过make命令复现全部流程，官方文档详尽说明了构建、测试与模型训练细节，为社区二次开发提供了坚实支撑。

背景与挑战

背景概述

VoiceGarden Pronunciation Lexicons数据集诞生于2026年，由AACTools团队推出，旨在为文本转语音（TTS）系统提供高质量、许可宽松的发音词典。该数据集的核心研究问题是解决TTS引擎在发音查找上的效率与兼容性问题，特别是在Apache-2.0或MIT许可的项目中，无法使用GPL许可的espeak-ng规则引擎。通过整合gruut和CMUDict等多源数据，覆盖14种语言，并采用MIT和BSD许可，VoiceGarden为TTS领域提供了可自由分发的替代方案，显著提升了发音查询的速度与准确性，对开源语音合成社区产生了深远影响。

当前挑战

该数据集面临的挑战包括：1) 发音词典的构建需处理多语言音素符号不一致的问题，通过统一IPA约定和双神经网络验证来确保准确性；2) 词典覆盖不全，需通过频率统计和生成模型填补缺失词汇，但生成词条需经双重验证以保证质量；3) 在性能与资源消耗间权衡，如神经网络模型虽准确但速度慢、内存大，需优化查找策略；4) 数据许可兼容性问题，确保所有词条均可在宽松许可下分发；5) 词典与TTS训练数据的音素体系匹配，需验证与piper等模型的一致性。

常用场景

经典使用场景

VoiceGarden Pronunciation Lexicons 作为多语言语音合成（Text-to-Speech, TTS）系统的核心发音词典资源，其经典使用场景在于为语音引擎提供高效、精准的字素到音素（Grapheme-to-Phoneme, G2P）映射。在TTS流水线中，词典查找是发音生成的首选路径，它确保高频词汇的发音准确无误，避免了运行时规则推算带来的延迟与误差。该数据集以MIT和BSD等宽松许可证发布，打破了GPL许可证对商业和开源项目的限制，使得Apache-2.0或MIT协议的项目能够无缝集成。其内存映射访问机制支持亚毫秒级单词查询，冷启动时间低于5毫秒，显著优于传统规则引擎，为实时语音交互系统提供了关键性能支撑。

解决学术问题

该数据集解决了语音合成领域中若干核心学术问题。首要问题是发音词典的覆盖缺口：传统词典常遗漏大量常用词汇，导致TTS系统需依赖运行时猜测，既降低速度又引入错误。动态采用频率列表与双神经网络共识机制，为11种语言扩充了数千至数万个词条，将常用文本覆盖率提升至87%至99%不等，且经独立测试验证，新增词条的准确率高达92%至100%。其次，它回应了跨许可证兼容性难题，提供了无GPL污染的替代方案，促进了开源生态的互操作性。此外，数据集的音素符号与gruut（Piper语音模型所依赖的）约定一致，解决了符号系统不匹配导致的质量损失问题，从而为可复现的语音合成研究奠定了数据基础。

衍生相关工作

该数据集催生了若干相关经典工作。首先，完善的词典依据派生出了基于Phonetisaurus的生成式猜测模型，该模型能在词典未覆盖词条时提供高质量发音预测，拓展了系统的词汇覆盖边界。其次，配套训练的ByT5 G2P神经网络模型（小型和微型版本）及逆向P2G模型，为端到端发音预测研究提供了基准资源，其训练方法（基于4.12M对语料和M2M对齐的IPA统一）成为后续多语言音素转换研究的参考范式。此外，扩增词典的评估流程（含双重检查过滤和保留测试）确立了发音词典质量评估的严谨标准，而`lexicons.json`清单的标准化结构（含SHA-256校验和许可证记录）则为数据集的可追溯性与可复用性树立了范例。