说对读音：为 TTS 消歧葡萄牙语异音同形词

当一个文本转语音的声音读出 “Tenho sede” 时，葡萄牙语听众期待听到的是口渴。但完全相同的拼写 sede，也可以表示总部——而两者用不同的元音发音。用错元音读出来，声音不仅仅是听着别扭；它会大声说出一个不同的词。对于依赖 TTS 来为自己读屏的人来说，这就是可理解与令人困惑之间的分界线。

这是一个前端问题——是字素转音素这一阶段决定了某个单词映射到 哪些声音，远在任何神经声码器把这些声音变成音频之前。再高的声码器质量也无法修复它。如果前端挑错了发音，声音就会清清楚楚地念出错误的词。

异音同形词：拼写相同，声音不同，含义不同

欧洲葡萄牙语中满是拼写完全相同、却用不同元音音质发音的单词——一个开元音对一个闭元音——其中正确的选择取决于含义，而不仅仅是语法。举几个：

sede —— 口渴（闭 e，ˈsedɨ）对 总部/所在地（开 e，ˈsɛdɨ）。两者都是名词。
forma —— 模具 / 烤盘（闭 o，ˈfoɾmɐ，写作 fôrma）对 形状 / 方式（开 o，ˈfɔɾmɐ）。
molho —— 酱汁（闭 o）对一捆（开 o）。
corte —— 宫廷（闭 o）对 一道切口（开 o）。

一个朴素的 TTS 系统会为每个拼写锁定一种发音。于是它会用总部的元音去读口渴——每一次都如此——而听众听到的是错误的词。

为什么”只要标注词性”行不通

显而易见的修复办法，是对句子跑一个词性（POS）标注器，然后按词性来挑选发音。这对某些词对有帮助，但只要两种含义共享同一个词性，它就 从构造上 注定失败。

再拿 sede 来说。口渴和总部 都是名词。POS 标注器把它们标成一样的——没有任何语法信号能把它们区分开——所以它永远只能去猜那个更常见的读法。我们精确地测量了这一点：在我们的测试集上，spaCy 和 Stanza 在 sede 的口渴义项上都得 0%。它们总是挑总部。同样的结构性天花板也出现在 corte（切口 vs 宫廷）、forma（模具 vs 形状）和 molho（酱汁 vs 一捆）上：当含义在单一词性内部分裂时，语法看不见它。

数据集：标注含义，而非语法

于是我们构建了一个开放数据集，标注那个真正重要的东西——含义。bifonia-pt-homographs 是 56,891 个欧洲葡萄牙语句子，覆盖 27 个异音同形词。每个句子都被标注了该单词、它的含义（义项）、它的词性、它的 IPA 发音，以及一个恢复了变音符号的形式（例如 sêde 对 séde），使得意图中的读法在纸面上毫不含糊。

分桶的键是含义——这正是整件事的关键。一条记录长这样：

{
  "word": "sede",
  "sense": "thirst",
  "pos": "NOUN",
  "ipa": "ˈsedɨ",
  "sentence": "Depois da corrida tinha tanta sede que bebi um litro de água."
}

发音是对照 infopédia 词典（Porto Editora）核实的，而非猜测的，而且训练/测试划分是按 (word, meaning) 分层的，因此下游模型——比如一个 BiLSTM——会在两半中都见到每一个义项。它已在 Hugging Face 上以 TigreGotico/bifonia-pt-homographs 发布。

这个问题能解决到什么程度？

有了按含义标注的数据，我们就能衡量不同方法在挑选正确含义——因而挑选正确发音——上的表现：

方法	准确率
总是猜最常见的义项	约 53%
spaCy POS → 含义	约 66%
Stanza POS → 含义	约 75%
`bifonia` 规则 + 含义消解器	约 94%

基于 POS 的方法恰好在你预料之处停滞：它们能按语法路由，却永远无法按含义路由，所以名词内部的分裂遥不可及。我们的消解器——bifonia 库，轻量且 完全零依赖——达到 约 94%，而且关键在于，它在 POS 标注器得 0% 的 sede/口渴情形上达到了 100%。

亮点不只是那个数字。而是一个小巧、快速、完全开放的组件，在这项任务上击败了重量级的神经 POS 标注器——因为它消解的是含义，而不仅仅是语法。没有 GPU，没有模型下载，没有网络调用。

为什么这很重要

正确的发音是基础性的，而非装饰性的。屏幕阅读器和语音助手是盲人及仅靠语音的用户阅读世界的方式，而一个把常见词读错的前端，会悄悄地劣化它所触及的每一个句子。在源头修复异音词消歧，意味着声音说出的正是文本所表达的意思。

因为数据集是开放的，消解器又小又可分叉，任何构建葡萄牙语 TTS 前端的人都能在没有巨型模型的情况下把这件事做对——而且同样的方法可以干净地移植到像加利西亚语这样的近亲语言上，那里的开/闭元音区别制造了同样的陷阱。这份标注数据还身兼两职：它正是你训练紧凑的统计模型（比如一个逐词分类器）所需要的，供那些拥有语料、想在基于规则的消解器之外再要一个学习式消解器的团队使用。

试用它

数据集在 Hugging Face 上，地址是 TigreGotico/bifonia-pt-homographs，消解器位于 bifonia。它嵌入了更广泛的葡萄牙语语音学工作之中，背后是 面向葡萄牙语的经典 NLP 以及 面向 350 多种语言的字素转 IPA 技术栈——它们都是小巧、确定性的部件，让一个声音以其使用者实际使用的方式来念出一门语言。