README-cmn.md

台語 | English

Taibun

臺灣話音譯器和標記器

它具有允許自定義音譯，和檢索有關臺灣話發音的任何必要信息的方法
包括臺灣話的單詞標記器

報告軟件缺陷 • PyPI

---

目錄

1. 版本
2. 安裝
3. 用法
   • Converter
     • System
     • Dialect
     • Format
     • Delimiter
     • Sandhi
     • Punctuation
     • Convert non-CJK
   • Tokeniser
     • Keep original
   • 其他函式
4. 例子
5. 數據
6. 致謝
7. 執照

版本

安裝

Taibun 可以通過 pypi 安裝

$ pip install taibun

用法

Converter

Converter 類別使用開發人員指定的參數將中文字音譯為所選的音譯系統。適用於繁體和簡體字符。

# 建構子
c = Converter(system, dialect, format, delimiter, sandhi, punctuation, convert_non_cjk)

# 音譯中文字
c.get(input)

System

system String - 音譯系統。

• Tailo (預設) - 臺灣羅馬字拼音方案
• POJ - 白話字
• Zhuyin - 臺語方音符號
• TLPA - 臺灣語言音標方案
• Pingyim - 閩南話拼音方案
• Tongiong - 臺語通用拼音
• IPA - 國際音標

文本	Tailo	POJ	Zhuyin	TLPA	Pingyim	Tongiong	IPA
台灣	Tâi-uân	Tâi-oân	ㄉㄞˊ ㄨㄢˊ	Tai5 uan5	Dáiwán	Tāi-uǎn	Tai²⁵ uan²⁵

Dialect

dialect String - 首選發音。

• south (預設) - 發音更接近漳州話
• north - 發音更接近泉州話
• singapore - 帶有新加坡特色的泉州話發音

文本	south	north	singapore
五月節我啉咖啡	Gōo-gue̍h-tseh guá lim ka-pi	Gōo-ge̍h-tsueh guá lim ka-pi	Gōo-ge̍h-tsueh uá lim ko-pi

Format

format String - 轉換後的句子中表示聲調的格式。

• mark (預設) - 每個音節都使用變音符號。不支持拼音
• number - 添加一個代表音節末尾聲調的數字
• strip - 刪除任何音調標記

文本	mark	number	strip
台灣	Tâi-uân	Tai5-uan5	Tai-uan

Delimiter

delimiter String - 設定放置在單詞音節之間的分隔符。

預設值取決於所選的 system:

• '-' - 對於 Tailo, POJ, Tongiong
• '' - 對於 Pingyim
• ' ' - 對於 Zhuyin, TLPA, IPA

文本	'-'	''	' '
台灣	Tâi-uân	Tâiuân	Tâi uân

Sandhi

sandhi String - 應用臺灣話變調規則。

由於編碼所有變調規則困難，Taibun 提供多種模式變調轉換以支援自訂變調處理。

• none - 不執行任何變調
• auto - 最接近臺灣話的正確音調變音，包括代詞、後綴和帶有「仔」詞的音調變音
• exc_last - 除了最後一個音節之外，每個音節都變調
• incl_last - 包括最後一個音節在內，每個音節都變調

預設值取決於所選的 system:

• auto - 對於 Tongiong
• none - 對於 Tailo, POJ, Zhuyin, TLPA, Pingyim, IPA

文本	none	auto	exc_last	incl_last
這是你的茶桌仔無	Tse sī lí ê tê-toh-á bô	Tse sì li ē tē-to-á bô	Tsē sì li ē tē-tó-a bô	Tsē sì li ē tē-tó-a bō

變調規則也會根據所選擇的方言而變化。

文本	沒有變調	south	north / singapore
台灣	Tâi-uân	Tāi-uân	Tài-uân

Punctuation

punctuation String

• format (預設) - 將中文標點符號轉換為英文標點符號，並將每個句子開頭的單詞大寫
• none - 保留中文風格的標點符號，並且新句子開頭的單詞不大寫

文本	format	none
這是臺南，簡稱「南」（白話字：Tâi-lâm；注音符號：ㄊㄞˊ ㄋㄢˊ，國語：Táinán）。	Tse sī Tâi-lâm, kán-tshing "lâm" (Pe̍h-uē-jī: Tâi-lâm; tsù-im hû-hō: ㄊㄞˊ ㄋㄢˊ, kok-gí: Táinán).	tse sī Tâi-lâm，kán-tshing「lâm」（Pe̍h-uē-jī：Tâi-lâm；tsù-im hû-hō：ㄊㄞˊ ㄋㄢˊ，kok-gí：Táinán）。

Convert non-CJK

convert_non_cjk Boolean - 定義是否轉換非中文單詞。可用於將臺羅拼音轉換為其他羅馬拼音系統。

• True - 轉換非中文字詞
• False (預設) - 僅轉換中文字詞

文本	False	True
我食pháng	ㆣㄨㄚˋ ㄐㄧㄚㆷ˙ pháng	ㆣㄨㄚˋ ㄐㄧㄚㆷ˙ ㄆㄤˋ

Tokeniser

Tokeniser 類別對臺灣話句子執行類似 NLTK wordpunct_tokenize 的標記化。

# 建構子
t = Tokeniser(keep_original)

# 標記臺灣語句
t.tokenise(input)

Keep original

keep_original Boolean - 定義是否保留輸入的原始字符。

• True (預設) - 保留原始字符
• False - 使用資料集中定義的字符替換原始字符

文本	True	False
臺灣火鸡肉饭	['臺灣', '火鸡肉饭']	['台灣', '火雞肉飯']

其他函式

實用的臺灣話 NLP 助手函式。

to_traditional 函式將輸入轉換為繁體字元以便於資料集使用。也可應對繁體字符變體。

to_simplified 函式將輸入轉換為簡體字元。

is_cjk 函式檢查輸入字串是否完全由中文字符組成。

to_traditional(input)

to_simplified(input)

is_cjk(input)

例子

# Converter
from taibun import Converter

## System
c = Converter() # system 預設值: Tailo
c.get('先生講，學生恬恬聽。')
>> Sian-sinn kóng, ha̍k-sing tiām-tiām thiann.

c = Converter(system='Zhuyin')
c.get('先生講，學生恬恬聽。')
>> ㄒㄧㄢ ㄒㆪ ㄍㆲˋ, ㄏㄚㆶ˙ ㄒㄧㄥ ㄉㄧㆰ˫ ㄉㄧㆰ˫ ㄊㄧㆩ.

## Dialect
c = Converter() # dialect 預設值: south
c.get("我欲用箸食魚")
>> Guá beh īng tī tsia̍h hî

c = Converter(dialect='north')
c.get("我欲用箸食魚")
>> Guá bueh īng tū tsia̍h hû

c = new Converter({ dialect: 'singapore' });
c.get("我欲用箸食魚");
>> Uá bueh ēng tū tsia̍h hû

## Format
c = Converter() # 在 Tailo 中，format 預設值: mark
c.get("生日快樂")
>> Senn-ji̍t khuài-lo̍k

c = Converter(format='number')
c.get("生日快樂")
>> Senn1-jit8 khuai3-lok8

c = Converter(format='strip')
c.get("生日快樂")
>> Senn-jit khuai-lok

## Delimiter
c = Converter(delimiter='')
c.get("先生講，學生恬恬聽。")
>> Siansinn kóng, ha̍ksing tiāmtiām thiann.

c = Converter(system='Pingyim', delimiter='-')
c.get("先生講，學生恬恬聽。")
>> Siān-snī gǒng, hág-sīng diâm-diâm tinā.

## Sandhi
c = Converter() # 在 Tailo 中，sandhi 預設值: none
c.get("這是你的茶桌仔無")
>> Tse sī lí ê tê-toh-á bô

c = Converter(sandhi='auto')
c.get("這是你的茶桌仔無")
>> Tse sì li ē tē-to-á bô

c = Converter(sandhi='exc_last')
c.get("這是你的茶桌仔無")
>> Tsē sì li ē tē-tó-a bô

c = Converter(sandhi='incl_last')
c.get("這是你的茶桌仔無")
>> Tsē sì li ē tē-tó-a bō

## Punctuation
c = Converter() # punctuation 預設值: format
c.get("太空朋友，恁好！恁食飽未？")
>> Thài-khong pîng-iú, lín-hó! Lín tsia̍h-pá buē?

c = Converter(punctuation='none')
c.get("太空朋友，恁好！恁食飽未？")
>> thài-khong pîng-iú，lín-hó！lín tsia̍h-pá buē？

## Convert non-CJK
c = Converter(system='Zhuyin') # convert_non_cjk 預設值: False
c.get("我食pháng")
>> ㆣㄨㄚˋ ㄐㄧㄚㆷ˙ pháng

c = Converter(system='Zhuyin', convert_non_cjk=True)
c.get("我食pháng")
>> ㆣㄨㄚˋ ㄐㄧㄚㆷ˙ ㄆㄤˋ


# Tokeniser
from taibun import Tokeniser

t = Tokeniser()
t.tokenise("太空朋友，恁好！恁食飽未？")
>> ['太空', '朋友', '，', '恁好', '！', '恁', '食飽', '未', '？']

## Keep Original
t = Tokeniser() # keep_original 預設值: True
t.tokenise("爲啥物臺灣遮爾好？")
>> ['爲啥物', '臺灣', '遮爾', '好', '？']

t.tokenise("为啥物台湾遮尔好？")
>> ['为啥物', '台湾', '遮尔', '好', '？']

t = Tokeniser(False)
t.tokenise("爲啥物臺灣遮爾好？")
>> ['為啥物', '台灣', '遮爾', '好', '？']

t.tokenise("为啥物台湾遮尔好？")
>> ['為啥物', '台灣', '遮爾', '好', '？']


# 其他函式
from taibun import to_traditional, to_simplified, is_cjk

## to_traditional
to_traditional("我听无台语")
>> 我聽無台語

to_traditional("我爱这个个人台面")
>> 我愛這个個人檯面

to_traditional("爲啥物")
>> 為啥物

## to_simplified
to_simplified("我聽無台語")
>> 我听无台语

## is_cjk
is_cjk('我食麭')
>> True

is_cjk('我食pháng')
>> False

數據

• 台華線上對照典 (藉由 ChhoeTaigi)
• iTaigi華台對照典 (藉由 ChhoeTaigi)

致謝

• 任全恩 (Github · LinkedIn) - 臺灣話和國語翻譯

執照

因為 Taibun 是 MIT 許可的，所以任何開發人員基本上都可以用它做任何他們想做的事情，只要他們在源代碼的任何副本中包含原始版權和許可聲明。 請注意，該包使用的數據已獲得不同版權的許可。

數據已獲得 CC BY-SA 4.0 許可