Nlp 检测包含非字母字符的单词中的音节

我正在实现可读性测试，并实现了检测sylables的简单算法。 检测元音序列我在单词中计算它们，例如单词“shoud”包含一个元音序列，即“ou”。在计算它们之前，我先去掉-les、-e、-ed等后缀（例如，“like”一词包含一个音节，但包含两个元音序列，所以这种方法很有效）

但是。。。 考虑这些词/序列：

• x光片（包含两个音节）
• 我是（一个音节，也许我可以删除文本中的所有撇号？）
• 去
• 我会的
• n'（例如猪肉和豆类）
• 第三（如何治疗？）
• 12345

如何处理特殊角色？把它们都拿走？大多数单词都可以，但用“n”和“x光”就不行了。以及如何治疗cyphers

---

这些都是单词的特例，但我很高兴看到这方面的一些经验或想法。

我建议您首先确定有多少数据由这些单词组成，以及它们对程序的整体性能有多重要。也要收集一些统计数据，看看哪种情况发生得最多

这个问题没有简单正确的解决方案，但我可以提出一些启发：

• 两个辅音之间的

  “

  （

  不应该
  ）似乎表示省略了一个音节

• 一个单面有元音或单词边界的

  ，

  （

  I'd

  ，

  goin'

  ）似乎不会这样做（但请注意，

  goin'

  仍然是两个音节）
• 任何单词，包括

  n'

  至少有一个音节长
• 破折号（

  -

  ）可以通过将两侧的文本视为单独的单词来处理

3rd

可以通过将序数写为单词的代码或更简单的启发式方法来处理