ayutaz/modern-bert-g2p

ModernBERT-Ja pure-NN Japanese G2P research project — no dict lookup in inference. Phase 0-2 baseline reproduction and 2-arch pilot (seq2seq / char-BERT) results.

Python

25 commits

updated Oct 1, 2026

See the code

README

modernbert-g2p

ModernBERT-Ja をベースに、推論時に辞書 lookup を一切呼ばない pure-NN の日本語 G2P (Grapheme-to-Phoneme) を試した研究プロジェクトです。

方針としては pyopenjtalk / OpenJTalk のような辞書 + ルール、あるいは haqumei のような hybrid ではなく、テキストを直接 neural network に入力して音素列を得る構成を採ります。学習時に辞書由来の教師信号を使うことは許容しますが、推論パスに MeCab / UniDic / 辞書 lookup を含めません。

現在のステータス

Phase 0 (baseline 再現) と Phase 2 (2 アーキ並列 pilot 学習・評価) までを実施し、その結果を本 README に記録しています。Phase 3 (マルチタスク学習) 以降はコード未着手です。

Phase 0: baseline 再現 (haqumei / pyopenjtalk / OpenJTalk) — 完了
Phase 1: 5-source データパイプライン構築 (150K sentence-level pairs) — 完了
Phase 2: seq2seq / char-BERT 2 パイロット学習 + JSUT / JVS / ROHAN / hard-set 評価 — 完了
Phase 3-6: 未着手

結果サマリ (Phase 2)

pure-NN 制約下で 2 種類のアーキテクチャを並列学習し、JSUT Basic5000 / JVS-3000 / ROHAN 4600 / hard-set (140 文) の 4 dataset で評価しました。

seq2seq モデル (ModernBERT-ja-130m encoder + 6-layer Transformer decoder, 157M params)

Pilot	JSUT PER	JVS CER	ROHAN KER	hard-set PER
30K (3 seeds mean ± σ)	64.55 ± 2.64 %	72.00 ± 3.96 %	67.17 ± 4.73 %	49.34 ± 0.51 %
60K (2 seeds mean ± σ)	66.44 ± 0.61 %	75.90 ± 0.96 %	71.86 ± 2.14 %	49.92 ± 1.18 %
Δ (60K − 30K)	+1.89	+3.90	+4.69	+0.58
30K best seed (20260706)	62.41 %	67.85 %	63.15 %	49.24 %

char-BERT モデル (tohoku-nlp/bert-base-japanese-char-v2 + 8-slot phoneme head, 110M params)

Pilot	JSUT	JVS	ROHAN	hard-set
v2 (pad_class_weight=2.0)	99.97 %	99.97 %	100.00 %	99.04 %
v3 (pad_class_weight=1.0)	99.98 %	99.96 %	100.00 %	98.91 %

char-BERT は eval で 99% 以上に collapse。pad_class_weight を弱めても復旧しませんでした。

先行 pure-NN 研究との比較 (プロトコル不揃いのため参考値扱い)

モデル	パラメータ	JSUT PER	プロトコル
CharsiuG2P byT5 (多言語)	300M	10.51 %	自著 held-out (単語単位)
CharsiuG2P monolingual JA-only	300M	66.89 %	自著 held-out
Kakegawa TJ-G2P	~110M	11.85 %	JSUT400 (400 文 subset)
本 seq2seq 30K best	157M	62.41 %	JSUT Basic5000 (5000 文)
本 seq2seq 30K mean	157M	64.55 %	JSUT Basic5000
haqumei (hybrid, 参考)	—	1.17 %	JSUT Basic5000

CharsiuG2P monolingual (66.89%) は 4.5pt 上回りましたが、多言語版 (10.51%) には 52pt 及ばず、先行 pure-NN 4 モデル全てを 3 本柱で越える当初目標は達成できていません。

hard-set カテゴリ別 breakdown (seq2seq 30K best seed)

Category	n	per_micro
proper_noun (kanji/katakana 混合)	20	39.30 %
counter (助数詞)	20	43.80 %
polyphone (多音字)	20	47.11 %
loanword (カタカナ外来語)	20	48.90 %
english_abbreviation	20	50.00 %
numeric_unit (数詞・単位)	20	54.37 %
english_mixed	20	56.83 %

英単語混在が最も苦手 (56.83%)、固有名詞は curated 短文の中では相対的に得意 (39.30%)。

わかったこと

30K → 60K で全 dataset が悪化。data ~150K が bottleneck で、step scaling では改善しません。JSUT +1.89 / JVS +3.90 / ROHAN +4.69pt の悪化と、val_loss 0.97 → 1.03 の上昇が overfit signal と一致します。
char-BERT の fixed-slot 設計は architectural に collapse。max_slot=8 に対して日本語 1 文字が使う音素は typically 2 (子音 + 母音) 程度で、残り 6 slot が pad で埋まる 6:2 = 3:1 の class imbalance が構造的ボトルネックになります。pad_class_weight による重み調整だけでは解消せず、CTC-style monotonic alignment 等への置換が必要と判断しました。
Seed 分散 σ ~3-5pt と大きく、weight_decay / dropout の regularization 不足を示唆しています。
hard-set は 3 本柱より易しい (49% vs 65%)。curated 20 文/cat の短文なので語彙的曖昧性が少ないためと推測されます。

アーキテクチャ (2 種の並列比較)

ModernBERT-ja のトークナイザーは SentencePiece 系の subword で、SB Intuitions 自身が HF カードで「token classification タスクでは性能が悪い」と明記しています。そのため各文字にラベルを付ける naive token classification は最初から避け、次の 2 通りを並列に走らせて比較しました。

seq2seq: ModernBERT-ja-130m を encoder に、6-layer Transformer decoder に音素列を自由生成させる。beam=4 の beam search + coverage penalty 0.2 で推論
char-BERT: そもそも subword を捨てて、文字レベル BERT (東北大 bert-base-japanese-char-v2) を encoder にし、各文字位置で 8-slot の phoneme head で分類

base LM を統一した A/B ではなく「ModernBERT で行く」vs 「char-level BERT に切り替える」の trade-off 比較になっています。

データパイプライン (Phase 1)

pyopenjtalk-plus 辞書 + UniDic + Wikipedia + Aozora + JMDict の 5 source から (surface, phoneme) の pair を抽出し、統合コーパスを構築しました。

統合サイズ: train 541,885 rows (v1_5src)
Phase 2 学習で使う sentence-level pair: 約 150K

Wikipedia は並列 ingest infra、Aozora は per-ruby emission (per-file → per-ruby で 300 倍増加)、UniDic は 33 列の実 CSV に合わせた parser で処理しています。

Quick start

1. ベースライン再現 (Phase 0 AC-P0)

uv venv --python 3.12 .venv
source .venv/bin/activate
uv pip install -e ".[dev,baselines]"   # haqumei / pyopenjtalk-plus は baselines extra

# JSUT-label を取得
git clone --depth 1 https://github.com/prj-beatrice/jsut-label.git

# haqumei の JSUT Basic5000 PER (公式 1.17%) を再現
JSUT_YAML=./jsut-label/text_kana/basic5000.yaml \
  python scripts/eval_haqumei_jsut.py

期待出力: PER 1.1657% (公式 1.17% との差 0.005 pt、AC-P0 要件 ≤ 0.1% を満たす)。

2. Phase 2 pilot 学習 (GPU 環境)

uv pip install -e ".[training,pipeline]"   # Parquet 読み込みに pyarrow (pipeline extra) が必要

# seq2seq (30K steps)
python -m modernbert_g2p train --config configs/p_a_30k.yaml --seed 20260706

# char-BERT (30K steps)
python -m modernbert_g2p train --config configs/p_c_30k_v2.yaml --seed 20260706

3. 評価

python -m modernbert_g2p eval --pilot P-A --config configs/p_a_30k.yaml \
  --checkpoint reports/phase2/p_a_30k/20260706/checkpoint_step_30000.pt \
  --dataset jsut --output reports/phase2/eval/p_a_20260706_jsut.json

4. テスト

pytest -q

学習設定 (Phase 2)

Steps: 30K (baseline) / 60K (scale ablation)
LR schedule: linear warmup 1500 → total 30000, grad_clip 0.5
途中発散対策で encoder_lr は 5.0e-5 → 1.5e-5、head_lr は 3.0e-4 → 8.0e-5 に絞りました
Seeds: 20260704 / 20260705 / 20260706 の 3 種
Precision: bf16
GPU: RTX 5090 32GB (Blackwell sm_120, PyTorch 2.11.0+cu128)

評価データセット

JSUT Basic5000 (5000 文): PER (canonical form、scripts/eval_haqumei_jsut.py と bit-一致プロトコル)
JVS-3000 (3000 文): kana CER (Koriyama Interspeech 2026 benchmark)
ROHAN 4600 (4600 文): kana KER
hard-set seed_v2 (140 文、7 カテゴリ × 20): PER (per-category)

JVS / ROHAN 用に、モデルの JULIUS phoneme 出力を katakana に変換する converter (src/modernbert_g2p/evaluation/phoneme_to_kana.py) を実装しています。CV / digraph / palatalized 音素、moraic N (ン)、geminate q (ッ)、長音 (ー) をカバーする state machine で、unit test 26 ケース全て pass しています。

ディレクトリ構造

modern-bert-g2p/
├── src/modernbert_g2p/          # ソースコード
│   ├── metrics/                 # PER / CER / KER canonical 実装
│   ├── models/                  # seq2seq / char-BERT アーキテクチャ
│   ├── training/                # 学習ループ + collator
│   ├── evaluation/              # phoneme_to_kana converter
│   └── data/                    # 5-source データパイプライン
├── tests/                       # pytest スイート (529 tests)
├── scripts/                     # baseline 測定・データ生成の CLI
├── configs/                     # Phase 2 pilot YAML (p_a_30k / p_c_30k_v2 等)
├── docs/
│   ├── requirements.md          # 要求定義書 (FR/NFR/CR/AC)
│   ├── research/                # 9 本の技術ドキュメント
│   └── design/                  # Phase 別実装設計
├── reports/phase2/eval/         # Phase 2 全 eval JSON (50 files)
├── data/                        # (gitignored) raw / processed
├── pyproject.toml
└── README.md

依存関係

pyproject.toml でランタイムと optional extras に分離しています。

ランタイム (dependencies): pyyaml, numpy — metrics / evaluation に必要な最小構成
baseline (optional-dependencies.baselines): haqumei==0.8.0, pyopenjtalk-plus, jiwer>=3, tqdm — scripts/eval_*.py の baseline 測定で使用
学習 (optional-dependencies.training): torch>=2.1, transformers>=4.48, wandb, omegaconf, fugashi[unidic] — Phase 2 以降で使用 (uv.lock の解決版は torch 2.12.1 / transformers 5.13.0)
Phase 2 前処理 (optional-dependencies.phase2): fugashi>=1.3, unidic-lite>=1.0
データパイプライン (optional-dependencies.pipeline): pyarrow>=15, lxml>=5 — Parquet 入出力
開発 (optional-dependencies.dev): pytest>=8, ruff, mypy, ipython

Python サポート: >=3.10,<3.13 (haqumei 0.8.0 は 3.13/3.14 未対応)。

設計原則 (pure-NN 制約)

推論パスに pyopenjtalk / MeCab / 辞書 lookup を含めない。学習時に辞書由来の教師信号を使うことは許容
char-level BERT の pre-tokenize は「内部トークナイザー」として許容 (推論に外部辞書を呼ばない)
NHK Kurihara Interspeech 2024 の TJ-G2P + BAS architecture (T5 seq2seq + char-BERT) を multi-task 1 head として encoder に統合する構想 (Phase 3 で実装予定)
Hida ICASSP 2022 のマルチタスク (G2P + 多音字 + APBP + ANPP + BAS) を multi-head で実装する構想 (Phase 3)
データ量 5-10 倍拡大 + マルチタスク supervision + JSUT/JVS/ROHAN 3 本柱統一評価を pretrain・fine-tune 両方で活用

詳細は CLAUDE.md と docs/requirements.md を参照。

Refuted (反証済み) の主張

「pure-NN が pure-text 入力で hybrid を越えた事例が公開ベンチに存在する」— 2026-07 時点で存在せず (Ohnaka INTERSPEECH 2025 arxiv 2506.04527 は speech+text 入力で PER 0.93% のためスコープ外)
「NHK Kurihara 2024 が Japanese G2P を pure neural では unsolvable と framing」— 該当論文にこの記述なし
「PnG BERT の training labels が Kuromoji+Neologd pseudo-labels」— 論文本文は "morphological analysis" とのみ記述、断定不能

詳細は CLAUDE.md 参照。

参照ドキュメント

CLAUDE.md — プロジェクト方針、pure-NN 制約、v2.0 pivot 経緯
docs/requirements.md — 要求定義書 (FR/NFR/CR/AC 付き)
docs/research/01_overview.md — サマリーと開発戦略
docs/research/02_existing_systems.md — 既存 G2P サーベイ
docs/research/06_implementation_roadmap.md — v2.0 実装ロードマップ
docs/research/07_nn_only_benchmarks.md — pure-NN 先行研究の徹底調査
docs/research/09_pure_nn_g2p_benchmarks.md — 越えるべき pure-NN 4 モデルの整理
reports/phase2/eval/pilot_table.md — Phase 2 の full 数値表 (v4)

参考文献 (pure-NN 先行研究)

CharsiuG2P: Zhu et al., Interspeech 2022 (arxiv:2204.03067)
PnG BERT: Yasuda & Toda 2022 (arxiv:2212.08321)
TJ-G2P: Kurihara & Sano 2024
CC-G2PnP: Shirahata & Yamamoto 2026 (arxiv:2602.17157)
ModernBERT-Ja: sbintuitions/modernbert-ja-130m
BERT-base Japanese char v2: tohoku-nlp/bert-base-japanese-char-v2

License

Apache License 2.0 (LICENSE)。

学習・評価に用いる第三者データセット (pyopenjtalk-plus 辞書, UniDic, JSUT, ROHAN, JMDict, Wikipedia 等) はそれぞれ別ライセンス (BSD / MIT / CC-BY-4.0 / CC-BY-SA-4.0 等) が適用されます。特に Share-Alike 系ライセンスは重み配布時に影響するため、重み公開前に一次資料の再確認が必要です。

Significant stargazers

Nickolay V. Shmyrev

746 followers · starred Jul 2026

Similar repos

llm-jp/llm-jp-modernbert

This repository contains the training and evaluation code for llm-jp-modernbert-base.

cl-tohoku/bert-japanese

BERT models for Japanese text.

551

sbintuitions/modernbert-ja-130m

Model

ModernBERT-Ja-130M

sbintuitions/modernbert-ja-30m

Model

ModernBERT-Ja-30M

sbintuitions/modernbert-ja-310m

Model

ModernBERT-Ja-310M

hppRC/bert-classification-tutorial

【2023年版】BERTによるテキスト分類

232

lingjzhu/CharsiuG2P

Multilingual G2P in 100 languages

396

llm-jp/llm-jp-modernbert-base

Model

llm-jp-modernbert-base

ayutaz/modern-bert-g2p

ModernBERT-Ja pure-NN Japanese G2P research project — no dict lookup in inference. Phase 0-2 baseline reproduction and 2-arch pilot (seq2seq / char-BERT) results.

Python

25 commits

updated Oct 1, 2026

See the code

README

modernbert-g2p

ModernBERT-Ja をベースに、推論時に辞書 lookup を一切呼ばない pure-NN の日本語 G2P (Grapheme-to-Phoneme) を試した研究プロジェクトです。

現在のステータス

Phase 0: baseline 再現 (haqumei / pyopenjtalk / OpenJTalk) — 完了
Phase 1: 5-source データパイプライン構築 (150K sentence-level pairs) — 完了
Phase 2: seq2seq / char-BERT 2 パイロット学習 + JSUT / JVS / ROHAN / hard-set 評価 — 完了
Phase 3-6: 未着手

結果サマリ (Phase 2)

pure-NN 制約下で 2 種類のアーキテクチャを並列学習し、JSUT Basic5000 / JVS-3000 / ROHAN 4600 / hard-set (140 文) の 4 dataset で評価しました。

seq2seq モデル (ModernBERT-ja-130m encoder + 6-layer Transformer decoder, 157M params)

Pilot	JSUT PER	JVS CER	ROHAN KER	hard-set PER
30K (3 seeds mean ± σ)	64.55 ± 2.64 %	72.00 ± 3.96 %	67.17 ± 4.73 %	49.34 ± 0.51 %
60K (2 seeds mean ± σ)	66.44 ± 0.61 %	75.90 ± 0.96 %	71.86 ± 2.14 %	49.92 ± 1.18 %
Δ (60K − 30K)	+1.89	+3.90	+4.69	+0.58
30K best seed (20260706)	62.41 %	67.85 %	63.15 %	49.24 %

char-BERT モデル (tohoku-nlp/bert-base-japanese-char-v2 + 8-slot phoneme head, 110M params)

Pilot	JSUT	JVS	ROHAN	hard-set
v2 (pad_class_weight=2.0)	99.97 %	99.97 %	100.00 %	99.04 %
v3 (pad_class_weight=1.0)	99.98 %	99.96 %	100.00 %	98.91 %

char-BERT は eval で 99% 以上に collapse。pad_class_weight を弱めても復旧しませんでした。

先行 pure-NN 研究との比較 (プロトコル不揃いのため参考値扱い)

モデル	パラメータ	JSUT PER	プロトコル
CharsiuG2P byT5 (多言語)	300M	10.51 %	自著 held-out (単語単位)
CharsiuG2P monolingual JA-only	300M	66.89 %	自著 held-out
Kakegawa TJ-G2P	~110M	11.85 %	JSUT400 (400 文 subset)
本 seq2seq 30K best	157M	62.41 %	JSUT Basic5000 (5000 文)
本 seq2seq 30K mean	157M	64.55 %	JSUT Basic5000
haqumei (hybrid, 参考)	—	1.17 %	JSUT Basic5000

hard-set カテゴリ別 breakdown (seq2seq 30K best seed)

Category	n	per_micro
proper_noun (kanji/katakana 混合)	20	39.30 %
counter (助数詞)	20	43.80 %
polyphone (多音字)	20	47.11 %
loanword (カタカナ外来語)	20	48.90 %
english_abbreviation	20	50.00 %
numeric_unit (数詞・単位)	20	54.37 %
english_mixed	20	56.83 %

英単語混在が最も苦手 (56.83%)、固有名詞は curated 短文の中では相対的に得意 (39.30%)。

わかったこと

30K → 60K で全 dataset が悪化。data ~150K が bottleneck で、step scaling では改善しません。JSUT +1.89 / JVS +3.90 / ROHAN +4.69pt の悪化と、val_loss 0.97 → 1.03 の上昇が overfit signal と一致します。
char-BERT の fixed-slot 設計は architectural に collapse。max_slot=8 に対して日本語 1 文字が使う音素は typically 2 (子音 + 母音) 程度で、残り 6 slot が pad で埋まる 6:2 = 3:1 の class imbalance が構造的ボトルネックになります。pad_class_weight による重み調整だけでは解消せず、CTC-style monotonic alignment 等への置換が必要と判断しました。
Seed 分散 σ ~3-5pt と大きく、weight_decay / dropout の regularization 不足を示唆しています。
hard-set は 3 本柱より易しい (49% vs 65%)。curated 20 文/cat の短文なので語彙的曖昧性が少ないためと推測されます。

アーキテクチャ (2 種の並列比較)

seq2seq: ModernBERT-ja-130m を encoder に、6-layer Transformer decoder に音素列を自由生成させる。beam=4 の beam search + coverage penalty 0.2 で推論
char-BERT: そもそも subword を捨てて、文字レベル BERT (東北大 bert-base-japanese-char-v2) を encoder にし、各文字位置で 8-slot の phoneme head で分類

base LM を統一した A/B ではなく「ModernBERT で行く」vs 「char-level BERT に切り替える」の trade-off 比較になっています。

データパイプライン (Phase 1)

pyopenjtalk-plus 辞書 + UniDic + Wikipedia + Aozora + JMDict の 5 source から (surface, phoneme) の pair を抽出し、統合コーパスを構築しました。

統合サイズ: train 541,885 rows (v1_5src)
Phase 2 学習で使う sentence-level pair: 約 150K

Wikipedia は並列 ingest infra、Aozora は per-ruby emission (per-file → per-ruby で 300 倍増加)、UniDic は 33 列の実 CSV に合わせた parser で処理しています。

Quick start

1. ベースライン再現 (Phase 0 AC-P0)

uv venv --python 3.12 .venv
source .venv/bin/activate
uv pip install -e ".[dev,baselines]"   # haqumei / pyopenjtalk-plus は baselines extra

# JSUT-label を取得
git clone --depth 1 https://github.com/prj-beatrice/jsut-label.git

# haqumei の JSUT Basic5000 PER (公式 1.17%) を再現
JSUT_YAML=./jsut-label/text_kana/basic5000.yaml \
  python scripts/eval_haqumei_jsut.py

期待出力: PER 1.1657% (公式 1.17% との差 0.005 pt、AC-P0 要件 ≤ 0.1% を満たす)。

2. Phase 2 pilot 学習 (GPU 環境)

uv pip install -e ".[training,pipeline]"   # Parquet 読み込みに pyarrow (pipeline extra) が必要

# seq2seq (30K steps)
python -m modernbert_g2p train --config configs/p_a_30k.yaml --seed 20260706

# char-BERT (30K steps)
python -m modernbert_g2p train --config configs/p_c_30k_v2.yaml --seed 20260706

3. 評価

python -m modernbert_g2p eval --pilot P-A --config configs/p_a_30k.yaml \
  --checkpoint reports/phase2/p_a_30k/20260706/checkpoint_step_30000.pt \
  --dataset jsut --output reports/phase2/eval/p_a_20260706_jsut.json

4. テスト

pytest -q

学習設定 (Phase 2)

Steps: 30K (baseline) / 60K (scale ablation)
LR schedule: linear warmup 1500 → total 30000, grad_clip 0.5
途中発散対策で encoder_lr は 5.0e-5 → 1.5e-5、head_lr は 3.0e-4 → 8.0e-5 に絞りました
Seeds: 20260704 / 20260705 / 20260706 の 3 種
Precision: bf16
GPU: RTX 5090 32GB (Blackwell sm_120, PyTorch 2.11.0+cu128)

評価データセット

JSUT Basic5000 (5000 文): PER (canonical form、scripts/eval_haqumei_jsut.py と bit-一致プロトコル)
JVS-3000 (3000 文): kana CER (Koriyama Interspeech 2026 benchmark)
ROHAN 4600 (4600 文): kana KER
hard-set seed_v2 (140 文、7 カテゴリ × 20): PER (per-category)

ディレクトリ構造

modern-bert-g2p/
├── src/modernbert_g2p/          # ソースコード
│   ├── metrics/                 # PER / CER / KER canonical 実装
│   ├── models/                  # seq2seq / char-BERT アーキテクチャ
│   ├── training/                # 学習ループ + collator
│   ├── evaluation/              # phoneme_to_kana converter
│   └── data/                    # 5-source データパイプライン
├── tests/                       # pytest スイート (529 tests)
├── scripts/                     # baseline 測定・データ生成の CLI
├── configs/                     # Phase 2 pilot YAML (p_a_30k / p_c_30k_v2 等)
├── docs/
│   ├── requirements.md          # 要求定義書 (FR/NFR/CR/AC)
│   ├── research/                # 9 本の技術ドキュメント
│   └── design/                  # Phase 別実装設計
├── reports/phase2/eval/         # Phase 2 全 eval JSON (50 files)
├── data/                        # (gitignored) raw / processed
├── pyproject.toml
└── README.md

依存関係

pyproject.toml でランタイムと optional extras に分離しています。

ランタイム (dependencies): pyyaml, numpy — metrics / evaluation に必要な最小構成
baseline (optional-dependencies.baselines): haqumei==0.8.0, pyopenjtalk-plus, jiwer>=3, tqdm — scripts/eval_*.py の baseline 測定で使用
学習 (optional-dependencies.training): torch>=2.1, transformers>=4.48, wandb, omegaconf, fugashi[unidic] — Phase 2 以降で使用 (uv.lock の解決版は torch 2.12.1 / transformers 5.13.0)
Phase 2 前処理 (optional-dependencies.phase2): fugashi>=1.3, unidic-lite>=1.0
データパイプライン (optional-dependencies.pipeline): pyarrow>=15, lxml>=5 — Parquet 入出力
開発 (optional-dependencies.dev): pytest>=8, ruff, mypy, ipython

Python サポート: >=3.10,<3.13 (haqumei 0.8.0 は 3.13/3.14 未対応)。

設計原則 (pure-NN 制約)

推論パスに pyopenjtalk / MeCab / 辞書 lookup を含めない。学習時に辞書由来の教師信号を使うことは許容
char-level BERT の pre-tokenize は「内部トークナイザー」として許容 (推論に外部辞書を呼ばない)
NHK Kurihara Interspeech 2024 の TJ-G2P + BAS architecture (T5 seq2seq + char-BERT) を multi-task 1 head として encoder に統合する構想 (Phase 3 で実装予定)
Hida ICASSP 2022 のマルチタスク (G2P + 多音字 + APBP + ANPP + BAS) を multi-head で実装する構想 (Phase 3)
データ量 5-10 倍拡大 + マルチタスク supervision + JSUT/JVS/ROHAN 3 本柱統一評価を pretrain・fine-tune 両方で活用

詳細は CLAUDE.md と docs/requirements.md を参照。

Refuted (反証済み) の主張

「pure-NN が pure-text 入力で hybrid を越えた事例が公開ベンチに存在する」— 2026-07 時点で存在せず (Ohnaka INTERSPEECH 2025 arxiv 2506.04527 は speech+text 入力で PER 0.93% のためスコープ外)
「NHK Kurihara 2024 が Japanese G2P を pure neural では unsolvable と framing」— 該当論文にこの記述なし
「PnG BERT の training labels が Kuromoji+Neologd pseudo-labels」— 論文本文は "morphological analysis" とのみ記述、断定不能

詳細は CLAUDE.md 参照。