音素（phoneme）是能区分词义的最小语音单位；字素（grapheme）是书写系统里最小的区别性单位，大致就是一个字母或一个汉字。G2P（grapheme-to-phoneme，字素到音素）要做的，就是把写下来的文字，转换成“该念哪几个音”的序列。它是 TTS（语音合成）和 ASR（语音识别）中间那层不起眼、却最容易翻车的“发音说明书”。
打个比方
把语音想成乐谱，文字是歌词。G2P 就是那个看着歌词标音的人。TTS 拿到音素序列后，才知道嘴该怎么动；ASR 反过来，先听出音素，再靠这本说明书倒推回文字。这一前一后，靠的其实是同一份映射关系。
英文难在漏风，中文走了另一条路
英文是拼音文字，字母和读音大体对应，但规则到处漏风：ough 在 though、through、tough 里读音各不相同；read 的现在式和过去式同形不同音。所以英文的 G2P 常靠“双保险”：一部人工整理的发音词典查常用词，遇到新词、人名、品牌名，再用规则或模型去猜。
中文走的是另一条路。汉字本身基本不表音，但有一个现成的中间层——拼音。于是中文 G2P 常拆成两步：先给汉字定音，再把拼音拆成声母、韵母、声调对应的音素。难点集中在第一步的多音字：“行”“重”“长”“了”都随上下文变脸，分词和语义判断往往比发音规则本身更关键。第二步还有变调、儿化、轻声，属于语流层面的处理。
| 对比项 | 英文 | 中文 |
|---|---|---|
| 书写单位 | 字母 | 汉字 |
| 有无中间层 | 通常没有，直接字素到音素 | 有，先到拼音再拆音素 |
| 主要难点 | 拼写与读音不一致、未登录词 | 多音字、分词、变调儿化 |
| 常见做法 | 发音词典＋模型兜底 | 拼音标注＋上下文消歧 |
和相邻概念的区别
音素不等于音节，也不等于字母：一个音节可能由多个音素组成，一个字母也可能对应多个音素或零个音素。音素和音位变体也不是一回事——前者用来区分词义，后者是同一个音在不同语音环境下的实际差异。G2P 输出的，通常是前一种更抽象的表示。
对从业者和普通人意味着什么
做 TTS，前端 G2P 错了，后面的声学模型再强也救不回来，用户听到的就是念错的名字和读歪的专有名词；做 ASR，发音词典是声学信号和文字之间的桥，桥搭得糙，结果就在同音字上打转。对普通人来说，语音助手念错你的名字、导航把多音字读反，问题多半就出在这一层。各家产品支持哪些语种、遵循什么发音规范，以官方页面为准。