「直接從注音 map
到漢字」的意思是，目前用來做輸入法的模型，在（當年）缺乏資料且記憶體不足的情況下，音和字之間的關聯是齊頭式平等，破音字的各種發音之間沒有機率關係，頂多
只有 .cin 檔裡的先後順序而已。
缺乏資料的原因是，除了國語日報之外，很少有完整音節和漢字並列的語料庫可供統計；另一方面，就算拿國語日報來統計，書面語的用詞及其音標，和口語有一定程度的 差異。而
ljm
想做的，主要是改善後面這個問題，補足日常用語的音標，特別是在使用者通常不會乖乖打破音字發音的情況下。反過來說，「總統」的問題也一樣，有些使用者可能不會 照著標準的聲調輸入。
為什麼要有音->字的統計關聯呢？這要從 (n-gram) language
model 與 HMM 的差異說起。又為什麼要提 n-gram
呢？因為酷音的原理是簡化過的
uni-gram。所謂「簡化」，在於酷音裡評分的標準是字詞的「頻」率，而不是「機」率。這樣做有兩個問題：第一，直接用詞頻時，僅出現一次和出現過十次的字 詞，在評分時會造成相當大的落差，然而這完全是語料的
bias，無法代表現實生活中的傾向；第二，「新詞」或「未知詞」在原始語料中的出現次數為零，但新詞或未知詞之所以成詞，表示它在現實生活中出現的「機率」並 不是零。然而，若想要替這些妾身未明的詞加上某個次數，便破壞了原始模型裡的分布，恐怕會在某些地方引發連鎖反應。

真正的
n-gram，首先要用次數除以語料中詞彙的總數而得到機率，接著要用某些方法替「未知事件」分配一個很小很小的機率。而這個小小機率畢竟是無中生有，原始模型 中所有的機率都要重新
normalize 來符合所有事件機率相加等於一的基本要求。

那麼，為什麼 n-gram 是簡化過的 HMM
呢？先轉個方向，想想語音辨識的流程。從聲音訊號轉換成某些音節單位，從某些音節單位再轉換成字詞，這樣基本上是兩個階段。輸入法其實可以視為比較容易的語音辨 識問題（即使是字根式輸入法也可以這麼看），因為系統不必做訊號處理，我們已經直接輸入音節單位的符號了。但
HMM
無論在那一個階段，內部流程用到的機率也不只一種：某音節
Sa 和某音節 Sb 相鄰的機率、某音節 Sa 轉換成某字詞 La
的機率、某音節 Sb 轉換成某字詞 Lb 的機率、某字詞 La
與某字詞 Lb
相鄰的機率。目前採用機率模型的輸入法，就我所知全部都只用了最後一種。

小結一下，如果我沒誤會 ljm
的意思，他要做的事情不是弄個「新的」模型，只是想把舊模型裡被省略掉（全部被當成機率為一）的東西補回去。

我想，邏輯上「單字詞問題」和「音轉字模型不好」並不是互斥的。好的機率模型並不會厚此薄彼，問題是我們餵進機率模型的東西是不是符合需求？

我想，您指的詞庫輸入法其實是 uni-gram
的一種特例，採用資訊檢索常見的 "pattern"
而不那麼在乎斷詞問題。這基本上是可行的，但輸入法與資訊檢索的需求有一處不同：此時這些「詞」的詞頻必須互斥。舉例來說，「扳機指」若出現了
n 次，「扳機」出現的次數就不可包含那 n
次。對資訊檢索來說則不必如此。這樣的方式在某些單字詞問題上的好處是，把以前需要做
bi-gram 或 tri-gram
的東西直接黏在一起，像「週休二日」這種
pattern，斷詞標準不同，可能會被切分成不同的單位，但實務上直接視為一個單位比較方便。而這種方式的缺點是破壞了語言本身的自然現象帶來的預測能力。舉 例來說，中文裡絕大多數的字都是自由詞素，常用的單字總是有機會被拿來跟別的字詞搭配成新詞；然而，當我們採用「互斥」詞頻時，詞長愈短的詞愈容易被孤立。要是 不採用「互斥」詞頻，那麼就跟
uni-gram
沒有太大差異（只有斷詞標準不同），於是我們就回到原點了。上述說法，請參考
"The Properties and Further Applications of Chinese Frequent Strings"
(http://www.aclclp.org.tw/clclp/v9n1/v9n1a7.pdf)
一文。所以如果要 patch，照著該文做一遍是可以的。:)