文本到语音系统越来越多地处理用户生成文本（UGT），如 ppl、imo 等，这类词的发音必须依据其规范形式而非表面形式推断。我们推出 UGTPhon，这是首个面向英语、越南语和韩语的字母到音素（G2P）基准，并提供基于推理的细粒度分类体系，用于错误诊断。实验表明，现有 G2P 模型和最前沿的大语言模型（LLM）在规范形式到非规范形式的转换上存在显著性能差距，最高可达 66.8 PER（音素错误率）点。作为基准基线，我们提出一种简易的组合式 G2P 方法：先通过精确匹配查表获取规范形式证据，再进行分阶段解码。该方法在 ByT5 与 Qwen2.5‑0.5B 两种骨干模型上均实现了显著的非规范 G2P 错误下降。尤其是 0.5B 版本的表现已可与更大规模的 few‑shot 前沿 LLM 相竞争，凸显显式建模规范形式推理对 UGT 音素化的重要性。
点评：本工作通过构建多语言基准和细致分类，揭示了现有模型在处理非规范文本时的局限，并用轻量级的组合策略实现了显著提升，为后续研究提供了明确方向。