构建既易于发音、在类型学上合理，又具有语义结构的人工词汇，一直是计算语言学中尚未解决的难题。现有的 conlang（人工语言）生成器要么缺乏形式化的音位配列保证，要么将生成任务委托给不透明、不可复现的基于大语言模型的流程。针对这些问题，来自 Sankalp Tattwadarshi Swain 等作者的研究提出了一种模块化架构，旨在实现类型学控制的词汇生成。
该框架的核心设计是将词汇生成分解为三个相互独立的模块。首先，音素库从 PHOIBLE 数据库中采样，该数据库收录了世界各语言的音位系统，从而保证生成的音素集合具有类型学依据。其次，词形在可互换的音系语法下生成，这些语法包括确定性语法、优选论（OT）和最大熵（MaxEnt）模型。这种可插拔的设计允许研究者灵活替换音系约束，而不影响其他模块。
第三，意义的分配通过 Swadesh–Leipzig–Jakarta 本体完成。该本体结合了 Swadesh 基础词表、Leipzig 语义标注框架和 Jakarta 语义特征，确保每个生成的词形都明确对齐到特定的语义概念。这种显式的形式-意义对齐是框架的关键特征，避免了以往生成器中常见的语义模糊问题。
在评估方面，作者使用了字符 n-gram 困惑度、对数似然以及与 PHOIBLE 对比的 KL 散度作为指标，测试了从 100 到 5,000 个词形的不同词汇规模。实验结果显示，概率语法（优选论和最大熵）在音位配列连贯性和类型学真实性两方面均稳定优于确定性基线和随机基线。这意味着，引入概率建模不仅能生成更自然的音位组合，还能更好地反映真实语言中的类型学分布。
该研究的意义在于提供了一种可复现、可解释的替代方案，避免了依赖黑箱大语言模型带来的不确定性和不可重复性。模块化设计也便于未来扩展，例如替换不同的音系理论或语义本体。作者已将论文提交至 arXiv，并提供了 PDF、HTML 及 TeX 源码等多种访问方式。