合合信息发布首个古彝文基础编码“大字典”，用AI“抢救”濒危语言

2024-04-24 18:46 168

少数民族的文字是文化遗产宝库中的重要内容，也是民族文化的重要载体。近期，合合信息联合上海大学、华南理工大学发布业内首个古彝文基础编码数据库，该项目由合合信息与上海大学社会学院、华南理工大学文档图像分析识别与理解实验室共同推进，针对现有的《西南彝志》、云贵一带字符，以智能图像处理、智能文字识别等AI技术开展统一编码，并于近期发布了业内首个古彝文基础编码数据库（简称“数据库”）。

“古彝文”专指在民间流通使用的原生态彝文。根据《滇川黔桂彝文字集》，古彝文多达87046字，比《康熙字典》（47035字）还要多。在目前发现的彝文古籍中，《西南彝志》是其中字数最多、篇幅最长、体量最大、内容最丰富的巨著，有“彝族古代百科全书”之誉。古彝文作为一门濒临消亡的语言，其典籍的数字化之路也面临着巨大的挑战。

数据库项目技术负责人、华南理工大学电子与信息学院教授金连文提到，原生态彝文此前没有被系统性地进行数字化编码，古彝文没有公开数据集，标注困难，异体字繁多，每个字的异体写法少则两三种，多则几十种，且字体间风格差异大。因此，建立一个专门的数据库，通过基础编号将不同样式归纳，才能“破解”古彝文“一对多”的关系，解决文字查询问题。

在对7万6千字符的样本进行训练后，团队成功建立了包含上千个古彝文基础编码的数据库。通过API数据接口等形式，该数据库有望帮助高校研究人员、文化工作者、兴趣爱好者等人群快速找到古彝文在字典中的读音、汉语释义、用法，如同“大字典”一般，帮助人们降低古彝文书籍、文献阅读的门槛。

古彝文字符多样性无统一规范样式，数据库查询编码：09460502 （图源：滇川黔桂彝文字集）

“古彝文数据库的发布并非一个最终的研究结果，而是一项非常重要的基础性工作。”古彝文数字化项目发起人、上海大学人类学民俗学研究所讲师邵文苑表示，基础编码的发布，意味着这些文字在数字社会里从此拥有了“身份证号码”，能够被更多地展现在网络空间上，被更广泛的人群看见、认识、研究。“文化保护也需要全社会的参与。语言文明是历史留给人类的宝贵财富，承载着过去的民族记忆，也终将成为当下和未来的创新之源。”邵文苑说。

为了推进古彝文“大字典”项目的顺利进行，在收集语料收集的过程中，研究人员通过合合信息旗下扫描全能王“智能高清滤镜”功能，高效解决古彝文识别的版式检测、图像处理和文字识别等难题，对于污渍、残破的彝文古籍，只需用“智能高清滤镜”轻轻一扫，即可得到一张清晰、平整的图片。

扫描全能王“智能高清滤镜”古籍扫描效果（图源：西南彝志）

“智能高清滤镜”通过算法大模型，让AI代替人去“思考”，达成图像识别、检测、分析、研判、结论的全链路闭环，最终为用户自动选择出最优处理方案。“智能高清滤镜”的智能研判主要基于精准的图像感知，通过深度学习模型，进行图像特征获取，感知到图像特征并对应进行图像处理，应对各种复杂文档，达成场景化的决策效果。

目前，全球已有多家技术厂商、机构采用AI技术助力古籍保护，例如北京大学等高校联合字节跳动等科技公司发起的“识典古籍”项目，阿里巴巴与四川大学等高校、机构发起“汉典重光”项目。龙泉寺用基于深度学习的单字识别引擎进行《六十华严》的大藏经版本的电子化，也引起了社会广泛关注。数字化技术，已经成为文化保护与传承的新途径，让更多优秀文明成果被看见，助力传统的民族文化焕发新的生命力。

(此文不代表第一财经观点，系出于传递商业资讯目的刊登。)

举报相关阅读