潮汕方言數(shù)字化框架設(shè)計(jì)與研發(fā)

吳永娜，黃春梅

（揭陽職業(yè)技術(shù)學(xué)院信息工程系，廣東揭陽 522000）

潮汕文化歷史悠久，潮汕方言使用者眾多.潮汕方言保留了不少兩漢六朝時(shí)期的語音特點(diǎn)，是中國最古老、最特殊的方言之一.隨著計(jì)算機(jī)技術(shù)的高速發(fā)展，在潮汕方言的研究中引入中文信息處理技術(shù)，是一種新的嘗試，它涉及到計(jì)算機(jī)和方言兩個(gè)領(lǐng)域的知識(shí)融合.計(jì)算機(jī)技術(shù)在文獻(xiàn)檢索、錄入、保存、各種資料的統(tǒng)計(jì)對(duì)比方面有很大的優(yōu)勢(shì)，給我們帶來諸多的便利.本文建立了潮汕方言字詞數(shù)據(jù)庫檢索系統(tǒng)、潮汕方言口音數(shù)據(jù)庫、潮汕方言自動(dòng)處理軟件，讓專家學(xué)者從繁重的整理工作中解放出來，將更多的精力放在分析和解決問題上.

1 潮汕方言音系

潮汕方言口音可以分為揭陽、汕頭、潮州、汕尾、普寧、海陸豐等，每種口音大體相同，相互間能聽懂，但各地的發(fā)音還是有所區(qū)別.系統(tǒng)以廣東省教育廳1960年9月公布的潮汕話拼音方案為標(biāo)準(zhǔn)（簡稱60方案，下同）.

1.1 潮汕方言的聲母

根據(jù)潮汕話拼音方案，潮汕話聲母共有18個(gè)，見表1.

表1 潮汕方言聲母表

1.2 潮汕方言的韻母

潮汕話常見有61個(gè)韻母，但為了全面保留潮汕語音系統(tǒng)的完整性，把不常見和管字甚少的韻母都一并收錄，共計(jì)95個(gè)，見表2.

表2 潮汕方言韻母表

表2沒有按照傳統(tǒng)音韻學(xué)的方式編排，主要是針對(duì)計(jì)算機(jī)的特點(diǎn)而設(shè)計(jì)的.

1.3 潮汕方言的聲調(diào)

潮汕話有8個(gè)聲調(diào)如表3所示.

表3 潮汕方言聲調(diào)

2 方言字庫的建造和安裝

目前大約有80個(gè)潮汕方言字超出常規(guī)計(jì)算機(jī)的輸入范圍.由于缺少字庫支持無法輸入和顯示.這部份字在Windows平臺(tái)主要是利用eudcedit.exe自帶的造字程序來實(shí)現(xiàn)的.步驟如下：

2.1 確定方言字字符代碼

Windows系統(tǒng)為用戶自定義字符預(yù)留了一定的編碼空間，并提供了一個(gè)制作自定義字符的程序eudcedit.exe，并確定編碼類型和代碼頁[11].EUDC中有各種不同的代碼頁，932代表日本語，936代表簡體中文，949代表韓語，950代表繁體中文，代碼頁不同，其規(guī)定的內(nèi)碼不同，在設(shè)計(jì)和規(guī)劃時(shí)必須嚴(yán)格按照其范圍編排.如下所示：

932=F040-F9FC

936=A140-A7A0,AAA1-AFFE,F8A1-FEFE

949=C9A1-C9FE,FEA1-FEFE

950=8140-8DFE,8E40-A0FE,C6A1-C8FE,FA40-FEFE

Unicode=E000-F8FF

本設(shè)計(jì)沒有采用936（簡體中文）代碼頁空間，而是采用了Unicode的規(guī)范，方便在各種系統(tǒng)上使用.潮汕方言字符的編碼空間從E001H開始，到E050H（十六進(jìn)制）結(jié)束，共80個(gè).運(yùn)行Windows自帶的造字程序，選擇Unicode代碼，然后選擇從E001H代碼開始造字，全部造完后保存為文件.

2.2 修改注冊(cè)表的值

系統(tǒng)要識(shí)別使用自造字，必須修改注冊(cè)表，這部分位于KEY_LOCAL_MACHINESystemCurrent-ControlSetControlNLSCodePageEUDCCodeRange EUDCCodeRange CodePage=FromTo[,FromTo]，操作系統(tǒng)不同，其位置也不同，Windows 2000、Windows Server 2003、Windows XP SP1、SP2位置相同，Windows XP SP3位置與之不同，Windows7、Windows8又有差別，這些過程比較復(fù)雜，輸入法專門附帶了一個(gè)eudc-install程序，把設(shè)計(jì)完成后的自定義字符安裝到目標(biāo)計(jì)算機(jī)上，并自動(dòng)完成對(duì)注冊(cè)表的操作和文件的操作.

3 輸入法的設(shè)計(jì)

輸入法軟件的設(shè)計(jì)是數(shù)字化過程中一個(gè)關(guān)鍵環(huán)節(jié).不論寫作或是整理文獻(xiàn)都要和大量的方言字打交道.我們花費(fèi)了大量的時(shí)間和精力完成了潮汕話輸入法的開發(fā)，軟件可以直接按照潮汕話拼音輸入常見的單字和詞組，對(duì)文獻(xiàn)錄入、創(chuàng)作或是聊天達(dá)到實(shí)用的水平.輸入法的設(shè)計(jì)過程中，碰到的主要問題有：

3.1 潮拼聲母韻母的規(guī)范化

潮汕地區(qū)有很多本土的字典和專業(yè)文獻(xiàn)，它們大都附帶有一個(gè)聲、韻母表，從表4可以看出，四個(gè)附帶表沒有一個(gè)完全相同，表的內(nèi)容雖然沒有錯(cuò)，但容易使人無所適從，非潮語區(qū)的用戶看后更是一頭霧水.隨著時(shí)間的推移，廣東省教育廳1960年發(fā)布的潮汕話拼音方案已經(jīng)跟不上時(shí)代的變化，制定一個(gè)標(biāo)準(zhǔn)聲、韻母表對(duì)推廣潮汕方言十分關(guān)鍵.普通話能夠推廣，一個(gè)重要因素就是有一個(gè)相對(duì)固定的標(biāo)準(zhǔn)聲韻母表.本系統(tǒng)采用60方案，其優(yōu)點(diǎn)是接近漢語拼音方案，容易上手.系統(tǒng)所有收集到的資料，全部以60方案進(jìn)行編碼.

表4 各字典附帶的聲母表對(duì)照

3.2 字符集編碼問題

漢字信息化處理一直是個(gè)非常復(fù)雜的問題，國內(nèi)外先后出現(xiàn)了多種方案，導(dǎo)致了漢字字符編碼的混亂和兼容性問題[10].潮汕方言輸入與常規(guī)的輸入有很大的不同，很多方言字在常規(guī)輸入法中根本無法輸入和顯示.從發(fā)展方向和兼容性考慮，本系統(tǒng)采用了Unicode的編碼方案.系統(tǒng)采用海峰五筆的字庫，該字庫嚴(yán)格按照Unicode的編碼規(guī)范進(jìn)行設(shè)計(jì)，具體內(nèi)容見表5.其中CJK EUDC自造區(qū)的編碼空間正好用在潮汕方言俗字的編碼上.

表5 Unicode字庫編碼范圍

3.3 主要的數(shù)據(jù)結(jié)構(gòu)

輸入法由5個(gè)數(shù)據(jù)表組成：五筆單字庫、五筆詞組、潮音字庫、潮音詞組和自定義庫.潮音字庫按照＜單字＞＜方音1，方音1，…，方音n＞的結(jié)構(gòu)組織，用戶輸入時(shí)由軟件自動(dòng)在各個(gè)方音中查找，就不用考慮到地區(qū)的差別，詞組文件按照＜詞組＞＜方音組1，方音組2，…，方音組n＞的結(jié)構(gòu)組織，輸入時(shí)也同樣不用考慮地區(qū)的差別，只是要求軟件必須盡可能地收錄各地的發(fā)音.對(duì)于沒有收錄到的方音和詞組，則由自定義庫來解決，該庫由二部份組成，第一部份是單字，第二部份是詞組，結(jié)構(gòu)也同上，由軟件完成插入排序.

3.4 人性化的設(shè)計(jì)

由于潮語很多是古漢字，筆劃很多，常規(guī)字體有時(shí)較難看清，所以潮汕話輸入法開創(chuàng)性地設(shè)計(jì)了輸入窗口可自由調(diào)整字體大小的技術(shù)，以方便用戶.在輸入狀態(tài)下，只要按下鍵盤上的“↑”、“↓”鍵，輸入法窗口就可以實(shí)現(xiàn)放大縮小.

3.5 五筆單字反查潮拼功能

輸入法中專門設(shè)計(jì)了五筆單字反查潮拼拼音的功能，在輸入過程中，碰到無法用潮拼輸入時(shí)，可用五筆打出該字，同時(shí)該字右邊顯示潮語拼音，對(duì)用戶學(xué)習(xí)潮汕拼音法起到輔助作用.

4 詞匯的收集與潮汕方言字詞檢索系統(tǒng)

詞匯的收集和錄入非常繁重和耗時(shí).潮汕方言目前還沒有官方正式的詞匯收集文獻(xiàn).潮汕地區(qū)的各種詞匯專著比較少，出版時(shí)間參差不齊，詞匯量不多，最常見的是林倫倫編著的《潮汕方言熟語辭典》，該書收集的詞匯量有2 400條左右，是目前比較權(quán)威嚴(yán)謹(jǐn)?shù)闹?部份詞匯中的方言字要么留空，要么用同音字代替，除了部分至今無法考證出本字的方言字外，現(xiàn)在考證出來的方言字沒有及時(shí)收錄，而用同音字代替的現(xiàn)象比比皆是，在網(wǎng)絡(luò)上用詞混亂不堪.較少收錄俚語，事實(shí)上有些俚語詞匯更具潮汕特色.資料重疊嚴(yán)重，而且只有紙質(zhì)內(nèi)容，造成錄入困難.所以專門開發(fā)了輔助的方言字詞收集檢索系統(tǒng)，見圖1.

圖1 潮汕方言字詞收集檢索系統(tǒng)

5 注音程序的設(shè)計(jì)

方言注音程序的設(shè)計(jì)比拼音注音要復(fù)雜得多，現(xiàn)在還不能達(dá)到百分之百的注音.拼音的注音已經(jīng)有大量的研究和可用的資料.而潮汕方言在這方面還是個(gè)空白，潮汕方言既有文讀，又有白讀，各個(gè)方言區(qū)的發(fā)音又不盡相同，所以注音復(fù)雜且速度大大受到制約，例如，“廣”字，表示地名時(shí)用“geng”，表示“廣大”時(shí)用“guang”，而“廣交會(huì)”本要用“geng”，但實(shí)際要用“guang或guêng”；又如“人”字，在“男人，工人，商人，人參，人中”發(fā)“ring”的音，但在揭陽卻發(fā)“rêng”的音，在“助人為樂，人面，負(fù)責(zé)人”中發(fā)音為“nang”；又如“齊”字文讀為“ci”，白讀為“zoi”.這些現(xiàn)象比較復(fù)雜，只有經(jīng)過長時(shí)間收集統(tǒng)計(jì)分析才能提高注音的準(zhǔn)確性.圖2是潮汕方言自動(dòng)處理軟件界面，該軟件初步實(shí)現(xiàn)了潮汕方言的分詞與自動(dòng)注音.

圖2 潮汕方言自動(dòng)處理軟件

6 書籍OCR數(shù)字化與語音合成

文獻(xiàn)錄入是非常繁重的工作.把文獻(xiàn)掃描后識(shí)別其中的文字稱為OCR.目前OCR軟件大部份僅支持國家規(guī)定的常見漢字，對(duì)潮汕特有的漢字無能為力.針對(duì)收集到的潮汕單字進(jìn)行了宋體字型數(shù)據(jù)分析，提取了關(guān)鍵點(diǎn)數(shù)據(jù).主要進(jìn)行印刷體的OCR試驗(yàn)，重點(diǎn)是試驗(yàn)方言俗字的識(shí)別.

語音合成具有廣泛的使用范圍.目前以揭陽方言區(qū)的讀音為試點(diǎn)，編制出所有揭陽話的發(fā)音表，按發(fā)音表錄制相應(yīng)的單字發(fā)音，再根據(jù)揭陽音的變調(diào)規(guī)則實(shí)現(xiàn)了一套簡單的語音合成軟件.

方言數(shù)字化的內(nèi)容還有很多，像智能輸入、自動(dòng)分詞、機(jī)器發(fā)音、各地語音庫的建立等等，相信這些工作會(huì)方便以后的研究.

[1]林倫倫.（普通話對(duì)照）新編潮州音字典[M].汕頭：汕頭大學(xué)出版社，1997.

[2]張曉山.（普通話潮州話對(duì)照）新潮汕字典[M].廣州：廣東人民出版社，2009.

[3]殷人昆，陶永雷.數(shù)據(jù)結(jié)構(gòu)[M].北京：清華大學(xué)出版社，1999.

[4]黃維通.Visual C++面向?qū)ο笈c可視化程序設(shè)計(jì)[M].北京：清華大學(xué)出版社，2000.

[5]楊揚(yáng)發(fā).（普通話對(duì)照）潮州十八音字典[M].汕頭：汕頭大學(xué)出版社，2001.

[6]劉堯咨.說潮州話[M].廣州：華南理工大學(xué)出版社，1995.

[7]林倫倫.潮汕方言熟語辭典[M].深圳：海天出版社，1993.

[8]陳凌千.潮汕字典[M].汕頭：汕頭育新書社，1935.

[9]吳華重.（普通話對(duì)照）潮州音字典[M].廣州：廣東人民出版社，1983.

[10]徐英慧.基于Qtopia的嵌入式智能拼音輸入法設(shè)計(jì)[J].微計(jì)算機(jī)信息，2008，24（30）：276-278.

[11]葉娜娜，鄧飛其，余紅明.基于Qt/Embedded技術(shù)的中文輸入法設(shè)計(jì)[J].自動(dòng)化技術(shù)與應(yīng)用，2009，28（8）：26-32.