合合信息智能文字识别技术“牵手”传统典籍研究 开启古彝文“传统的新生命周期”

彝文是云南、贵州、四川等地的彝族人使用的文字，而“古彝文”专指在民间流通使用的原生态彝文。古彝文传承至今已有数千年历史，是世界上最古老的文字之一。根据《滇川黔桂彝文字集》，目前记录在册的古彝文多达87046个。在中国西南多家高校的共同努力下，规范和通用彝文的数字化工作取得了重要突破。为了帮助建立起完善的古彝文数据库和翻译系统，极大提升研究效率，合合信息与上海大学社会学院正式签署校企合作协议，将智能文字识别技术引用到古彝文研究工作，并由此建立起精确的彝文古籍电子数据库，在古彝文研究领域属于首创。

毕节市彝文文献翻译研究中心展示汉译书稿

当前非母语研究者在翻译古彝文时，通常需要在母语者的帮助下记音，再用汉语逐字直译，最后采用汉语对整句话进行意译。由于古彝文尚未取得预留的Unicode编码区段，数字化工程还处于起步阶段，所以在印刷出版时，需由一位彝文缮写员先将彝文字和国际编码抄写在书页的左侧，再将已输入电脑的汉文译文打印、剪切后粘贴在相应彝文字的右侧，形成目前常见的“四行体”彝汉文对译，过程十分繁琐。

由于古彝文与汉字并非一 一对应关系，存在大量的异体字、变体字。在相对规范的汉译本彝文典籍中就有至少15％的变体字，原稿中只会更多；每个字的异体写法少则2-3个，多则几十种。若想要找到某个字在一本古籍里的全部样例，手动查阅需要耗费一整天。不仅如此，除了页面残损、字形复杂、字迹模糊等古籍识别中常遇到的问题外，彝文古籍还常出现加字、替字、整句倒置、文字方向不统一等现象，给文字定位造成挑战。再加上古彝文从未经过统一，异体字、变体字众多，给古彝文数字化团队带来非常大的挑战。

此次上海大学社会学院与合合信息合作，将通过合合信息基于“AI+OCR”融合下的智能文字识别技术，来解决解决古彝文识别的版式检测、图像处理和文字识别的难题，通过对大量的彝文古籍文字深度学习和训练，智能文字识别技术的效率及准确性也会越高，将更快推动古彝文研究进展。

本次合合信息与上海大学共同研究的《西南彝志》共计26卷，有“彝族历史文化的百科全书”之誉，对研究彝族历史、经济、文化十分重要。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，“传统也和人一样有生老病死的过程，并和人一样有通过后代延续‘生命’的能力，这种理论被称为‘传统的生命周期’。”他同时表示，智能文字识别技术“牵手”传统典籍研究，会是古彝文“传统的新生命周期”的开始。