48、乌尔都语自然语言处理：现状、挑战与未来展望

乌尔都语自然语言处理：现状、挑战与未来展望

1. 乌尔都语简介

乌尔都语的数字化编码工作早在 20 世纪 80 年代就已开始，期间产生了众多编码方案，导致缺乏统一的标准编码。它和阿拉伯语等语言一样，书写方向是从右向左。“乌尔都”一词源于土耳其语，意为“部落”。乌尔都语与印地语相似，其词汇主要由波斯语、阿拉伯语、土耳其语、葡萄牙语和英语融合而成。

巴基斯坦人口约 2 亿，全国使用多达 56 种不同语言。而全球约有 4.87 亿人使用乌尔都语。在巴基斯坦，拉合尔的乌尔都语语言处理研究中心（CRULP）和伊斯兰堡的国家语言管理局（NLA）是乌尔都语语言处理领域的主要研究机构。

2. 近年来乌尔都语语音/文本相关工作概述

2.1 乌尔都语文本转语音

Kabir 等人探讨了如何通过一系列步骤将乌尔都语文本转换为语音。借助自然语言处理（NLP），这些步骤包括生成标记、标记的音素流、语料库中单词的音节划分、标记的主要重音分配以及单词的音节划分。该系统使用预处理模块，其中包含将数字、日期、时间、特殊符号和图形转换为文本的转换器。处理器以音素信号为输入源，应用语音规则后生成语音流。

2.2 乌尔都语语音识别

• Asadullah 等人描述了借助隐马尔可夫模型（HMM）开发乌尔都语语音识别系统的过程。
• Ashraf 等人在说话人相关的乌尔都语语音识别中也使用了 HMM，并采用开源语音识别框架“Sphinx4”，选取约 50 个常用乌尔都语单词构建说话人无关的语音识别系统。

目前，已开发出一些小词汇量的语音识别系统，但部分系统依赖说话人，且准