キリル文字の可逆音訳

おそらく他の誰かが、彼らがどのようにSMSを書き、時には文字を音訳で覚えたかを覚えているでしょう。 しかし、なぜどこでもすでにユニコードが使われている今日の音訳はなぜですか？ 残念ながら、レガシーアプリケーションのサービス停止は、予想よりはるかに遅くなります。 たとえば、今日でも患者の名前にキリル文字を許可しないトモグラフが使用されています。 同じ部門で使用されている情報システムはキリル文字を完全に理解しているという事実にもかかわらず。 また、断層撮影装置の操作者は、検査のために患者を呼び出すだけでなく、いくつかの文書に自分の名前を正しく記録する必要があります。 同様の状況が異なる場所で発生する可能性があります。



つまり、次の目的で、何らかの方法でテキストデータを継承システムに転送するという問題が発生します。

• 人-継承されたシステムのオペレータは、受信したテキストを「音声で」読み取ることができました
• 必要に応じて、元のキリル文字テキストを明確に復元することができます

退屈しないように、人間の互換性と単純さに関連するより詳細な要件を追加します。

1. 句読点や発音区別符号要素を使用せずに、狭い意味で文字のみを使用します（これにより、ケースを保存することもできます）
2. 各ソース文字を他の文字とは独立して変換します（「単語の先頭/末尾」などの困難なし）
3. できるだけ短い置換、理想的には1文字
4. 可能な限り単純な逆変換ルール。たとえば、置換はFano条件を満たす必要があります
5. 「普通の人」の概念での音の同様の置換-実際には、これはラテン語、英語、フランス語、ドイツ語、そして時にはスペイン語の音声学の混合物です。

もちろん、上記は完全に要件ではなく（最初の2つを除く）、むしろヒューリスティックです。



キリル文字からラテン文字への多くの既製の音訳バリアントを見つけることができます。 しかし、すべての要件を許容できる程度に満たすものは何も見つかりませんでした。 それは標準として発音区別記号を使用し、時には文字を捨て（通常は「b」）、不可逆（w-> shch）または音声学的にワイルド（w-> w）の置換オプションを提供するか、その他の致命的な欠陥があります。



自転車を作ります。 実際には、対応表を作成し、変換アルゴリズムを前後に記述する必要があります。

テーブル

すべての明白な1文字の置換から始めましょう。

A

B

で

G

D

E

よ

F

3

そして

Th

に

L

M

N

ああ

P

P

と

T

で

F

X

Ts

H

W

うん

B

S

B

E

ゆう

私は

A

B

V

G

D

E

Z

私は

K

L

M

N

O

P

R

S

T

うん

F

可能な限り短い置換の要件に留意し、「C」に「S」を使用するため、明確な良心を持って「C」という記号を使用します。



残りの文字については、伝統（および単にラテン文字の欠如）から2文字の組み合わせを使用するように指示されます。 直接変換、特に逆変換を単純化するために、組み合わせが組み合わせの外部で使用されないシンボルを形成する場合は便利です。 Fanoの条件によれば、このような特殊文字は組み合わせの最初にあるべきですが、伝統が強すぎるため、結局は組み合わせの最後に「H」という文字を書きます。 ただし、「H」記号を個別に使用せず、変換アルゴリズムが前の入力記号に「戻る」（実際には覚えておく）ことが許可されている場合、後置の組み合わせでは、Fano条件の「反転」アナログが満たされていると見なすことができます。 つまり、アルゴリズムはそれらを一意に決定できます。



子音の特別な記号はどこでも同じです-「H」。 母音には、「Y」と「J」の2つのオプションがあります。 「Y」はより親しみやすいものですが、「Y」または「Y」のために単独で使用されることもよくあります。 そして、「J」は純粋に補助的なシンボルとして認識されます。



解決済み、母音「J」に使用。 ちなみに、解放された「Y」は「Y」に使用されます。



「J」は特殊文字であるため、「Zh」には使用できず、「ZH」のみが残ります。 同様に、「X」の場合、「H」は使用できず、「KH」のみが残ります。



これで、共通の選択された組み合わせと単一文字を記録できます。

A

B

で

G

D

E

よ

F

3

そして

Th

に

L

M

N

ああ

P

P

と

T

で

F

X

Ts

H

W

うん

B

S

B

E

ゆう

私は

A

B

V

G

D

E

Zh

Z

私は

Y

K

L

M

N

O

P

R

S

T

うん

F

Kh

C

CH

SH

えー

ジュ

じゃ

広範で優れた（私たちの要件の意味での）置換はここにあり、私たちは「ギャグ」、類推、妥協の不安定な地面に着手しています。



sから始めましょう。 「Y」はすでに使用されています（可逆性を思い出してください）。音声的にはこれは悪い代用​​です。 「E」の解決策を見てみましょう（ちなみに、ISO / R 9、1968から）。 類推により、「S」は「IH」に置き換えられます。 そのようなオプションがどこにも出会っていないのは奇妙です。



では、状況も奇妙です。 明確なオプションがありますが、私たちには適していません "E"オプション。 また、「JO」の音声バージョンがあります。 しかし、ロシア語のアルファベットでは、「E」は「O」ではなく「E」に基づいて誤って作成されていません。 「」は「E」と頻繁に交互になります（例：「cln-cl e new」）。「O」とは決して交互になりません。 それは別の発見的手法であることがわかります-「アルファベット順」（音声ではなく、グラフィックではない）文字の近接。 その結果、「」の代わりに「JE」を作成します。

一時停止しましょう：

A

B

で

G

D

E

よ

F

3

そして

Th

に

L

M

N

ああ

P

P

と

T

で

F

X

Ts

H

W

うん

B

S

B

E

ゆう

私は

A

B

V

G

D

E

ジェ

Zh

Z

私は

Y

K

L

M

N

O

P

R

S

T

うん

F

Kh

C

CH

SH

うん

えー

ジュ

じゃ

そこで停止し、問題が最初の近似まで解決されたと言うのはどれほど良いことでしょう。 しかし、もう3つの手紙がありました。 残りの文字には適切なオプションがありません。 記号は通常、アポストロフィに置き換えられ、文字の置換は単純に任意であるか、「b」->「q」などの「機知に富んだ」ものです。 「」の場合、発音区別符号のない置換の長さは通常3〜4文字であり、依然として問題があります。



よく調べて苦労した後、私はこの推論にこだわる必要がありました。音に対応しない文字については、音のある文字は使用できません。 そして、組み合わせを形成するための「特別な」記号だけが残っています。 しかし、Fanoの条件により、それらを個別に使用することはできず、組み合わせはあいまいになります。



解決策は、特殊文字を互いに組み合わせて使用​​することです。 これは、明らかに、変換アルゴリズムをもう少し複雑にしますが、一意性を維持することは可能だと思われます。



固体記号（分割記号のみ）の場合、直感的に「HH」を置き換えるのが適切と思われます（一時停止、分離のように読むことができません）。



アソシエーションチェーンのソフトサイン（ "J"->発声された母音->前の子音のソフト化）+（ "H"->分離）は、 "JH"の置換につながります。



あなたはそれを美しい解決策と呼ぶことはできませんが、腐ったリンゴの中では選択肢は大きくありません。



残念ながら、このような選択により、置換「」->「SHH」を使用できなくなります。 シーケンス「SHH」は「S」を意味し、そのような組み合わせはロシア語で見られます（たとえば、「congress」）。 繰り返しますが、きれいな解決策はありません。少なくともやる気があるように見える必要があります。 音「」はソフト化された「」に近く、ソフト記号との類推により、これは接頭辞「J」で表すことができます。 私は今、自分自身について言及していること、コードはまだ長く、標準ではないことを理解しています。 しかし、彼らが言うように、「私たちにはあなたのために他の作家がいます」。



その結果：

A

B

で

G

D

E

よ

F

3

そして

Th

に

L

M

N

ああ

P

P

と

T

で

F

X

Ts

H

W

うん

B

S

B

E

ゆう

私は

A

B

V

G

D

E

ジェ

Zh

Z

私は

Y

K

L

M

N

O

P

R

S

T

うん

F

Kh

C

CH

SH

Jsh

うん

うん

Jh

えー

ジュ

じゃ

アルゴリズム

キリル文字からラテン文字への変換は簡単です。 簡潔にするためにレジスタに注意を払いません。



結果の例として、既知のパングラムのペア：

Shirokaja ehlektrifikacija juzhnihkh guberniy dast mojshnihy tolchok podhhjemu seljhskogo khozjaystva。

Shheshjh zhe ejshje ehtikh mjagkikh francuzskikh bulok da vihpey chaju。

見た目はあまりよくありませんが、音訳のこのオプションの主な目的はまだフルネームです：

アレクサンドル・イワノビッチ・レベジ

ゲオルギー・コンスタンティノヴィッチ・Z・フコフ

逆変換の方がはるかに興味深いです。 特に、「インザマインド」を実行するために（IT部門からではなく）人に説明するのが良いと考えています。

どうやら、特別な場合から始める必要があります。

• 左から右に読むと、最初に注意するのは記号「J」です。 「E」、「H」、「U」、「A」または「S」（この場合「S」の場合は「H」も存在する必要があります）の5文字のいずれかが続く必要があります。 2〜3文字の組み合わせの表にあるもの。
• 「J」がない場合は、文字「H」が文字の後に続くかどうかを確認します。 ここで最も注意が必要な瞬間があります。この場合、 3番目の文字が再び「H」（これはコード「HH」）になったときにオプションが落ちてはいけません 。 つまり、3つの文字を連続して表示して分析する必要があります。 そこでFanoの条件の違反が発生しました（そう、かつて）。
• 記号の近くに「J」も単一の「H」も見つからなかった場合は、別の文字として表で自由に置き換えてください。

実践が示すように、短いトレーニングセッションの後、人々は手動で逆変換を実行できます。 しかし、当然、特別な必要なしにこれを強制することは必要ありません。 自動化することもできます（簡単にするため、文字列と大文字のみ）：

まとめ

単純で長い間解決された問題のように思えますが、創造性と議論の範囲です。



真剣に、ロシア語のキリル文字のすべての文字をラテン文字に可逆的に音訳するための実用的なアルゴリズムを得ました。 さらに、要件の厳格さを割り引いた結果は、読むのに許容できます。 これを使用して、レガシーシステムおよびライブラリと統合し、識別子を生成できます。



誰かがこのソリューションが有用であり、それへの道を見つけてくれることを願っています。

追加

コメントの議論に基づきます。 より短く、より形式的でなければなりません。

取り消し可能な要件はありません 。

1. 文字変換の結果、メインのラテンアルファベットの文字のみを取得する必要があります
   （26個あります）

   abcdefghijklmnopqrstuvwxyz
2. 文字変換は完全に可逆的である必要があります。

標準があります。 要件を満たしているものはありません。

要件を満たすためにのみ 、1つの標準を選択し、最小限に変更する必要があります。

変更はチェーンによって一意に識別されます。 結果が気に入らない場合は、チェーンのどのポイントから同意しないかを書いてください。



I.開始標準を選択します。

もちろん、最も音声的に正しいのはBGNです。 しかし、BGNは基本的に（故意であっても）リバーシブルではありません。

私の意見では、基本的なラテンアルファベットと可逆性に最も近いのは「GOST 16876-71 /表2」であり、これを選択します。

A

B

で

G

D

E

よ

F

3

そして

Th

に

L

M

N

ああ

P

P

と

T

で

F

X

Ts

H

W

うん

B

S

B

E

ゆう

私は

A

B

V

G

D

E

ジョー

Zh

Z

私は

Jj

K

L

M

N

O

P

R

S

T

うん

F

Kh

C

CH

SH

SHH

″

Y

′

えー

ジュ

じゃ

このスキームは、私たちの要件の点では完全ではありません。 変更する必要があります。

II。 最初に目を引くのは「JJ」です。 なぜこれが悪いのか、「理論的な」ネタバレで見ることができます。 「理解できない状況では、BGNを見てください」というルールに従います。 つまり、「Y」->「Y」です。

III。 今、私はコード「Y」なしで残されました。 BGNは役に立ちません。 ペア「I-Y」と「E-E」には音声のアナロジーがあります。 文字「E」のコードを取得するために、規格はコード「E」に後置記号を追加します。 「S」->「IH」も実行します。

IV。 「b」と「b」の代わりに非文字置換がありました。 音声学を破壊しないために、プレフィックスとポストフィックスのみを使用できます。

V.（理論上の）ネタバレでは、接頭辞と組み合わせて（少なくとも）ベースシンボルとして接尾辞を使用することを禁じないことに注意してください。 つまり、「JH」、「JHH」、「JJH」というコードがあります。

VI。 この富を分配することは残っています。 多くの場合、「b」は最短コードです：「b」->「jh」。

VII。 Kommersantには音がありません。Hは読み上げ時に声を出さない方が簡単です。 したがって、「H」よりも多い残りのコードから選択します：「b」->「JHH」。



それは判明した：

A

B

で

G

D

E

よ

F

3

そして

Th

に

L

M

N

ああ

P

P

と

T

で

F

X

Ts

H

W

うん

B

S

B

E

ゆう

私は

A

B

V

G

D

E

ジョー

Zh

Z

私は

Y

K

L

M

N

O

P

R

S

T

うん

F

Kh

C

CH

SH

SHH

Jhh

うん

Jh

えー

ジュ

じゃ

「SHH」コードは、長さ2の接尾辞を使用する唯一のコードです。しかし、コードの全長はわずか3で、まれな文字です。 可逆性は侵害されません（「簡単な可逆性」さえも）。

標準で他の何かに触れる必要はありません。





コードは、実験および逆変換アルゴリズムの視覚的な説明のためにのみ提供されています。







コメントの建設的な批判のおかげで、決定は変わりました。 問題に対する私の理解が深まりました。 「アダルト」実装について考えます。

みんなありがとう！ Habrはより良いことをします。