章節試閱
第一章 導論
這本冊主要是beh討論台語文tī語料處理方面ê相關問題，並且針對現有ê台語文相關線頂資源做一寡介紹。
作者採用台語文來寫作，文字形式是漢羅合用，這mā是目前台語文書寫主流ê書寫形式，避免攏用漢字書寫，予部分讀者掠做是華文抑是奇怪ê火星文。漢字ê部分，遵照教育部規範ê用字，就是教育部台灣閩南語常用詞辭典 ê用字，希望幫贊台語漢字標準化ê推行；羅馬字ê部分採用白話字（教會羅馬字），因為所處理ê台語文文本，羅馬字ê部分主要是白話字，白話字tī台灣使用已經超過100冬，留真濟台語ê文本，這是台灣不止重要ê無形資產；教育部tī 2006年10月公布台灣閩南語羅馬字拼音方案（以下簡稱「台羅」），kah白話字有淡薄仔無仝，總是符號無衝突，所以teh討論白話字按怎處理ê時，mā會順紲討論台羅ê部分。
Tī這章，咱先beh對台語這个語言做簡單ê介紹。
第一節 背景
一、台灣所使用ê語言kah語言人口
根據2013年ê Ethnologue : Languages of the World（《世界語言年鑑》） ê記錄，台灣有26種語言，除去其中四種語言已經死去，koh有22種iah-koh活leh ê語言。(Lewis et.al. 2013) 台灣ê語言現況，請參考表 1 - 1。
表 1 - 1 台灣ê語言現況
語言狀態等級kah說明 語言
1 國家語言National 華語Mandarin
3 普遍使用 Wider Communication 台語（閩南語）Min nan、日語Japanese
4 教學用 Educational 台灣手語Taiwan sign language、太魯閣語Taroko
5 發展中 Developing 阿美語Amis、泰雅語Atayal、布農語Bunun、客語Hakka、排灣語Paiwan、魯凱語Rukai、雅美語Yami
6a 有活力 Vigorous 鄒語Tsou
6b 受威脅 Threatened 賽夏語Saisiyat
7 無傳承 Shifting 卑南語Puyuma
8b 接近滅絕
Nearly Extinct 荳蘭阿美語Amis Nataoran、卡那卡那布語Kanakanabu、噶瑪蘭語Kavalan、沙阿魯阿語Saaroa、邵語Thao
9 賰文獻 Dormant 貓霧拺語Babuza、西拉雅語Siraya
10 滅絕 Extinct 巴賽Basay、凱達格蘭Ketangalan、龜崙巴宰Kulon-Pazeh、拍瀑拉洪雅Papora-Hoanya
資料來源：Lewis et.al. (2013)， 語言狀態分級請參考http://www.ethnologue.com/about/language-status
為著好理解，原住民語ê名稱採用華文寫法。《世界語言年鑑》所描寫ê台灣語言現況，可能kah咱ê認知無完全一致，包括日語是m̄是有親像台語hiah-nī普遍，台灣原住民語言官方ê資料是14族、42語， 是按怎kan-na太魯閣語ê語言狀態等級達到4，koh贏過客語，抑是滅絕ê語言敢kan-na這四種等等。這可能表示in對咱ê現況無夠了解，mā表示咱需要有專家學者抑是官方單位提供khah符合現況ê調查資料thang予《世界語言年鑑》做參考。
阮以Lewis et.al. (2013)為主，koh參考客委會(2011)推估ê台灣各族群人數kah原民會(2013)提供ê 2013年2月ê各族人口資料，表 1 - 2列出台灣各語言ê使用人口。
表 1 - 2 台灣各語言使用人口
語言 使用人口 引用資料發表時間 族群人口數
台語 15,000,000 1997 15,642,000*
華語 4,320,000 1993 1,777,000*
客語 2,370,000 1993 3,147,000*
阿美語Amis 138,000 2002 195,335+
手語 104,000 2004
泰雅語Atayal 79,000 1989 83,837+
排灣語Paiwan 66,100 2002 93,795+
布農語Bunun 38,000 2002 54,660+
太魯閣語Taroko 20,000 2008 28,551+
魯凱語Rukai 10,500 2002 12,540+
卑南語Puyuma 8,490 2002 12,906+
賽夏語Saisiyat 7,900 2002 6,249+
雅美語Yami 3,380 2002 4,342+
鄒語Tsou 2,130 2002 7,012+
噶瑪蘭語Kavalan 1,000 2007 1,311+
沙阿魯阿語Saaroa 300 2000
邵語Thao 300 2007 728+
卡那卡那布語Kanakanabu 250 2012
貓霧拺語Babuza 35 ?
荳蘭阿美語Amis, Nataoran 5 2000
說明：族群人口數ê資料，加“*”記號ê，資料來源是客委會(2011)，加“+”記號ê，資料來源是原民會(2013)。原民會(2013)提供ê人口資料，koh有撒奇萊雅語Sakiraya 710人、賽德克語Seediq 8,412人kah iah未申報ê 17,844人
因為台灣ê戶口普查並無針對語言使用做調查，族群人口除了因為原住民族透過身分認定有khah詳細ê資料，其他族群ê人數，基本上是估計來ê。另外一个問題是，族群人口kah語言使用人口可能mā有精差，雖然資料上呈現出來ê，台語是台灣使用人口上濟ê語言，超過半數，m̄-koh可能逐家攏認為華語才是目前台灣使用人口上濟ê語言。當然，若kan-na針對台灣本土語言來講，台語是台灣使用人口上濟ê本土語言。
根據客委會(2011)，台灣各族群ê人口kah比例，請看下表：
表 1 - 3 2011年台灣各族群人口kah比例
族群 人口數 比例
福佬人 15,642,000 67.5%
客人 3,147,000 13.6%
外省人 1,777,000 7.6%
原住民 409,000 1.8%
說明：來源是客委會(2011) p172，樣本數65,566人，自我單一認定，有ê人ê選擇超出這四項，包括台灣人、其他、m̄知影等等。
咱koh來看日本時代ê資料，東方孝義(1931)有彼時台灣ê語言人口概況：
表 1 - 4 1931年台灣各語言人口kah比例
語言 人口數 比例
南部福建語漳州語 132萬 33.08% 75.19%
南部福建語泉州語 168萬 42.11%
客人語 59萬 14.79%
其它支那語 3萬 0.75%
熟蕃語 5萬 1.25%
生蕃語 13萬 3.26%
日本語 19萬 4.76%
說明：語言名稱直接引用東方孝義(1931) ê寫法。
族群人口kah語言人口是小可無仝款ê概念，為著方便，咱暫時無beh對這兩項ê差異做討論。
Ùi頂面ê表thang發現，「台語」ê名稱有真濟款，總是這个語言是台灣使用人口上濟ê語言。本文beh針對「台語」做討論。
二、通世界咱人話現況
表 1 - 5 通世界咱人話人口kah比例
國家 總人口數(千人)A 咱人話人口B/比例(B/A) 語言狀態 2009咱人話人口/比例 2005咱人話人口/比例 2000咱人話人口/比例
台灣 23,120 15,000,000/
64.88% 3 15,000,000/
68.01% 15,000,000/
68.01% 15,000,000/
69.74%
新加坡 4,930 471,000/
9.55% 5 1,170,000/
27.04% 1,170,000/
26.87% 1,170,000/
33.66%
馬來西亞 28,639 2,660,000/
9.29% 3 2,660,000/
10.37% 1,946,698/
8.28% 1,946,698/
9.09%
澳門 503 18,900/
3.76% 6a - - -
汶萊 406 13,100/
3.23% 3 13,100/
3.50% 12,147/
3.33% 10,000/
3.17%
中國 1,339,725 25,700,000/
1.92% 6a 25,700,000/
1.96% 25,725,000/
1.98% 25,725,000/
2.04%
泰國 67,312 1,080,000/
1.60% 5 1,080,000/
1.71% 1,081,920/
1.67% 1,081,920/
1.79%
香港 6,864 77,610/
1.13% 5 - - -
菲律賓 88,707 592,000/
0.67% 5 592,200/
0.70% 592,200/
0.69% 592,200/
0.81%
印尼 237,642 700,000/
0.29% 7 700,000/
0.28% 700,000/
0.29% 700,000/
0.34%
排名 第25名 第24名 第24名 第21名
根據Lewis et.al. (2013)、Lewis(2009)、Gordon(2005) kah Grimes(2000)，筆者kā內底kah咱人話相關ê資料整理tī表 1 - 5，thang看著2000年到2013年這十幾冬中間，世界上咱人話人口ê變化情形。其中，使用咱人話ê人口tī彼國ê比例是筆者根據彼國咱人話人口kah彼國總人口數去算ê，可能真濟國家ê咱人話人口是用估計ê，m̄-koh總人口數有變動，致使比例mā有一寡變動。
咱人話人口有四千七百外萬人，全世界六千外種語言內底，排第25名，算是真頭前。
若以人口數來看咱人話分佈，咱人話人口上濟ê前三个國家分別是中國（2,570萬）、台灣（1,500萬）kah馬來西亞（266萬）。中國雖然上濟，總是中國總人口數超過13億，致使比例上soah真低。若是用咱人話人口tī彼國ê比例來看，人口比例上懸ê前三个國家分別是台灣（64.88%）、新加坡（9.55%）kah馬來西亞（9.29%），kan-na tī台灣就佔三分之二。咱人話若beh tī世界上繼續活落去，台灣是上蓋關鍵ê所在。
雖然過去百外年來，這个語言（mā包括台灣其它ê本土語言）受著政權ê打壓kah歧視，總是相對其它所在，台灣現時有khah強烈ê母語意識，用漢字抑是羅馬字書寫ê標準化工課有官方kah民間teh推sak，國民小學mā有本土語言課程（雖然一禮拜才一節niă），另外koh-khah要緊ê是，這个語言資訊化所需要ê家私，台灣有上濟人投入。
根據表 1 - 5，kan-na馬來西亞kah汶萊，tī過去十幾冬內有更新人口資料，其他攏無，表示無新ê調查資料。另外khah特別ê是新加坡，咱人話人口數降一半khah加，是因為新ê統計kā族群人口kah語言使用人口做區別，雖然族群人口有hiah-nī濟，總是tī語言認同上，其中有ê人已經無koh繼續使用這个語言。
黃宣範(1993 p21)針對台灣各族群人口ê估計，伊認為台語人比例佔73.3%，若照伊ê估計，對照這陣台灣ê人口數，台灣ê台語人口就將近1700萬人，kah Lewis et.al. (2013) ê統計，精差200萬人。當然，kah新加坡ê問題仝款，族群人口kah語言使用人口，可能會有落差，只是無khah詳細ê資料。
Lewis et.al. (2013)對台灣ê台語ê描述，有寫一句：「De facto language of national identity（實際上國家認同ê語言）」。若是beh討論台灣ê文化軟實力，台語絕對是真要緊ê因素。
圖 1 - 1 《世界語言年鑑》對台灣ê台語ê介紹
除了表 1 - 5所列ê國家，若根據維基百科（Wikipedia） ê描寫，包括越南、緬甸、寮國，mā攏有咱人ê分佈。
目前英語是國際語言，講英語ê人，去到世界各所在，大概攏會使用英語來溝通。若用地圖來看咱人ê人口分佈，會當看出，咱人ê人口分佈大概是以南海做中心，環南海ê國家，差不多攏有講咱人話ê人口，南海會使算是咱人語族ê內海。台灣若beh kah東南亞連結，咱人話mā是一个媒介。當然，環南海ê咱人語族，中國福建是主要輸出地，台灣是上重要ê基地。
圖 1 - 2 咱人人口分佈，大概以南海做中心
三、台灣ê「閩南語」beh叫啥物名？
Tī台灣，這个語言beh叫啥物名，是一个不止困擾ê問題。
李勤岸指出，這个語言至少有17个無仝ê名稱：台語、閩南語、福建話、Hō-ló語、...(李勤岸, 洪惟仁 2007)。會有chiah-nī濟無仝ê名稱，反應出這个語言ê狀態kah處境m̄是真好。
一開始，外國人kā這个語言號做「廈門話（Amoy）」，因為清國時期廈門開港通商，in對這个語言開始有khah大量ê接觸，出版ê辭典，攏kā叫廈門話。日本統治台灣ê時，捌叫做「福建話」，後來改稱「台灣話」。戰後，國民政府來台灣，kā這个語言叫做「閩南語」。另外，客人稱呼伊叫「福佬話」。
雖然tī 2000年民進黨執政ê時，官方ê稱呼是「台灣閩南語」（kah「閩南語」這个泛稱做區別），m̄-koh目前ê官方稱呼koh kā「台灣」提掉，變做「閩南語」。
Tī民間社會，逐家通常稱呼這个語言叫「台語」。就親像「中國話」是指中國上通行ê語言，並m̄是泛稱所有中國境內ê語言，用「台語」來稱呼這个語言不止適當mā真自然。總是有人認為這个語言若獨佔「台語」這个名稱， 也莫怪這个語言會有hiah-nī濟名稱。
利用Google搜揣[chhiau-chhē]，咱thang看著「台語」這个稱呼是上濟ê。其實，語言號名ê權利應該是講這个語言ê人。
表 1 - 6 台語ê各種名稱
名稱 揣著ê網頁數
台語 9,650,000
閩南語 3,460,000
台灣閩南語 1,550,000
福佬話 584,000
圖 1 - 3 利用Google trend看台語各種名稱ê熱門度
另外，kan-na看「閩」這个漢字有「虫」，會當知影這是帶歧視ê稱呼，beh用「閩南語」做這个語言ê泛稱並m̄是hiah-nī妥當，蔣為文、康培德等人建議用「咱人話」這个khah中性ê稱呼。(蔣為文2012; Kang 2013)
因為本文beh處理ê文本，以台灣為主，所以阮用「台語」稱呼這个語言，用「咱人話」做這个語言ê泛稱。
四、台語ê處境
使用人口上濟ê語言，無予執政者訂做官方語言，除了受殖民統治，世界上大概揣無這款例。因為世界政治ê因素，台灣雖然有政治實體，聯合國soah無承認台灣是一个國家。生活tī台灣ê人，普遍無認為台灣是殖民地，m̄-koh台語tī台灣ê處境， koh有符合殖民地ê特點，這的確是真奇怪ê代誌。
日本時代，台灣開始行向現代化，統治者辦教育，m̄-koh教學語言是國語（日語）。國民政府時代，教學語言仝款是國語（華語），入學考試抑是國家考試攏愛考國文（華文），利用政治力提升華語文ê地位，kā欠缺華語文能力ê人排除tī體制外（受完整日本教育ê台灣人是主要受害者）。1950年代了後，進一步沒收教會ê台語聖經，限制台語tī學校kah媒體ê使用，教育學生講台語是無水準ê方言，tī學校講台語愛罰錢抑是掛狗牌。(張學謙,施正鋒 2003)
教育體制方面，1987年解嚴了後，本土意識漸漸浮頭，1990年代初期，ùi民進黨執政ê縣市開始利用非正式課程ê時間（社團活動）開鄉土課程，1996年國小三年到六年設「鄉土教學活動」，其中包括鄉土語言教學，2001年鄉土語言（後來改名叫做本土語言）成做國小一年到六年ê正式課程。(林瑞榮 2012) M̄-koh一禮拜kan-na一節，而且實施十外冬以後，師資iah-koh是真大ê問題。
真濟無受本土語言專業教學訓練、無通過本土語言認證ê現職老師teh教本土語言課，教育部tī 2013年發公文予國小，要求ùi 2016年開始（成做正式課程ê 15冬後）現職教師若beh教台語，一定愛通過教育部台語語言能力認證中高級才會使教。另外有一批體制外ê台語支援老師，教育部稱呼in是教學支援人員，是領鐘點費來教台語課ê老師，薪水低，工課mā無啥保障。2000年民進黨執政了後，開始鼓勵大學設台灣文史相關系所，包括台灣歷史、語言、文學、文化ê系所，總是，有足額台語教學專業課程ê系kan-na少數，遮ê受過專業台語教學訓練ê學生畢業了後，就算通過教師考試，mā因為少子化ê關係，大部分無法度成做正式教師入去國小教台語，提培養國小台語師資ê台中教育大學台灣語文學系做例，到2013年已經有60位畢業生通過國小教師資格檢定，mā通過台語檢定中高級，m̄-koh kan-na四位成做國小正式教師。(丁鳳珍 2013)
政治體制方面，行政院tī 1996年設原住民委員會，2001年成立客家委員會，獨獨台語人無委員會，這反應tī各族群語言教育資源分配方面，台語ê部分是上少ê。
Tī台灣，雖然台語人口iah是khah有優勢ê，台語mā無hǒng當做瀕危語言，m̄-koh無仝世代，台語使用情形有明顯ê差異，愈少年，台語使用mā愈少。葉高華(2009)指出，中央研究院社會學研究所2003年執行ê台灣社會變遷調查第四期第四次，問卷內底其中一條問題是：「請問在家裡，您最希望您的小孩跟您說哪一種話？」2016份問卷統計出來ê結果，予人感覺真驚惶，1981-1990出世ê人，in大漢了後成家，願意kah in ê囡仔講台語ê，已經無到20%。
表 1 - 7 無仝世代ê母語態度
出生年 華語 台語 客語
1931-1940 12.80% 65.80% 12.00%
1941-1950 18.50% 63.50% 10.00%
1951-1960 30.00% 46.90% 7.90%
1961-1970 37.20% 37.40% 8.50%
1971-1980 50.80% 25.70% 6.10%
1981-1990 61.10% 18.90% 2.20%
說明：「請問在家裡，您最希望您的小孩跟您說哪一種話？」回答結果統計
第一章 導論
這本冊主要是beh討論台語文tī語料處理方面ê相關問題，並且針對現有ê台語文相關線頂資源做一寡介紹。
作者採用台語文來寫作，文字形式是漢羅合用，這mā是目前台語文書寫主流ê書寫形式，避免攏用漢字書寫，予部分讀者掠做是華文抑是奇怪ê火星文。漢字ê部分，遵照教育部規範ê用字，就是教育部台灣閩南語常用詞辭典 ê用字，希望幫贊台語漢字標準化ê推行；羅馬字ê部分採用白話字（教會羅馬字），因為所處理ê台語文文本，羅馬字ê部分主要是白話字，白話字tī台灣使用已經超過100冬，留真濟台語ê文本，這是台灣不止重要ê無形資產；教...
作者序
導讀kah說明
這本冊分做七章，第一章導論是台語文相關ê背景介紹，包括台灣多元ê語言現況，針對台語ê部分，koh ùi世界ê角度來看咱人話（閩南語）使用ê地理分佈，然後討論台語ê名稱問題，並且說明台語ê處境、轉機kah危機。紲落來介紹台語文書寫ê文字系統，包括羅馬字kah漢字兩大系統，羅馬字會以白話字為主，白話字kah漢字是咱beh處理ê文字。Koh來針對台語文語料處理，tī beh做進前，提出對這項工課ê基本了解、心理準備kah建議。
第二章討論白話字按怎處理，因為Unicode ê編碼政策會使kā兩、三个符號鬥做一个符號，所以有ê白話字符號ê Unicode編碼會使有兩款表示方式，可比“á”，有可能是單一ê符號，mā有可能是“a” kah “ ́”兩个符號鬥起來ê，仝一个符號若用無仝ê表示方式，會造成查詢ê困擾，所以阮提出用純文字ê白話字表示法成做內部表示法，這个表示法ê另外一个好處是排等（[pâi-téng]，sort）ê時，會照咱愛ê聲調順序來排。紲落來討論白話字搜揣ê方式，用一般ê字串比對並m̄是好ê做法，因為可能會揣著真濟無需要ê資料，阮提出兩階段ê搜揣策略，先用一般ê字串比對，揣著ê資料koh經過篩選才呈現予使用者。另外，根據實際台語羅馬字教學ê經驗，有一寡學習者聲調ê分別khah有困難，有ê學習者對入聲（-p/-t/-k/-h）khah無法度掌握，所以阮提出無聲調、入聲kah韻母ê查詢擴展ê方法，mā kā chia ê技術應用tī台語線頂字典kah台華線頂辭典ê搜揣。Koh來是白話字顯示，因為內部純文字表示法kah正式ê白話字無仝款，所以提出內部純文字表示法kah正式白話字互相轉換ê方法，純文字表示法kā代表數字ê聲調khǹg tī一个音節ê上後壁（可比“tiau5”），正式白話字ê聲調符號是tī韻母ê一个字母頂頭（可比“tiâu”），需要判斷khǹg ê位；顯示ê另外一个做法是kā白話字轉做圖形才顯示。
第三章介紹台語文處理ê一寡家私，包括白話字拼字檢查，白話字文本ê音節、語詞、語句統計，漢羅合用文本音節統計，kah漢羅合用文本斷詞，有ê是台文界有需求，有ê是執行計畫需要抑是研究需要ê家私。白話字拼字檢查是kā一个白話字音節切做聲母、韻母、聲調三部分，一个合法ê台語音節會使無聲母（可比“ūi”是合法ê台語音節），m̄-koh袂使無韻母（可比“kh” m̄是合法ê台語音節），所以愛ùi後壁（聲調）檢查到頭前（聲母）khah簡單，比一个例，“m7” kah “ma7”第一字母攏是“m”，第一个“m”是韻母，第二个“m”是聲母，若ùi頭前開始檢查，就加誠費氣。白話字音節、語詞、語句統計，主要是判斷分界ê符號（delimeter），若是漢羅文本，漢字本身mā是音節ê分界。斷詞是台語文語料beh處理ê時真基本ê家私，阮利用查辭典kah倒頭上大比對演算法來做，m̄-koh因為台語文書寫khah無一致，若是使用者ê用字kah辭典無仝，斷詞結果會錯誤，為著減少錯誤，阮提供使用者會當加添使用者詞庫ê功能來解決這个問題。
第四章teh討論beh按怎做台語文轉做聲音ê線頂系統。Kah華語比起來，台語有複雜ê連讀變調，問題相對困難。文字（輸入）ê部分，因為漢字寫法khah無一致，而且一个漢字可能有幾lō个讀音，koh愛處理斷詞，為著kā文轉音ê問題單純化，阮用白話字做文字輸入。白話字是標本調，所以需要提出變調演算法，阮先整理台語ê七種變調（規則變調、隨前變調、輕聲、再變調、á前變調、三連音變調kah升調），訂出變調ê內部表示法，了後根據討論台語變調ê著作所整理ê規則來揣變調分界組，m̄-koh chia ê規則無夠齊全[chiâu-chn̂g]，所以阮掠一寡文本來看，設法ùi內底揣出變調分界組ê線索，訂出20條變調規則，包括音節、語詞、詞性kah語句四个無仝層次ê規則。詞性ê部分，因為無符合阮需要ê帶詞性標記ê台語辭典，阮利用中央研究院資訊所詞庫小組針對華語ê 46个詞性標記做基礎，kā簡化做對判斷變調有幫贊ê 12个詞性，對每一个台語語詞，透過台華辭典kā對應去華語，去查這个華語ê詞性。這个規則式ê台語變調演算法，正確率有89%。阮另外請人kā所有台語音節錄音起來，一个音節切做一个聲音檔，使用者輸入ê白話字台文，透過查辭典揣著詞性，koh經過台語變調演算法算出佗一个音節愛讀啥物聲調，了後kā對應ê聲音鬥起來做一个檔案，即時傳轉去予使用者。阮mā討論錯誤ê一寡原因，做未來改進ê參考。
因為台語變調處理ê時，詞性並無做確認（disambiguity），一个語詞可能對應m̄-nā一个詞性。第五章討論台語文ê詞性標記，目標就是beh確認每一个語詞ê詞性。因為資源有限，無法度利用人工來做大量ê詞性標記（成做訓練語料）。阮提出透過kā每一个語詞對應去華語（有khah豐富ê資源），利用華語現有ê詞性標記家私來做台語文ê詞性標記。語料來源是國立台灣文學館台語文數位典藏資料庫ê台語文本，伊是有白話字kah漢羅合用兩種文字一段落一段落對齊ê語料，（舉例：“Tâi-ôan tē-it kôan ê Gio̍k-san ê hū-kūn khah kē ê só͘-chāi ... ” 對應 “台灣第一懸ê玉山ê附近較低ê所在...”），先kā轉做語詞對齊（“台灣/Tâi-ôan 第一/tē-it 懸/kôan ê/ê 玉山/Gio̍k-san ê/ê 附近/hū-kūn 較/khah 低/kē ê/ê 所在/só͘-chāi … ”），查台華辭典揣出對應ê華語詞（“台灣{台灣} 第一{第一;絕頂} 懸{高} ê {的} 玉山{玉山} ê{的} 附近{附近} 較{較} 低{低} ê{的} 所在{去處;地方;角頭;所在;處所;場所;間量} …”），了後利用Hidden Markov Model統計模型，提詞庫小組千萬字ê華文語料庫做訓練語料，ùi chia ê華語候選詞內底揀出系統認為上適當ê華語對應詞（“台灣[台灣] 第一[第一] 懸[高] ê[的] 玉山[玉山] ê [的] 附近[附近] 較[較] 低[低] ê[的] 所在[地方] …”），一个華語詞可能有m̄-nā一个詞性，最後利用Maximal Entropy Markov Model統計模型決定詞性，對應轉來台語詞（“台灣/Tâi-ôan(Nc) 第一/tē-it(Neu) 懸/kôan(VH) ê/ê(DE) 玉山/Gio̍k-san(Nc) ê/ê(DE) 附近/hū-kūn(Nc) 較/khah(Dfa) 低/kē(VH) ê/ê(DE) 所在/só͘-chāi(Na)… ”）。根據這个方法，阮得著ê詞性標記正確率是91.6%。了後討論錯誤ê原因，做未來改進ê參考。
第四章ê台語變調處理，實作出白話字轉語音ê線頂系統，總是因為輸入是白話字，對一寡使用者有困難，若是會當直接輸入漢羅台文，系統負責kā轉做白話字，就會使koh-khah發揮系統ê效益。第六章提出利用台語辭典詞條，加上根據台語文語料（包括白話字kah漢羅合用文本兩部分）算出來ê台語音節互訊息kah相關度ê統計資料，來實作出漢羅文本kah羅馬字文本（白話字抑是台羅攏會使）互轉系統。轉換ê正確率，比進前台語信望愛提供ê互轉家私有真大ê提升。互轉系統完成了後，連結第四章所提起ê白話字台語文轉音系統，實作出khah完整ê台語文轉音系統，包括會使輸入漢字抑是羅馬字，羅馬字用白話字抑是台羅mā攏會使。
第二章到第六章所介紹ê系統攏是阮有實際參與開發ê。第七章針對目前線頂會當揣著ê台語文相關資源，分類來做介紹，無限定tī阮做ê系統，有ê系統mā會提出一寡阮ê看法。分做字型、字辭典、語料、電子冊、輸入法、斷詞、雙文字轉換系統、發音系統kah華台翻譯系統九个部分來介紹，主要beh整理現有ê資源，知影資源tī佗位，對beh參與台語文事工抑是相關研究，會當大大提升效率，mā會當感受著，看起來真冷門、弱勢ê這个領域，其實已經累積真濟有心ê人拍拚ê心血。希望後來加入ê友志，會當以這个基礎繼續向前行。
導讀kah說明
這本冊分做七章，第一章導論是台語文相關ê背景介紹，包括台灣多元ê語言現況，針對台語ê部分，koh ùi世界ê角度來看咱人話（閩南語）使用ê地理分佈，然後討論台語ê名稱問題，並且說明台語ê處境、轉機kah危機。紲落來介紹台語文書寫ê文字系統，包括羅馬字kah漢字兩大系統，羅馬字會以白話字為主，白話字kah漢字是咱beh處理ê文字。Koh來針對台語文語料處理，tī beh做進前，提出對這項工課ê基本了解、心理準備kah建議。
第二章討論白話字按怎處理，因為Unicode ê編碼政策會使kā兩、三个符號鬥做一个符號，所以有ê白話字符號ê Unico...
iRead灰熊愛讀書
