“人言可畏”

不要误会，实在是想不出更好的词来形容这个话题了，与“人言可畏”的真正含义毫无关系。

这些天和网友金缘通电子邮件，谈到一个问题，就是剧本的录入。金缘问：“是怎么录入啊？不会是一个一个字的往里敲吧！我没有接触过这方面工作，但是别人建网站时，大量的资料是用扫描仪扫进去，再用汉字识别软件把它转换成文字文件，再使用语音软件边念边校对。您们也是这样做的吗？”

这里涉及同一类的两个问题：文字识别和文字阅读。在文字阅读方面，现在的技术已经算是比较成熟了，至少在小豆子接触的中、英两种文字的文字到语音的程序，都是很流畅的（除了个别特殊发音的地方有时会念错）。而在文字识别方面，英文的识别已经较以前有了很大进步了。但由于中文比英文在字形上复杂得多，中文的光学字符识别（OCR）技术，小豆子认为离成熟尚早——尤其是对付像剧本这样有着特殊情况的输入源。

首先，为了提高识别的正确率，需要让程序“学”很多词句的组合，在一个地方看不清的时候，就要程序根据上下文来判断当前所缺字符字形与哪些字相似、此处该出现的词的词性以及其概率，然后做出选择。而由于剧本文学与普通的文字有着很多不同，如果按照普通文档来识别，错误率还是很高的。

其次，由于老书是繁体字，加上年头久远，纸质发黄，哪里是字哪里是纸分得不是那么明显，若强行采用黑白扫描，字中间就可能会是一团漆黑，使得电脑更难辨认。尤其是中文字库之大，形似而差几笔的字很多。所以这也是老剧本识别率低的一个原因。

但这也不是说敲字就保证没有错别字，只是这样产生的错别字更容易找出来（特指拼音，五笔字型或其他按字形输入的输入法，所产生的错别字有些类似于 OCR 的结果）。比如“已然”，如果用扫描，可能被扫描成“己然”，而若校对时候没有仔细看，就会被忽略掉；拼音如果拼错了，拼错的字在字形上与正确的字有很大差别，所以比较容易看出来。虽然直接敲字在录入的时候可能会费一些时间，但是在整理、校对和格式化的时候却能够省时。因此，两种方法只能说各有利弊而已。

参加录入剧本的朋友很多，在校对的时候，能够看出哪些是用拼音敲的，哪些是用扫描仪或五笔录入的。条条大路通罗马，这都是数字化的手段，不存在一定要使用什么录入方法的问题。当然不可否认，对于一些页面干净的新书，有些 OCR 程序还是有很高识别率的。

皇兄的二次校对对那些形似而实非的字是很敏感的，最近抓住一个“隹”，应为“佳”，实在厉害！

人的思想、语言比电脑要复杂得多得多了，在文字、语音识别、文字之间的翻译等等与人言有关的工作上，电脑永远也不能代替人（所以您若是位翻译，大可不必因为某个号称更强的翻译软件的出现而担心会丢掉饭碗）。电脑以及为人工智能而奋斗的人们，应该是最能体会“人言可畏”的吧。