Repository navigation
OpenCC 地區詞收錄標準 (草案) - #1281
OpenCC 地區詞收錄標準 (草案)#1281
Conversation
![chatgpt-codex-connector[bot]](https://avatars.githubusercontent.com/in/1144995?s=60&v=4){kind=small}
This comment was marked as resolved.
This comment was marked as resolved.
Sorry, something went wrong.
|
贊同這個標準，尤其是香港用詞部分，絕大多數情況下不應該包含普通話到粵語的相互轉換，除非是特殊的翻譯，且僅僅在香港使用如：「忌廉」與「奶油」。 |
|
首先，這個檔案是否應該和 DESIGN_PRINCIPLES.md 合併？或至少二者互相連結？ 其次，有個問題我覺得需要釐清：簡繁轉換和地區異體字、詞轉換如何區分？這會影響到在哪個詞典收字，以及寫在 characters-easy-to-misuse.md 的哪個區塊。 我個人的區分方法是：
例如前面 #433, #515, #859, #861, #862 等 issue 都有討論到的畫/劃、着/著、沉/沈、冢/塚等字。 以下逐個探討，但這裡的重點不是談論各項具體如何處理，而是希望藉由討論部分案例，確立一套合理、有共識的區分原則，並寫入本草案或 DESIGN_PRINCIPLES.md。 畫/劃二者未列於《通用規範漢字表》、《簡化字總表》、《異體字字典》，但在不同地區的使用偏好有明顯不同：
我認為二者應屬地區詞彙轉換。 按此，以目前資料來看，TSPhrases 應移除「計劃=>计划」，可考慮加到 TWPhrasesRev 中。characters-easy-to-misuse.md 中「簡轉繁」的「劃」不應列入「畫」，但可新增一區「地區用字差異」（探討非異體字的習慣差異）探討此關係。 沉/沈在《通用規範漢字表》、《簡化字總表》並未列出二者關係，《異體字字典》認為就「沉沒」義二者互為異體。 實際使用時，「沉沒」義中國大陸只用「沉」，台灣大多也用「沉」，但偶爾有人用「沈」。 我認為應屬地區異體字轉換。 按此，以目前資料來看，TSPhrases 應移除「沈默=>沉默」，可考慮加到 TWVariantsRevPhrases 中。characters-easy-to-misuse.md 中「繁轉簡」不應列入「沉/沈」，而是移到「異體字」一節探討。 着/著在台灣認定「著」為正體，「着」為異體。中國大陸、香港則二者用於不同字義。我認為應屬地區異體字轉換。 按此，以目前資料來看，characters-easy-to-misuse.md 中「繁轉簡」不應列入「着/著」，而是移到「異體字」一節探討。 |
|
這裡有一個前提上的差異，我想先說清楚。 我不認為 OpenCC 的詞表一定需要按「語言學上的分類」拆得很細。字表、詞表首先是為 conversion chain 服務的：某條規則應在哪個階段生效、是否只影響特定地區輸出、是否會造成反向轉換誤傷，這些才是決定放置位置的主要依據。 如果每一種細分差異都要求單獨建表，表面上分類更細緻，但實際只會增加所有人的負擔。很多條目本來就跨類，最後容易變成每新增一條都要先爭論分類，而不是判斷轉換結果是否合理。這不是詞表設計不夠精細的問題，而是 s2t 層本身的結構性限制——下面會說到。
你提到的「畫/劃」、「沉/沈」等案例，我認為正好可以說明這個 結構性限制 是什麼。 OpenCC 的簡繁轉換鏈在技術上是不可能完全對稱的，這一點不知 DESIGN_PRINCIPLES.md 是否沒有說清楚。 所謂「OpenCC 標準繁體」，更準確地說，其實是「簡體到各類繁體」轉換鏈中的一層通用中間輸出，不是一套獨立於輸入方向存在的完整繁體規範。這一點從 s2twp 的鏈路就能看出：
反方向是：
而並不是：
也就是說，這裡的 OpenCC 標準繁體中間層並不是「台灣、香港繁體本身去掉地區特徵後所得的自然繁體文本」，而是為了後續簡體輸出所需要的通用繁體形式。假如存在一個「tw2tp」的模式，從「孟德爾頌」出發，它的輸出也一定是「門德爾松」，而不是「孟德爾頌」。 接受這一點後，很多案例就比較容易理解——也意味著，要求 OpenCC 在詞表層面嚴格區分「簡繁轉換」、「地區異體字」、「地區詞彙」等，其實預設了一個 s2t 層並不具備的精度。從簡體輸入出發，如果簡體字詞本身已經合併了若干繁體內部差異，OpenCC 的 s2t 層就無從可靠恢復這些區別。 回到你的例子，繁體中可以區分「計劃」、「計畫」，但現代簡體通常都寫作「计划」（字典裡的「计画」不被鼓励使用，如下）。因此「计划」轉 OpenCC 標準繁體時，不可能僅憑輸入可靠判斷應該是「計劃」還是「計畫」，只能選擇一個通用預設形式。從這個角度，要求 s2t 的中間層恢復「計劃／計畫」之別，意義不大。 
同理，「沉/沈」、「着/著」等案例，也不能期待通用 s2t / t2s 層恢復所有繁體內部或各地用字差異。 據此，這幾個字引申出的歸類問題，也不應成為本 PR 「收錄標準」討論的前置條件。 |
從這段就能看出你根本沒弄懂我在說什麼。 首先，我認為字典以括號標註的詞只是表示比較不常用的寫法，除非你能舉證該字典有明言，否則我不認為這能證明「计画」「不被鼓勵使用」。 不過根據我查到的語料，我大致可以相信中國大陸的確非常少「计画」的寫法，所以我並不反對做相應的轉換處理，你我的差異是在於把這種處理放在哪個層級。 按照我的說法，「畫/劃」不是簡繁差異，因此 s2t/t2s 完全不該處理它們的轉換，STPhrases/TSPhrases 和 TWVariantsPhrases/TWVariantsRevPhrases 一樣，只用於處理字轉換的歧異。也就是說，如果字層級不存在「畫 => 划」的轉換，TSPhrases 就不該存在「計畫 => 计划」。這是原則問題，也是未來可能引進檢查腳本處理的。 按此，s2t 只會是「计画=>計畫」或「计划=>計劃」，哪裡有你所謂「『计划』轉 OpenCC 標準繁體時判斷應該是『計劃』還是『計畫』」的問題？ t 本來就是中國大陸習慣用語，如果中國大陸幾乎只使用「计划」，那麼 t 就是只承認「計劃」為標準寫法，不預期會出現「計畫」，進一步言，STPhrases 輸出值和 TSPhrases 輸入值都不該有「計畫」。這是原則問題，也是未來可能引進檢查腳本處理的。 所以我根本沒有「要求 s2t 的中間層恢復『計劃／計畫』之別」，恰恰相反，我主張消除這個區別，只承認「計劃」；反而是你主張 t2s 存在「計畫 => 计划」，也就是主張 t 存在「計畫」這種標準寫法，你才是主張 t 這個中間層存在「計劃／計畫」之別。 會有問題的是台灣不少人習慣使用「計畫」，不符合中國大陸多數人的習慣，因此需要引入地區詞彙轉換： 為什麼我認為這個區分很重要？一方面是如上所述，這是未來潛在可以引進檢查腳本檢查和約束的地方。另一方面是同詞異寫的情況很多，如果不這樣限制，好比之前 #1036、#1031 處理的問題，繁體有「丁當/叮噹」，「當」和「噹」都簡化為「当」，但中國大陸幾乎沒有人用「叮当」，那照你的說法是不是 t2s 也要加上「叮噹=>丁当」？即使「丁」根本不是「叮」的簡化字。 「沉/沈」的問題同理，雖然它們的確有部分異體關係（所以應該屬於地區異體的轉換），但中國大陸極少用「沈默」就表示 t 只有「沉默」一種標準寫法，那麼 t2s 輸入值就不該有「沈默」，也不該有「沈默 => 沉默」這種轉換存在。
就是因為有這種問題，所以才需要討論。因為日後可能會基於相同理由引進香港的地區字/詞轉換： |
|
關於 TWPhrases.txt 和其他詞表的邊界，實際操作上採用的是直觀區分方式：由字形或字音相近、相同字組構成的詞，酌情放入 STPhrases、TSPhrases、TWVariantsPhrases 或 TWVariantsRevPhrases 等詞表；而字組看起來明顯不同的才是地區慣用詞，例如「計程車 / 出租車」這類，放入 TWPhrases.txt。後者才是本次 PR 討論的範圍。 這個規則顯然不是你期待的嚴格的語言學定義，邊緣案例一定會存在；遇到時個案討論即可。我們不認為有必要為此建立一套精確的分類體系。從維護成本和實際收益看，為少數邊界案例引入更複雜的詞表分層，並不划算。 至於「畫/劃」、「沉/沈」、「着/著」等案例，不是本 PR 所要解決的「地區慣用詞」收錄標準問題。這些案例此前也已有相關 issues / PR 討論，沒有必要在本 PR 中重新展開。 另外感謝提醒。我會在 DESIGN_PRINCIPLES.md 中補充本文件的連結，以便未來查找。 |
| 例如： | ||
|
|
||
| * 招聘 ↔ 招募（含義不同） | ||
| * 支持 ↔ 支援（各地都有使用） |
There was a problem hiding this comment.
目前 TWPhrases/TWPhrasesRev 就有這個轉換，恐怕不是好範例。
There was a problem hiding this comment.
早先 TWPhrases 曾經分成三個表：IT、專名、其他，後來再統一生成 TWPhrasesRev。這種分表設計的初衷，是考慮到未來若有人只要其中一部分，可以透過修改配置文件，只使用一到兩個表。
當時這些表裡爭議最小的是「專名」（主要問題在於關注度），其次是「IT」（少數條目如「內核/核心」可能有過度轉換問題）；問題最多的是「其他」，因為極易引入很多導致荒謬輸出的例子。之前處理過的「通過/透過」就是一個明顯例子。
本次「收錄標準」的目的不是要重新审核既有詞表設計，而是約束新增的地區詞表内容，尤其是 HKPhrases，避免重蹈覆轍。至於目前既有 TWPhrases 詞表中不符合此標準的條目，如果將來實際遇到問題，再個案處理即可，不需要專門為此重新清理舊表。
There was a problem hiding this comment.
我的意思是可以改成別的範例，以免文件與實情不符。
目前似乎沒有那麼多人不認同「支持」「支援」的轉換，或也許認為可以加詞處理歧義而非刪除，如果沒有相關 PR 或社群決定要刪，這個範例就不符合實情。
There was a problem hiding this comment.
💡 Codex Review
Here are some automated review suggestions for this pull request.
Reviewed commit: b8955699b7
ℹ️ About Codex in GitHub
Your team has set up Codex to review pull requests in this repo. Reviews are triggered when you
- Open a pull request for review
- Mark a draft as ready
- Comment "@codex review".
If Codex has suggestions, it will comment; otherwise it will react with 👍.
Codex can also answer questions or update the PR. Try commenting "@codex address that feedback".
|
就如 AI 分析提到的，目前的檢測腳本會在單向轉換時報錯，應該要更改檢測腳本，或在文件寫上相關說明（例如用 |
|
我來把字典中的「通道 / 信道」修改為單向轉換。 關於 AI 不夠聰明的問題，可以在 AGENTS.md 裡面加特定知識補上。 |
There was a problem hiding this comment.
💡 Codex Review
Here are some automated review suggestions for this pull request.
Reviewed commit: cdd4a46232
ℹ️ About Codex in GitHub
Your team has set up Codex to review pull requests in this repo. Reviews are triggered when you
- Open a pull request for review
- Mark a draft as ready
- Comment "@codex review".
If Codex has suggestions, it will comment; otherwise it will react with 👍.
Codex can also answer questions or update the PR. Try commenting "@codex address that feedback".
Add a link to DESIGN_PRINCIPLES.md
cdd4a46 to
ec62ec0
Compare
為配合 OpenCC 後續香港地區慣用詞詞表（如
HKPhrases.txt/HKPhrasesRev.txt）的建設工作，並減少地區詞收錄標準、詞表邊界及專有名詞處理方式等問題上的重複討論，現提出《OpenCC 地區詞收錄標準》，作為日後地區詞條新增、修改及爭議裁定的參考依據。本文件涵蓋：
文件內容主要根據 OpenCC 現有詞表維護實務、歷史討論以及近年來多次地區詞相關議題整理而成，目的是提高收錄標準的一致性與可預測性，並為未來新增地區詞詞表提供共同遵循的準則。
歡迎就文件內容提出意見，包括：