#!/usr/bin/perl # Funkce pro přípravu transliterace z indického písma do latinky. # Copyright © 2007, 2008, 2009, 2010 Dan Zeman # Licence: GNU GPL # 2.8.2009: přidána vědecká transliterace (potřebná pro články, ale nepraktická v terminálu) # 21.11.2010: přidán přepis do systému WX (jednoznačný přepis používaný v Hajdarábádu, zuboretné t=w, d=x) package translit::brahmi; use utf8; # První sloupec = Danova transliterace (podle české výslovnosti, snaha neztrácet informaci, vyhýbá se odděleným znakům pro diakritiku). # Druhý sloupec = Vědecká transliterace (mezinárodnější a vhodnější do článků, využívá oddělené znaky pro diakritiku). # Třetí sloupec = Transliterace WX (používaná indickými počítačovými lingvisty, prosté zobrazení do oblasti ASCII). @altlat = ( ['m'.chr(771), 'm'.chr(771), 'z'], # čandrabindu = m s vlnovkou [chr(241), 'm'.chr(775), 'M'], # anusvár = n s vlnovkou, resp. m s tečkou nahoře ["'", 'h'.chr(803), 'H'], # visarg ['a', 'a', 'a'], ['á', chr(257), 'A'], ['i', 'i', 'i'], ['í', chr(299), 'I'], ['u', 'u', 'u'], ['ú', chr(363), 'U'], ['ŕ', 'r'.chr(805), 'q'], ['ĺ', 'l'.chr(805), 'Q'], [chr(234), chr(234), 'eV'], # čandra e ['e', chr(232), 'eV'], # krátké e ['é', 'e', 'e'], # normální e je polodlouhé nebo dlouhé ['ai', 'ai', 'E'], # vyslovuje se jako ae, otevřené dlouhé e ['ô', 'ô', 'OY'], # čandra o ['o', chr(242), 'oV'], # krátké o ['ó', 'o', 'o'], # normální o je polodlouhé nebo dlouhé ['au', 'au', 'O'], # vyslovuje se jako ao, otevřené dlouhé o, jako v anglickém "automatic" ['k', 'k', 'k'], ['kh', 'kh', 'K'], ['g', 'g', 'g'], ['gh', 'gh', 'G'], [chr(331), 'n'.chr(775), 'f'], # ng ['č', 'c', 'c'], ['čh', 'ch', 'C'], ['dž', 'j', 'j'], ['džh', 'jh', 'J'], ['ň', chr(241), 'F'], ['ţ', 't'.chr(803), 't'], # retroflexní t ['ţh', 't'.chr(803).'h', 'T'], [chr(273), 'd'.chr(803), 'd'], [chr(273).'h', 'd'.chr(803).'h', 'D'], [chr(326), 'n'.chr(803), 'N'], ['t', 't', 'w'], # zubové t ['th', 'th', 'W'], ['d', 'd', 'x'], ['dh', 'dh', 'X'], ['n', 'n', 'n'], [chr(329), 'n'], # "NNNA", specifické pro tamilštinu ['p', 'p', 'p'], ['ph', 'ph', 'P'], ['b', 'b', 'b'], ['bh', 'bh', 'B'], ['m', 'm', 'm'], ['j', 'y', 'y'], ['r', 'r', 'r'], [chr(343), 'r'], # tvrdé R z jižních jazyků ['l', 'l', 'l'], [chr(316), 'l'.chr(803), 'lY'], # tvrdé (retroflexní?) L (maráthština) ['ř', 'l'], # něco mezi L, americkým R a Ž nebo Ř (tamilština, malajálamština) ['v', 'v', 'v'], ['ś', 'ś', 'S'], # normální š ['š', 's'.chr(803), 'R'], # retroflexní š ze sanskrtu, v hindštině se vyslovuje stejně jako normální š ['s', 's', 's'], ['h', 'h', 'h'], ['q', 'q', 'kZ'], ['ch', 'x', 'KZ'], [chr(287), chr(287), 'gZ'], # hrdelní gh z arabštiny ['z', 'z', 'jZ'], [chr(343), 'r'.chr(803), 'dZ'], # DDDHA = DDA + NUKTA [chr(343).'h', 'r'.chr(803).'h', 'DZ'], # RHA = DDHA + NUKTA ['f', 'f', 'PZ'], [chr(309), chr(375), 'yZ'], # YYA = YA + NUKTA (zřejmě odpovídá JYA z ISCII (bengálština, ásámština a urijština), výslovnost snad něco mezi j a ď, můj přepis je "j", resp. vědecky "y" se stříškou) ['ŕ', 'r'.chr(772).chr(805), 'q'], # VOCALIC RR ['ĺ', 'l'.chr(772).chr(805), 'Q'], # VOCALIC LL ['óm', 'om'], # posvátná slabika z modliteb ); #------------------------------------------------------------------------------ # Uloží do hashe přepisy souhlásek a slabik. Odkaz na cílový hash převezme jako # parametr. Vrátí délku nejdelšího řetězce, jehož přepis je v hashi definován. #------------------------------------------------------------------------------ sub inicializovat { # Odkaz na hash, do kterého se má ukládat převodní tabulka. my $prevod = shift; # Kód začátku segmentu s daným písmem (o 1 nižší než kód znaku čandrabindu). my $pocatek = shift; # Volba alternativní sady výstupních znaků. my $alt = shift; local $maxl = 1; my $candrabindu = $pocatek+1; my $anusvara = $pocatek+2; my $visarga = $pocatek+3; my $samohlasky = $pocatek+5; my $souhlasky = $pocatek+21; my $nukta = $pocatek+60; my $diasamohlasky = $pocatek+62; my $virama = $pocatek+77; my $om = $pocatek+80; my $souhlasky2 = $pocatek+88; my $cislice = $pocatek+102; my $tippi = $pocatek+112; my $addak = $pocatek+113; # Má se do latinky přidávat nečeská diakritika, aby se neztrácela informace? my $bezztrat = 1; # Zvolit výstupní sadu latinských písmen. my @lat = map {$_->[$alt]} @altlat; my $latcandrabindu = $lat[0]; my $latanusvara = $lat[1]; my $latvisarga = $lat[2]; my @samohlasky = @lat[3..18]; my @diasamohlasky = @lat[4..18]; my @souhlasky = @lat[19..55]; my @souhlasky2 = @lat[56..63]; # Samostatné samohlásky. for(my $i = 0; $i<=$#samohlasky; $i++) { my $src = chr($samohlasky+$i); $prevod->{$src} = $samohlasky[$i]; $maxl = length($src) if(length($src)>$maxl); } # Sestavit převodní tabulku všech souhlásek. # Vyrobíme dvě pole. Prvek prvního pole je indická souhláska, prvek druhého je její latinský protějšek. # Na obou stranách mohou být řetězce znaků, nemusí to být jen jeden znak. # Základní sada souhlásek, které se v indických písmech vyskytují. my @indicke_souhlasky = map {chr($_)} ($souhlasky..$souhlasky+$#souhlasky); my @latinske_souhlasky = @souhlasky; # Znaky s nuktou (tečkou) pro souhlásky, které se objevily dodatečně. push(@indicke_souhlasky, map {chr($_)} ($souhlasky2..$souhlasky2+$#souhlasky2)); push(@latinske_souhlasky, @souhlasky2); # Tytéž znaky s nuktou se mohou objevit také jako řetězec dvou znaků: bázový znak ze základní sady + znak nukty. push(@indicke_souhlasky, chr($pocatek+2325-2304).chr($nukta)); # QA = KA + NUKTA push(@indicke_souhlasky, chr($pocatek+2326-2304).chr($nukta)); # KHHA = KHA + NUKTA push(@indicke_souhlasky, chr($pocatek+2327-2304).chr($nukta)); # GHHA = GA + NUKTA push(@indicke_souhlasky, chr($pocatek+2332-2304).chr($nukta)); # ZA = JA + NUKTA push(@indicke_souhlasky, chr($pocatek+2337-2304).chr($nukta)); # DDDHA = DDA + NUKTA push(@indicke_souhlasky, chr($pocatek+2338-2304).chr($nukta)); # RHA = DDHA + NUKTA push(@indicke_souhlasky, chr($pocatek+2347-2304).chr($nukta)); # FA = PHA + NUKTA push(@indicke_souhlasky, chr($pocatek+2351-2304).chr($nukta)); # YYA = YA + NUKTA push(@latinske_souhlasky, @souhlasky2); # Gurmukhí: s + nukta = š push(@indicke_souhlasky, chr($pocatek+2616-2560).chr($nukta)); # SA + NUKTA push(@latinske_souhlasky, 'š'); ###!!! KONTROLA # die unless($#indicke_souhlasky==$#latinske_souhlasky); # Gurmukhí: znaménko addak zdvojuje následující souhlásku (přestože jako diakritika se připojuje k té předcházející). my $n = scalar(@indicke_souhlasky); for(my $i = 0; $i<$n; $i++) { push(@indicke_souhlasky, chr($addak).$indicke_souhlasky[$i]); push(@latinske_souhlasky, $latinske_souhlasky[$i].$latinske_souhlasky[$i]); } # Souhlásky implicitně obsahují samohlásku "a". # Pokud má slabika obsahovat jinou samohlásku, musí za znakem pro souhlásku následovat diakritické znaménko samohlásky. for(my $i = 0; $i<=$#indicke_souhlasky; $i++) { my $src = $indicke_souhlasky[$i]; my $tgt = $latinske_souhlasky[$i]; pridat_slabiky($prevod, $src, $tgt, $diasamohlasky, \@diasamohlasky, $virama); } # Anusvara způsobuje, že předcházející samohláska je nosová. # Anusvára se na konci vyslovuje m, jinde n, ň nebo m podle následující souhlásky. # Znaménko candrabindu rovněž nazalizuje předcházející samohlásku. $prevod->{chr($candrabindu)} = $latcandrabindu; $prevod->{chr($anusvara)} = $latanusvara; # Visarga přidává neznělý dech za samohláskou. $prevod->{chr($visarga)} = $latvisarga; # Číslice. for(my $i = 0; $i<=9; $i++) { my $src = chr($cislice+$i); $prevod->{$src} = $i; $maxl = length($src) if(length($src)>$maxl); } # Další znaky. $prevod->{chr($om)} = $lat[65]; # Znaménko tippi v písmu gurmukhí označuje nazalizaci stejně jako bindí (anusvár). $prevod->{chr($tippi)} = $latanusvara; return $maxl; } #------------------------------------------------------------------------------ # Přidá do převodní tabulky kombinace dané souhlásky se všemi samohláskami. #------------------------------------------------------------------------------ sub pridat_slabiky { my $prevod = shift; # odkaz na převodní tabulku (hash) my $src = shift; # řetězec obsahující počáteční souhlásku slabiky v daném indickém písmu my $tgt = shift; # řetězec obsahující přepis této souhlásky do latinky my $srcsam = shift; # kód první nesamostatné samohlásky v daném indickém písmu my $tgtsam = shift; # odkaz na pole přepisů nesamostatných samohlásek do latinky my $virama = shift; # kód znaku virám v daném indickém písmu $prevod->{$src} = $tgt.'a'; $maxl = length($src) if(length($src)>$maxl); # Znaménko virám likviduje implicitní samohlásku "a". my $src2 = chr($virama); $prevod->{$src.$src2} = $tgt; $maxl = length($src.$src2) if(length($src.$src2)>$maxl); for(my $j = 0; $j<=$#{$tgtsam}; $j++) { my $src2 = chr($srcsam+$j); $prevod->{$src.$src2} = $tgt.$tgtsam->[$j]; $maxl = length($src.$src2) if(length($src.$src2)>$maxl); } } 1;