主题：【原创】加密汉语之十进制编码初探 -- 老菟

一 问题的提出

与大多数其它文化传统的语言文字不同，汉语、汉字是分离的体系，结合得并不紧密。现代文字多为拼音文字，文字语音基本合一。历史上有古埃及人使用的文字体系，坊间经常将它称为象形文字，其实这是讹传。古埃及的文字虽然有许多图画单元，但这些图画单元并不如同汉字一样用来传递意念，而是语音单位的载体，故究其实质，古埃及文字是拼音文字。同样的理解错误也经常发生在对玛雅文字的理解上。玛雅文字给人的感觉是小方块图画，有象形的表象，其实质却是音素的记录单位。古埃及人用文字记录他们的语音时，只记录声母，不记录韵母，所以现代人可以将古埃及文字简单地用拉丁字母记录，却不知道古埃及人如何发声。玛雅文字则是声母韵母齐全，他们的文字可以直接对译成拉丁式的拼音。

对于语言与文字合一的文化体系而言，给文字编码与给语音编码是一回事。对于中国文化体系而言，因为文字、语言分离，故给汉字编码与给汉语编码其实是不完全相关的实践。对汉字的编码应该诞生于十九世纪末，电报进入中国之后。汉字的电报码是由四个数码组成，所以电报码可以给约一万个汉字建立唯一的映射。计算机文化兴起后，汉字用两个字节或四个字节作为编码的基本单位。两个字节可以形成六万多个编码单位，对于几千个常用汉字而言是绰绰有余。

汉语拼音其实就是对汉语进行编码的方式之一。不过这种形式更类似于拼音文字，而不是编码。若干年前曾遇到一位从德国来华学针灸的洋人。其人汉语无妨，却不识字。不识字如何钻研针灸理论呢？读用汉语拼音印刷的书籍。只是对于习惯于读汉字的读者来说，显然无法从汉语拼音读出个所以然来。

二 汉语的编码

计算机时代的非文盲必定经历过将汉字翻译成二进制代码的过程。市面上无数种汉字编码方案，目标都是二进制代码。这些编码方案并不是汉字的真实编码，大略相当于在一个大的汉字库中对汉字进行检索，是检索码。五笔字之类的编码对单个汉字检索效率很高，但汉字脱离不了词，虽然以拼音检索单个汉字的效率不高，加上词组的语音框架后，在词组库中以拼音的方式检索词的效率，当然也就包括了汉字，比五笔字等似乎更有效率。

汉语拼音作为对汉语进行编码的实践，涉及到拉丁字母而非数码。与汉字的电报码比较，汉语是否也能用数字编码呢？理论上，对汉语进行编码其实比对汉字进行编码要简单得多。汉语有二十来个声母，四十个左右的韵母，只有约四百二十三种基本语音单位。如果用十进制的数字编码，每个语音单位只需要三个数码。比拥有四、五千常用字，至少需要四个十进制数码与之对应的汉字体系，岂不是要简单一些吗？

虽然以电报码的模式对汉语进行编码比较简单，但这种操作有无实用价值是另一回事。用四个数码编码汉字使汉字成为电报时代的语言，故电报码无论有多难，必须是专业人员方能掌握，都不能避免成为历史的选择。有什么现实目的，需要将汉语用几个数字记录呢？

用三个数字编码四、五百个汉语的语音单位有何意义，有无可操作性呢？可以肯定，机械地对每一个汉语语音单位分配一个类似于电报码的数字串，虽然比四个数字的电报码略短，也需要专门的训练，记忆四、五百个对应关系才能掌握，不具备可操作性。

三 数码与拼音

拼音作为汉字检索工具，在只有十个键的小键盘上也可以实现，如只有十个按键的手机也可以输入汉字。一般地，这种小键盘产生的数字串与拼音不存在一一对应的关系，一个小键盘上的数字串对应多个拼音，每个拼音又对应多个汉字，要通过字频或者是词频的排序，提升汉字的输入效率。

据信兔窝电话的按键上印有拉丁字母与数码的关系：

1（ ）2（A B C）3（D E F）

4（G H I）5（J K L）6（M N O）

7（PQRS）8（T U V）9（WXYZ）

0（OPER）

示例：

汉字/汉语：我们兔子王国的兔子不是和尚。

汉语/PINYIN：WO MEN TU ZI WANG GUO DE TU ZI BU SHI HE SHANG。

PINYIN/数码：96 636 88 94 9264 486 33 88 94 28 744 43 74264。

兔窝的这种数码串作为检索汉字的工具绝无问题，在提示行里选字就得了，却不代表汉语的语音单位。因为据上表的逆操作，有96（WO）636（MEN、NEN）88（TU）94（XI、YI、ZI）9264（WANG、YANG、ZANG）486（GUO、HUO）33（DE）88（TU）94（XI、YI、ZI）28（BU、CU）744（SHI）43（GE、HE）74264（SHANG），

在十三个数字串表述的语音单位中，有七个与多个拼音相对应。

能否通过十个数码与二十六个拉丁字母之间的排列组合，使得小键盘上的数字串与汉语拼音之间形成一一对应的关系呢？当小键盘上的数码能与汉语拼音的字母建立唯一的关联，不但拼音可以转录成数字串，一串数码也就具有了一串拼音的拉丁字母的意义，也就成了唯一的汉语语音单位。汉语可因此转化成十进制模式的汉语。此一操作的成本仅仅只是记忆数码与拉丁字母之间的对应关系。

四 汉语的十进制模式

以数码记录汉语的另一个关键点是汉语是有调的语言，或曰四声，因此数码不但应与拉丁字母有一一对应关系，也必须包括四声。平均起来，每一个数码需代表三个汉语拼音的表述单位。当某数码转换成汉语拼音的记号时，必须是唯一的。

上述目标可以实现吗？很遗憾，似乎是不可能的目标。但最接近的方案是有的，在上百个数字串中，只有数个会产生多个拼音串的方案是有的。这样汉语也就基本上可以用数字串进行记录了。

示例：

汉字/汉语：我们兔子王国的兔子不是和尚。

汉语/PINYIN：WO MEN TU ZI WANG GUO DE TU ZI BU SHI HE SHANG。

（拼音字母－数字对应表）加密

根据本兔家加密的拼音字母－数字对应表：

PINYIN/数码：662 838 555 14 66181 1152 223 555 14 25 7774 773 77 7181。

上述数字串虽然不能投射出唯一的汉字串，却可以唯一的投射成WO MEN TU ZI WANG GUO DE TU ZI BU SHI HE SHANG。如果原始的拼音包含语调，同样可以无歧义地记录，并无歧义地还原成拼音。于是用拼音记录汉语只是方式之一，数字也可以用来记录汉语。如果用拼音记录汉语每个汉字约需4.2个拉丁字母，用数码记录汉语，每个汉字也仅约需4.7个数字。

至于怎样实行此一转换，通过上示例，数码与拉丁字母之间的对应关系已经给了出来。有兴趣的不妨DECODE此一对应表，确认一下汉语的十进制模式是多么简单有效。温馨提示：表中所有拼音字母遵循拼音字母本身的次序，所有的数字遵循数字本身的顺序。

欢迎方家与本兔深入探讨数码汉语的应用价值。