ଭାଷା ପ୍ରଯୁକ୍ତି ସଂଗଣକ ପ୍ରଣାଳୀ ର ଅନୁସନ୍ଧାନ/ଗବେଷଣା କରେ ,ଯାହା ଦ୍ବାରା କଥନ ଓ ଲିଖନ ଭାଷା କୁ ବୁଝିହେବ ଏବଂ/ଓ ସଂଶ୍ଲେଷଣ କରିହେବ । ଏ କ୍ଷେତ୍ରରେ ,ସୂଚନା ଆହରଣ,ହସ୍ତଲେଖା ଚିହ୍ନଟ, ଯାନ୍ତ୍ରିକ ଅନୁବାଦ, ପାଠ ସାର କରଣ ଏବଂ ଭାଷା ସୁଜନ ଆଦି ଅନ୍ତର୍ଗତ ।

ସଂଗଣକ ଭାଷାବିଜ୍ଞାନ , ଭାଷା ବିଜ୍ଞାନ ଓ ସଂଗଣକ ବିଜ୍ଞାନ ର ମିଶ୍ରଣ ରୁ ସୁଷ୍ଟି ହୋଇଛି , ଯାହାର ସମ୍ବଳ ମାନବୀୟ ଭାଷା ଦକ୍ଷତା ର ସଂଗଣକ ପକ୍ଷ ସହ ଅଛି । ଏହାର ସମ୍ବନ୍ଧ ମଧ୍ୟ ଅଛି । ଯାନ୍ତ୍ରିକ ବୁବ୍ଦିମତା ଯିଏ ସଂଗଣକ ବିଜ୍ଞାନର ଏକ ଶାଖା ଅଟେ ଏବଂ ଏହାର ସମ୍ବନ୍ଧ ମାନବ ସଂଜ୍ଞାନର ସଂଗଣକ ମଡେଲ ସହ ଅଛି । ସଂଗଣକ ଭାଷା ବିଜ୍ଞାନ ର ଦୁଇଟି ଶାଖା ଅଛି ଯଥା- ପ୍ରୟୋଗାମିକ ଓ ସିଦ୍ଦାନ୍ତିକ । ପ୍ରୟୋଗାମିକ ଶାଖା ମାନବ ଭାଷା ପ୍ରୟୋଗ ରେ ବ୍ୟବହାରିକ ପରିଣାମ ରଖେ । ଏହାର ଉଦ୍ଦେଶ୍ୟ ମାନବ ଭାଷା ସମ୍ବନ୍ଧରେ ଜ୍ଞାନ ଥିବା ସଫଟଓୟାର ଉପ୍ବାଦ ତିଆରି କରିବା ।

ସହାଜାତ ଭାଷା ଉପଭୋକ୍ତାକୁ ଜର୍ମନ , ଇଂରାଜୀ ତଥା ଅନ୍ୟ ଭାଷାରେ କମ୍ପୁଟର ସହ ସମ୍ପର୍କ ରକ୍ଷା କରିବାରେ ସକ୍ଷମ କରାଇଥାଏ । ଏହି ପାରିସ୍ପରାକ ସଂଯୋଗ ର ପ୍ରୟୋଗ , ଦତ୍ତବିଷୟ , ପ୍ରଶ୍ନାବଳୀ ପାଠରୁ ସୂଚନା ପୁନଃସ୍ଛାପନ ଏବଂ ତଥା କଥିତ ଏକ୍ସପର୍ଟ ପ୍ରଣାଳୀ ଆଦିରେ କରିହୁଏ । ଅଧୁନା କଥିତ ଭାଷାର ଚିହ୍ନଟରେ ନୂତନ ବିକାଶ ଯୋଗୁଁ ସହଜାତ ଭାଷାର ବ୍ୟବହାର ରେ ଉନ୍ନତ ପରିଲେଖିତ ହେଇଛି ।

ମାନବ ଓ ଯନ୍ତ୍ର ମଧ୍ୟରେ ଥିବା ସଂଯୋଗ ସମସ୍ୟା ଠାରୁ ବିଭିନ୍ନ ମାତୃଭାଷାରେ କଥାହେଉଥିବା ବ୍ୟକ୍ତିମାନ ଙ୍କ ସଂଯୋଗ ସମସ୍ୟା ନିଷ୍କିତ ଭାବେ ପୁରୁଣା ମାନବ ଭାଷା ମାନ ଙ୍କୁ ସ୍ବତଃ ଅନୁବାଦ ହିଁ ପ୍ରୟୋଗାମକ ସଂଗଣକ ଭାଷା ବିଜ୍ଞାନ ର ମୂଳ ଳକ୍ଷ୍ୟ ମାନ ଙ୍କ ମଧ୍ୟରୁ ଗୋଟାଏ ସଂଗଣାମକ ଭାଷା ବିଜ୍ଞାନ ମାନବ ଅନୁବାଦକାରୀ ଗଣ ଙ୍କ କାର୍ଯ୍ୟ କୁ ସରଳ କରିବା ଏବଂ ସେମାନ ଙ୍କ ଉପ୍ବାଦ କ୍ଷମତା ବୃଦ୍ଦି କରିବା ପାଇଁ ବିଭିନ୍ନ ସଫଟଓୟାର ପ୍ରଣାଳୀ ଗୁଡିକୁ ସୃଷ୍ଟି କରୁଛି ।

ଯଦିଓ ମାନବ ଭାଷା ଦକ୍ଷତା ର ସଂପୂର୍ଣ୍ଣ ସଫଳ ଯାନ୍ତ୍ରିକ ବିନ୍ୟାସ ନିକଟ ଭବିଷ୍ୟତରେ ଆଶା କରାଯାଇନାହିଁ । ତଥାପି ସଂଗଣକ ବିଜ୍ଞାନୀ ମାନେ ବିଭିନ୍ନ ତକ୍ବାଳିକ ଗବେଷଣା ଲକ୍ଷ୍ୟ ରଖିଛନ୍ତି । ଏଥିରେ ଦୈନନ୍ଧିନ କାର୍ଯ୍ୟରେ ସହାୟକ ହୋଇଥିବା ଯଥା ଵ ର୍ଡ ପ୍ରୋସେସିଂ ପ୍ରୋଗ୍ରାମ ରେ ଥିବା ବ୍ୟାକରଣ ସଂଶୋଧକ ଆଦି ପ୍ରଣାଳୀ ର ପ୍ରସ୍ତୁତିକରଣ , ନିର୍ମା ଣ ଓ ପରିଚାଳନ ଅନ୍ତର୍ଗତ ।

ସୈଦ୍ଦାନ୍ତିକ ସଂଗଣକ ଭାଷା ବିଜ୍ଞାନ । ଓପଚାରିକ ସିଦ୍ଦାନ୍ତ ଗୁଡିକ ବିଷୟରେ ପରିଚର୍ଚାକର । ଏହା ମାନବ ଭାଷା ଉପ୍ବନ୍ନ ଏବଂ ବୋଧନ , ଆବଶ୍ୟକତାର ଅଧ୍ୟୟନ କରେ । ମାନବୀୟ ଭାଷା ଦକ୍ଷତା ର ବିନ୍ୟାସ ଓ ଏହାର କମ୍ପୁଟର ପ୍ରୋଗ୍ରାମ ରୂପ ପ୍ରୟୋଗ ଦ୍ବାରା ଭାଷା ସଂଗଣକ ସିଦ୍ଦାନ୍ତ ଓପଚାରିକ ମୋଡଲ୍ ର ବିକାଶ କରାଏ । ସିଦ୍ଦାନ୍ତ ଗୁଡିକର ମୂଲ୍ୟାୟନ ଓ ପୁନଃ ବିକାଶ ପାଇଁ ଏ ସବୁ କାର୍ଯ୍ୟକ୍ରମ ମୁଖ୍ୟ ଭୂମିକା ଗ୍ରହଣ କରନ୍ତି । ଭାଷା ଦକ୍ଷତା ଯାନ୍ତ୍ରିକ ବିନ୍ୟାସ ଭାଷା ସିଦ୍ଦାନ୍ତ ସହ ଜ୍ଞାନ ବୋଧମକ ମନସ୍ତତ୍ବ ବିଜ୍ଞାନ ଏକ ପ୍ରମୁଖ ଭୂମିକା ଗ୍ରହଣ କରେ । ମନସ୍ତତ୍ବ ବିଜ୍ଞାନ ଅଧ୍ୟୟନରେ ଭାଷା ମାନତତ୍ବ ବିଜ୍ଞାନ ହିଁ ପ୍ରମୁଖ ବିଷୟ ଅଟେ ଯାହାକି ମାନବ ଭାଷା ବ୍ୟବହାରିକ ମନ ଓ ଜ୍ଞାନ ଅଧ୍ୟୟନ କରିଥାଏ । ସଂଗଣକ ଭାଷା ବିଜ୍ଞାନ ମୁଖ୍ୟ ଆକର୍ଷଣ ଏଥିରେ ଥିବା କଳା , ବିଜ୍ଞାନ - ପ୍ରକୃତିକ ଏବଂ ଯାନ୍ତ୍ରିକ ର ପଦ୍ଦତି ଓ ନିତୀ ର ସମାହାର ।

ଏହାର କେତେକ ଅଲଗୋରିଦମ୍ ଅଛନ୍ତି । ଏଠାରେ ପସନ୍ଧ କାର୍ଯ୍ୟ ର ଆବଶ୍ୟକତା ଉପରେ ନିର୍ଭର କରେ । ସବୁଠାରୁ ସହଜ ଉପାୟ ହ ଉ ଛି ବାଞ୍ଚିତ ଖଣ୍ତ ବାକ୍ୟ ଗୁଡିକ କହୁଥିବା ବ୍ୟକ୍ତିର ସ୍ବରକୁ ରେକର୍ଡ କରିବା । ଏହା କେବଳ ସିମିତ ଖଣ୍ତ ବାକ୍ୟ ଓ ବାକ୍ୟ ବ୍ୟବହାର ହେଉଥିବା କ୍ଷେତ୍ରରେ ଉପଯୋଗୀ ହୋଇପାରେ । ଯଥା ରେଲ ଷ୍ଟେସନ ରେ ଦିଆଯାଇଥିବା ବିବରଣୀ ଓଫୋନ ରେ ଦିଆଯାଇଥିବ ନିର୍ଦ୍ଦାରିତ ସୂଚନା । ଏହାର ଗୁଣାମକ ମାନ ରେକର୍ଡ ଉପରେ ନିର୍ଭର କରେ । ଅଧିକ ପରିଷ୍କୁତ କିନ୍ତୁ ଗୁଣାମକ ମାନ ରେ ନିକୃଷ୍ଟ ଅଲଗୋରିଦମ୍ବାକ୍ୟ ମାନ ଙ୍କ ୁ ଛୋଟଛୋଟ ଖଣ୍ତରେ ଭାଗିଂ ଦିଅନ୍ତୁ । ବିଭାଜିତ ଏକକ ଯେତେଛୋଟ ହୁଅନ୍ତି ସେମାନ ଙ୍କ ସଂଖ୍ୟା ସେତେ କମ୍ ହୁଏ , କିନ୍ତୁ ଏହାଦ୍ବାରା ଗୁଣାମକ ମାନ ହ୍ରାସ ହୋଇଥାଏ । ପ୍ରାୟତଃ ୂ୍ୟବହାର କରାଯାଉଥିବା " ଫୁନିମ " ଏକ କ୍ଷୁଦ୍ର ଏକକ ଅଟେ । ଭାଷା ଉପରେ ନିର୍ଭରକରି ପ୍ରାୟୋଗ ରେ - ପଶ୍ଚିମ ୟୁରୋପିୟ ଭାଷା ମା ନ ଙ୍କ ର 35-50 ଫୁନିମ ହୋଇଥାନ୍ତି ଅର୍ଥାତ 35-50 ଏକକ ରେକର୍ଡ ।

ସରଳ ଓ ସୁଗମ ବାକ୍ୟ ଭାବରେ ସେମାନ ଙ୍କ ୁ ଏକାଠି କରିବା ଏକ ସମସ୍ୟା ଯାହାକି ଉପାଦାନ ଙ୍କ ମଧ୍ୟରେ ସୁଗମ ଟ୍ରାଂଜିସନ ଆବଶ୍ୟକ କରେ । ଏଥିଯୋଗୁଁ ବୋଧଗମତା କମ ହୋଇଥାଏ କିନ୍ତୁ ଏଥିପାଇଁ ଅପେକ୍ଷାକୃତ କମ ସ୍କୁତିଶକ୍ତି ର ଆବଶ୍ୟକ ହୋଇଥାଏ । ଏହା ଦ୍ବାରା ପ୍ରାୟ 400(40*20) ଉପାଦାନ ପ୍ରାପ୍ତ ହୋଇଥାଏ ଏବଂ ଏହାର ଗୁଣାମକ ମାନ ବଢିଯାଏ । ଏକକ ଯେତେବଡ ହେଇଥାନ୍ତି । କିନ୍ତୁ ଗୁଣାମକ ମାନ ସ୍କୁତିଶକ୍ତି ସହିତ ବଢିଥାଏ । ଅନ୍ୟ ଏକକ ମାନ ଙ୍କ ମଧ୍ୟରେ ଅର୍ଦ୍ଦ - ଅକ୍ଷର , ଅକ୍ଷର , ଶଦ୍ଦ ଏବଂ ସେମାନ ଙ୍କ ସମାହାର ଆଦି କୁ ଯଥା - ଶଦ୍ଦ ଧାତୁ ତଥା ରଚନାମକ ଙ୍କ ପ୍ରୟୋଗ କରାଯାଇଥାଏ ।

ଭାରତୀୟ ମାନକ ବ୍ୟୁରୋ ଇସ୍କି(ସୂଚନା ବିନିମୟ ପାଇଁ ଭାରତାୟ ମାନ ଙ୍କ କାର୍ଡ)ନାମରେ ଏକ ମାନକ ନିର୍ମିତ କରିଛି ଯାହାଦ୍ବାରା 7 କିମ୍ବା 8 ବିଟ ବର୍ଣ୍ଣ ଗୁଡିକକର ପ୍ରୟୋଗ କରି ସମସ୍ତ କମ୍ପୁଟର ତଥା ସଂଚାର ମାଧ୍ୟମ ଗୁଡିକକରେ ପ୍ରୟୋଗ କରାଯାଇପାରିବ । ବିଟ ପରିବେଶରେ ତଳ 128 ବର୍ଣ୍ଣ ସେହା ଅଟେ । ଯାହା ସୂଚନା ବିନିମୟ ପାଇଁ IS10315:1982(ISO 646IRV) 7 ବିଟ ବର୍ଣ୍ଣ ସେଟ ଦ୍ବାରା ପରିଭାଷିତ ଅଟେ । ଏସ୍କି ବର୍ଣ୍ଣ ସେଟ ରୂପରେ ମଧ୍ୟ ଜଣାଯାଏ । ଉପରର 128 ବର୍ଣ୍ଣ ସେଟ ପ୍ରାଚୀନ ବ୍ରାହ୍ମୀ ଲିପି ଉପରେ ଆଧାରିତ ଭାରତୀୟ ଲିପି ଗୁଡିକର ଆବଶ୍ୟକତା ପୂର୍ଣ୍ଣକରେ । 7 ବିଟ ପରିବେଶର ନିୟନ୍ତ୍ରକ କାଡ ଏସ୍ଆଇକୁ ଇସ୍କି କୋଡରେ ଆହ୍ବାନ ପାଇଁ କରାଯାଇପାରେ ତଥା ନିୟନ୍ତ୍ରକ କୋଡ ଏସ୍ ଓ( SO) କୁ ଏସ୍କି( ASCII) କୋଡ ସେଟର ପୁର୍ନଚୟନ ପାଇଁ ପ୍ରୟୋଗ କରାଯାଇପାରିବ । ଭାରତରେ 22 ଟି ମାନ୍ୟତା ପ୍ରାପ୍ତ ଭାଷା ଗୁଡିକ ଅଛି । ପାର୍ସୀ- ଆରବୀୟ ଲିପି ଗୁଡିକ ଅତିରିକ୍ତ , ଭାରତୀୟ ଭାଷା ଗୁଡିକ ପାଇଁ ପ୍ରଯୁକ୍ତ ଅନ୍ୟ ଦଶ ଲିପି ଗୁଡିକ ପ୍ରାଚୀନ ବ୍ରାହ୍ମୀ ଲିପିରୁ ଉଦ୍ଦୃତ ଅଟେ । ଇସ୍କି କୋଡ ର ଅତିରିକ୍ତ ବର୍ଣ୍ଣ ଗୁଡିକକ ପ୍ରୟୋଗ କରାଯାଇପାରିବ । ଇସ୍କି ( ISCII) କୋଡ ସାରମୀ ବ୍ରାହ୍ମୀ ଆଧାରିତ ଭାରତୀୟ ଲିପି ଗୁଡିକରେ ଆବଶ୍ୟକ ସମସ୍ତ ବର୍ଣ୍ଣ ଗୁଡିକର ଏକ ସୁପର ସେଟ ଅଟେ

ସୁବିଦା ପାଇଁ ମାନ୍ୟତା ପ୍ରାପ୍ତ ଦେବନାଗରୀ ଲିପିର ବର୍ଣ୍ଣ ଗୁଡିକ ମାନ ଙ୍କ ର ପ୍ରଯୁକ୍ତ କରାଯାଇଅଛି । ଭାରତୀୟ ମାନ ଙ୍କ ବ୍ୟୁରୋ ଦ୍ବାରା ଜାରୀ ସଂଖ୍ୟା IS1319:1991 ସୂଚନା ପ୍ରଦ୍ୟୋଗିକ ଉପ୍ବାଦ ଗୁଡିକର ବିକାଶ ପାଇଁ ବ୍ୟାପକ ରୂପରେ ପ୍ରୟୋଗ କରାଯାଇପାରେ ।

" ଆକି " ଭାବେ ଉର୍ଚାରଣ କରାଯାଉଥିବା ACII ର ପୁରା ନାମ Alphabetic code for information interchange ଅଟେ । ଏହା ଏକ 8 ବିଟ କୋଡ ଅଟେ ଯାହାର ତଲଭାଗରେ ଆକି ବର୍ଣ୍ଣ ସେଟ ଥାଏ ଆଇବିଏମ୍ - ପିସିରେ ଅନୁକୁଳ ହେବାପାଇଁ " ଆକି " ଲିପି କୋଡର ଉପରାର୍ଦ୍ଦ କୁ ବିଖଣ୍ତନ କରାଗଲେ ଏହାକୁ ପିସି - ଆକି କୁହାଯାଏ । ବର୍ଣ୍ଣ ସେଟ ର ମଧ୍ୟର୍ଧ ର ମଧ୍ୟରେ ଥିବା ରେଖା ଅ ଙ୍କ ି ତ ବର୍ଣ୍ଣ କୁ ଠିକ ରଖିବା ପାଇଁ ଏହି ବିଖଣ୍ତନ ଦରକାର ହୁଏ

ଏ ଅଧ୍ୟୟରେ ଜଟିଳ ଲିପି ସୃଷ୍ଟି କରିବାର ମୌଲିକ ଭିତ୍ତି ଉପରେ ଆଲୋଚନା କରାଯିବ ।

କାର୍ଯ୍ୟ ଦର୍ଶନ - ଶଦ୍ଦକୁ ବନାନ ସହକାରେ ଲେଖିବା ଏହା ସ୍ବତଃ ମନ ଏବଂ ତାର୍କିକ ।

କୌଣସି ଶଦ୍ଦର ଉଚାରଣ ତାର ମୌଲିକ ବର୍ଣ୍ଣ କୁ ନେଇ ଗଢା , ଯେ କୌଣସି ଲିପିର ମୌଲିକ ବର୍ଣ୍ଣ , ଆବଶ୍ୟକୀୟ ନିର୍ଦ୍ଦିଷ୍ଟ ଛବି ଏବଂ ପ ଙ୍କୁ ଚୁଏସନ୍ କୁ ନେଇ ଏସି ଆଇ ଆଇ ଗଠିତ ହୁଏ ।

ୟୁନିକୋଡ 16 ବିଟ କୋଡାନ୍ତରଣ ଉପଯୋଗ କରେ ଯେଉଁଥିରେ 65000 ବର୍ଣ୍ଣ ଗଣ ( 65536) ରୁ ଅଧିକ କୋଡ ବିନ୍ଦୁ ଉପଲବ୍ଧ କରାଏ । ୟୁନିକୋଡ ମାନଙକ ପ୍ରତ୍ୟେକ ବର୍ଣ୍ଣ ଗୁଡିକୁ ଏକ ନିଶ୍ଚିତ ସଂଖ୍ୟାମକ ମୂଲ୍ୟ ତଥା ନାମ ନିର୍ଦ୍ଦାରଣ କରାଇଥାଏ । ୟୁନିକୋଡ ମାନ ଙ୍କ ଏବଂ ଆଇ ଏସ୍ ଓ 10646 ମାନ ଙ୍କ ଲକ୍ଷ୍ୟାଧିକବର୍ଣ୍ଣ କୋଡାନ୍ତରଣ

( ୫ ) ୟୁନିକୋଡ ବର୍ଣ୍ଣ ମାଲା ର ଡାଟା ବେସ ରେ ଥିବା ନିର୍ଦ୍ଦିଷ୍ଟ ବିଶେଷ ଗୁଣାମକ ମାନକୁ ପରିବର୍ତ୍ତନ କରାଯିବ ନାହିଁ ।

ୟୁନିକୋଡ 16 ବିଟ କୋଡିଂର ପ୍ରୟୋଗ କରି 65000 ରୁ ଅଧିକ ( 65536) ବର୍ଣ୍ଣ ମାନଙକ ପାଇଁ କୋଡବିନ୍ଦୁ ନିର୍ଦ୍ଦିଷ୍ଟ କରାଏ । ୟୁନିକୋଡ ମାନଙକ ପ୍ରତେକ ବର୍ଣ୍ଣ କୁ ଏକବିଶିଷ୍ଟ ସଂଖ୍ୟାମକ ମୂଲ୍ୟ ତଥା ନାମ ପ୍ରଦାନ କରେ । ୟୁନିକୋଡ ମାନଙକ ବିଶ୍ବର ସମସ୍ତ ଲିଖିତ ଭାଷା ଗୁଡିକରେ ପ୍ରଯୁକ୍ତ ସମସ୍ତ ବର୍ଣ୍ଣ ଗୁଡିକର କୋଡିଂ ପାଇଁ କ୍ଷମତା ପ୍ରଦାନ କରେ । ଇସ୍କି- 8 ବିଟ କୋଡ ଅଟେ । ଏହା ଆସ୍କି( ASCII) ର 7- ବିଟ କୋଡର ଏକ ବିସ୍ତୁତ ରୂପ ଅଟେ । ଯାହା ଅନୁସାରେ ବ୍ରାହ୍ମୀ ଲିପିର ଉପ୍ବନ୍ନ ଦଶଟି ଭାରତୀୟ ଲିପି ମାନଙକ ପାଇଁ ମୂଲଭୂତ ବର୍ଣ୍ଣ ସମ୍ମିଳିତ ଅଟେ । ଭାରତରେ 22 ଟି ମାନ୍ୟତା ପ୍ରାପ୍ତ ଭାଷା ଗୁଡିକ ଅଛି । ପାର୍ସୀ- ଆରବୀୟ ଲିପି ଗୁଡିକ ଅତିରିକ୍ତ , ଭାରତୀୟ ଭାଷା ଗୁଡିକ ପାଇଁ ପ୍ରଯୁକ୍ତ ଅନ୍ୟ ଦଶ ଲିପି ଗୁଡିକ ପ୍ରାଚୀନ ବ୍ରାହ୍ମୀ ଲିପିରୁ ଉଦ୍ଦୃତ ଅଟେ । ଯାହାଫଳରେ କି ଏମାନଙକ ଏକ ସାଧାରଣ ବର୍ଣ୍ଣ ସେଟ ସମ୍ବବ ହୋଇପାରିଛି । ଇସ୍କି କୋଡ ସାରଣୀ ବ୍ରାହ୍ମୀ ଆଧାରିତ ଭାରତୀୟ ଲିପି ରୁ ସୁପର ସେଟ ଅଟେ । ସୁବିଧାପାଇଁ ସରକାର ସ୍ବିକୃତ ଦେବନାଗରୀ ଲିପିର ବର୍ଣ୍ଣ କୁ ମାନକ ଭାବେ ବ୍ୟବହାର କରାଯାଇଛି