一个逐词数字阅读器，用于《普拉斯塔纳特罗伊》及商羯罗注疏：语料库、方法及面向不二论吠檀多经典的开源离线阅读辅助工具

# 基于词级的 Prasthānatrayī 及其 Śaṅkara 的 Bhāṣya 的数字阅读器：语料库、方法与 Advaita Vedānta 经典的开放离线阅读工具
来源: https://arxiv.org/html/2607.07282
\[ Path = \./fonts/ , BoldFont = CharisSIL\-Bold\.ttf , ItalicFont = CharisSIL\-Italic\.ttf , BoldItalicFont = CharisSIL\-BoldItalic\.ttf \] \[ Path = \./fonts/ , BoldFont = NotoSansDevanagari\-Bold\.ttf , Script = Devanagari \]\\fontspec\_if\_language:nTFENG\\addfontfeatureLanguage=English

Tamal Maharaj 计算机科学系，Ramakrishna Mission Vivekananda Educational and Research Institute, Belur Math, Howrah, 西孟加拉邦, 印度通讯作者：\\fontspec\_if\_language:nTFENG\\addfontfeatureLanguage=Englishtamal@gm\.rkmvu\.ac\.in. 该阅读器的在线实例可在以下网址公开访问：https://cs.rkmvu.ac.in/~tamal/prasthanatrayi/prasthanatrayi-sankara-bhasya-detail.html

\(2026 年 7 月\)

###### 摘要

Prasthānatrayī——十部主要《奥义书》、《梵经》和《薄伽梵歌》，连同 Śaṅkara 的注释（bhāṣya）——是不二论（Advaita Vedānta）的基础语料库。对于非专业人士乃至学生而言，从词级层面阅读该文本十分困难：连续的语音连读（sandhi）、长的名词复合词（samāsa）以及密集的经院式散文掩盖了单词的起止边界及其语法含义。我们呈现了一个开放、完全离线、词级的数字阅读器，涵盖整个 Prasthānatrayī 及其 Śaṅkara 的 bhāṣya。在该阅读器中，*每个*单词——无论是原文（mūla）还是注释——都是可点击的，点击后会弹出窗口，显示其语音拆分（padaccheda）、形态和句法分析以及释义。由于每个单词都带有词元（lemma），该阅读器也可用作*索引*：搜索词典中的主词条即可检索该词的所有屈折变化和因 sandhi 隐藏的出现形式——包括其在复合词内部的出现——跨越原文和注释两个层面。该资源涵盖十三个注释单元（2,971 偈颂、经句和散文段落；原文分析词次为 36,881），以及包含 95,587 个不同注释表层形式的全局词典。我们描述了语料库、混合分析流程——一个基于规则的 sandhi 拆分引擎，结合权威的屈折形式词典和经过验证的语料库查询，并辅以大语言模型（LLM）辅助的词形分析，且采用对抗性双轮验证协议——以及一个持久的人工专家审阅循环，该循环允许梵文学家一次性纠正机器输出，并使校正结果在所有后续重建中保持不变。与独立梵文资源的内部评估显示，高置信度的分析与权威的屈折词典在超过 99% 的已证实形式上达成一致；独立且盲标区间的判定确认，分析质量在各置信度区间内可预测地下降，错误主要集中在低置信度区间，而该区间正是审阅循环针对的目标。阅读器是一个单一、自包含的 HTML 文件，无需服务器、无需安装、无需网络连接，并以自由可再分发的教学和阅读工具形式提供。

关键词：Advaita Vedānta；Śaṅkara；Prasthānatrayī；奥义书；数字人文学；计算梵文；sandhi 拆分；形态分析；数字文献学；开放教育资源。

## 1 引言

Vedānta 的三个“出发点”（*prasthāna*）——śruti\-prasthāna（主要《奥义书》）、nyāya\-prasthāna（Bādarāyaṇa 的《梵经》）和 smṛti\-prasthāna（《薄伽梵歌》）——构成了每个经典吠檀多学派赖以确立权威的经典。Śaṅkara 对这三者的注释（bhāṣya）对于不二论传统而言是典范性的阐述；它们至今仍被阅读、背诵和辩论。

然而，这个语料库在学习者所需的粒度上*难以阅读*。经典梵文以连续的语音连写形式书写：相邻单词在边界处通过规则音系变化（sandhi）融合，而名词复合词（samāsa）可能包含多个成分且内部无空格。页面上的一个正字法“单词”，例如 \devfontधूमेनाव्रियते，实际上可能是两三个单词（dhūmena āvriyate），而 Śaṅkara 的散文——句法复杂、引经据典且穿插大量未标注的经文引用——使这一难度进一步加剧。无法进行 sandhi 拆分（“分离”sandhi）并识别每个单词的词干、屈折变化和句法角色的读者，实际上无法查阅词典，因为表层形式并不出现在词典中。

传统上，这种能力通过口传方式，经年累月地从老师传递给学生。少数著名文本（尤其是《薄伽梵歌》）存在逐词印刷版（anvaya 和 ṭīkā），但对于整个 Prasthānatrayī，不存在统一的词级注释工具，而对于 Śaṅkara 注释的连续散文——其篇幅是其解释的原文的数倍——则根本没有任何此类工具。

本文报告了一种填补这一空白的资源。我们构建了一个开放、离线、词级的数字阅读器，其中原文和注释的每个单词都可以直接查询。点击一个单词会打开一个分析弹窗：语音拆分、组成词干、语法描述（词性、名词的性/数/格、动词的类/时态/语气/人称/数、相关的句法角色 kāraka）以及英文释义。关键的是，由于梵文单词的书写形式很少与其词典主词条匹配——sandhi、屈折变化和复合词都会掩盖它——该阅读器还将版本转换为*词元索引的索引*：搜索一个词干可以检索其所有屈折变化和因 sandhi 隐藏的出现形式，以及（通过辅助的*拆分感知*搜索）其在复合词内部的出现，跨越原文和整个注释。整词高亮同时覆盖两个文本层面。

我们的贡献有四点：

1. \\fontspec\_if\_language:nTFENG\\addfontfeatureLanguage=English1.**一个语料库资源**：对完整的 Prasthānatrayī *以及*连续的 Śaṅkara\-bhāṣya 进行了统一的词级分析数字版，其规模（95,587 个不同的注释形式）此前在可查询形式下无法获得。
2. \\fontspec\_if\_language:nTFENG\\addfontfeatureLanguage=English2.**一个发现工具**：由于每个单词都带有词元标签，该版本可作为*按词典主词条搜索的索引*——检索一个术语的屈折变化、因 sandhi 隐藏以及在复合词内部的出现——覆盖两个层面，这是仅凭天城体全文搜索无法提供的检索形式。
3. \\fontspec\_if\_language:nTFENG\\addfontfeatureLanguage=English3.**一种方法**：一个可复现的混合流程，结合了确定性语言资源（基于规则的 sandhi 拆分引擎、包含 927,000 个词形的屈折词典、经过验证的语料库查询）与 LLM 辅助的分析，并采用对抗性双轮验证协议，以及一个持久的人机协作校正覆盖层。
4. \\fontspec\_if\_language:nTFENG\\addfontfeatureLanguage=English4.**一个工件**：一个单一、自包含的 HTML 文件，无依赖项且可自由再分发，设计为教学和自学辅助工具，以及学术校正的平台。

我们首先强调，机器分析只是一个*脚手架*，而非神谕。最终的学术权威在于人类编辑；系统的作用是在原本难以处理的文本量上产生一致的初步分析，标记其置信度最低的输出，并使专家校正变得廉价、持久且可累积。

## 2 背景与相关工作

#### 计算梵文。

过去二十年产生了成熟的梵文分词和形态学工具。Huet 的 *Sanskrit Heritage* 引擎及其阅读器提供了一个基于 Pāṇinian 描述的有限状态形态分析器和分词器 (Huet 2005 (https://arxiv.org/html/2607.07282#bib.bib5); Goyal & Huet 2016 (https://arxiv.org/html/2607.07282#bib.bib2))。*Digital Corpus of Sanskrit* (DCS) 提供了一个大型的、经过形态和词汇标注的语料库 (Hellwig 2010– (https://arxiv.org/html/2607.07282#bib.bib3))，最近的神经形态系统在数据驱动的分词和依存分析方面取得了进展 (Hellwig & Nehrdich 2018 (https://arxiv.org/html/2607.07282#bib.bib4); Krishna et al. 2018 (https://arxiv.org/html/2607.07282#bib.bib6); Sandhan et al. 2021 (https://arxiv.org/html/2607.07282#bib.bib7))。两年一度的 *Sanskrit Computational Linguistics* 研讨会汇集了大部分此类工作 (Huet et al. 2009 (https://arxiv.org/html/2607.07282#bib.bib8))。我们的系统并非这些分析器的竞争者；它*消费*它们——最直接的是，从 Heritage 引擎提取的屈折形式词典以及从标注语料库中提取的 padaccheda 证据——并在此基础上添加了一个 LLM 辅助的分析和验证层，专门针对一个特定、封闭且高价值的语料库。

#### 数字版本与词典。

诸如 GRETIL 和 Muktabodha Indological Research Institute 数字图书馆等数字文本档案将 Prasthānatrayī 作为可搜索文本提供，而 Cologne Digital Sanskrit Dictionaries 项目则使标准词典（Monier\-Williams、Apte 等）机器可读 (Cologne 2019 (https://arxiv.org/html/2607.07282#bib.bib1))。对于《薄伽梵歌》而言，IIT Kanpur 的“Gita Supersite”并列展示了多种注释。这些资源提供*文本*和*释义*，但通常不提供连续注释散文的统一逐词语法工具；这正是本研究新增的内容，并且其词典释义来源于 Cologne 词典。

#### 用于古典文献学的 LLM。

大语言模型最近被应用于低资源和古典语言的翻译、修复和标注。它们对梵文的承诺是进行大规模流畅的初步分析；其危险在于自信的错误。我们的设计正是针对这一权衡：通过 (i) 将 LLM 输出与确定性资源进行约束和交叉验证，(ii) 运行一个对抗性的“反驳”传递，其唯一任务是找出第一次传递中的错误，(iii) 为每个分析附加明确的置信度标签，以及 (iv) 将低置信度输出路由给人类专家，其裁决被永久存储。本文的方法论贡献与语料库本身同等重要，即这个*验证框架*。

## 3 语料库

该阅读器涵盖了 Śaṅkara 注释过的完整 Prasthānatrayī：十部主要《奥义书》（对 Kena 有 Śaṅkara 的两部分开注释：padabhāṣya 和 vākyabhāṣya）、《梵经》和《薄伽梵歌》——共十三个注释单元。Māṇḍūkya 单元额外包含 Gauḍapāda 的《Kārikā》，Śaṅkara 也对其进行了注释。表 \fontspec\_if\_language:nTFENG\\addfontfeatureLanguage=English1 (https://arxiv.org/html/2607.07282#S3.T1) 给出了详细分类。

\\fontspec\_if\_language:nTFENG\\addfontfeatureLanguage=English表 1：语料库。“偈颂/经句/段落”计数了可寻址的原文单元；散文体《奥义书》（《歌者奥义书》、《大森林奥义书》）按段落计数。Māṇḍūkya 的总数包括 Gauḍapāda 的《Kārikā》。唯一的事实来源是一个语料库文件，该文件为每个可寻址单元存储原文单词、连续的 bhāṣya 散文以及 sambandha\-bhāṣya（引言性的“连接”段落），均为结构化数据。所有衍生工件——分析后的单词数据和阅读器 HTML——都由脚本从该源*构建*而成；构建文件从未经过手动编辑，这确保了流程的可复现性和源文件的权威性。

## 4 系统概述

交付件是一对自包含的 HTML 文件，它们共享一个共同的构建。*mūla 阅读器*使每个原文单词都可点击。*详细阅读器*是其超集：它额外使 Śaṅkara 注释的每个单词都可点击。两者都是单个文件，可在任何现代浏览器中直接打开，无需服务器，无需网络连接；详细阅读器将其包含 95,587 个条目的注释词典以内联 JSON 格式嵌入。

两个设计决策值得提及，因为它们塑造了整个系统。

#### 基于光标的单词解析，而非逐词标记。

使单词可点击的简单方法是将每个单词包裹在独立的 HTML 元素中。对于如此规模的语料库，这会使文件膨胀，而且——更重要的是——它会碎片化文本节点，破坏连续文本的搜索和高亮功能。取而代之的是，在运行时，点击散文中的任意位置都会解析为光标下的单词，方法是通过获取光标位置周围最长的天城体字符序列。用于此操作的分词器与离线提取时使用的分词器是逐字符一致的，因此点击的表层形式保证能匹配词典中的键。DOM 保持原样，短语搜索和高亮功能在未分割的文本上继续有效。

#### “路线 B”：每个不同的表层形式分析一次。

Śaṅkara 的散文在词级上高度重复：同一个屈折形式（ātman, brahmaṇaḥ, tasmāt, ...）会重复出现数千次。与其分析每个*出现*，我们构建了一个*不同表层形式的全局词典*，并对每个形式分析一次。这使分析负担减少了一个数量级以上，并保证了内部一致性（同一表层形式始终获得相同分析），代价是未通过局部上下文消除歧义——我们将在 §\fontspec\_if\_language:nTFENG\\addfontfeatureLanguage=English8 (https://arxiv.org/html/2607.07282#S8) 中回到这一权衡。原文篇幅小得多，且上下文更为重要，因此改为按*出现*分析，并通过位置索引。

## 5 方法：分析流程

该流程包含五个阶段（图 \fontspec\_if\_language:nTFENG\\addfontfeatureLanguage=English1 (https://arxiv.org/html/2607.07282#S5.F1)）：规范化、确定性语言分析、对抗性验证下的 LLM 辅助分析、聚合以及人类专家审阅。我们逐一描述。

来源语料库 *（唯一事实来源）*
mūla 文本 · bhāṣya 散文 · sambandha
1 规范化
一个共享的分词器（离线 ≡ 浏览器内）
去除连接符 / PUA 字形 · 重新合并不合理的拆分
2 确定性分析
经证实的拆分 → 屈折词典 → 规则 *（按权威性递减）*
3 LLM 辅助分析
验证 → *反驳*（对抗性）→ 重新合并检查
mūla：按出现分析 · bhāṣya：路线 B（每个表层形式一次）
4 聚合与置信度
按表层形式合并；标记 \fontspec\_if\_language:nTFENG\\addfontfeatureLanguage=English高 / 中 / 低
阅读器 HTML *（自包含、离线）*
mūla 阅读器 + 详细阅读器
确定性资源
• 经证实的 padaccheda (∼240k)
• Heritage 屈折词典 (∼927k)
• 基于规则的 sandhi 拆分器
• Cologne 释义 · Dhātupāṭha
5 人类专家审阅
梵文学家纠正拆分 / 语法 / 释义 → 持久的*覆盖层*
聚合后的单词数据
低置信度工作列表
覆盖层最后重新应用
\\fontspec\_if\_language:nTFENG\\addfontfeatureLanguage=English图 1：分析流程。单一来源语料库经过规范化，然后通过确定性层（经证实的拆分、屈折形式词典和基于规则的拆分器，按此顺序尝试），顶部辅以 LLM 辅助层，并采用对抗性的*验证*–*反驳*–重新合并框架。结果按表层形式聚合并划分置信度区间；低置信度尾部被路由到持久的审阅覆盖层，该覆盖层在每次重建时重新应用，分析数据以两个自包含的阅读器文件形式输出。原文（mūla）在诗节上下文中按出现分析；注释（bhāṣya）的表层形式各分析一次（“路线 B”）。