TabletCraft：用双向阿卡德语神经机器翻译与楔形文字渲染弥合四千年文化鸿沟

# 跨越四千年文化鸿沟：双向阿卡德语神经机器翻译与楔形文字渲染

收录于 ACL 2026 第四届 NLP 跨文化考量研讨会（C3NLP）。代码与预训练模型：https://github.com/geoffreywang1117/cuneiscribe。安装包：pip install cuneiscribe (https://pypi.org/project/cuneiscribe/)。
来源：https://arxiv.org/html/2608.02609
Zhaohui Wang 南加州大学维特比工程学院 zwang000@usc\.edu

###### 摘要

全球博物馆中保存着五十万块楔形文字泥板，但现代人既不能读也不能写这一世界上最古老的文字系统，由此形成了四千年之久的文化鸿沟，而现有的 NLP 工具仅能部分应对。先前的工作支持从阿卡德语到英语的单向、面向学者的翻译，却没有提供反向路径：非专业用户无法用楔形文字创作新内容，因此只能被动地消费古代文化，而无法主动参与其中。我们提出 **TabletCraft**，这是首个支持与美索不达米亚文字进行**双向**互动的开源系统。用户可以阅读古代泥板（阿卡德语→英语），也可以将新消息创作为楔形文字泥板（英语→阿卡德语→楔形文字→渲染泥板）。该系统集成了基于 ByT5 的翻译模型（在 116K 双向样本上训练）、一个包含 14,240 条映射（95.3% 覆盖率）的楔形文字符号转换器，以及一个可视化泥板渲染器，并以 `pip` 可安装的工具包形式提供 CLI 和 Web 演示。在留出的 Akkademia 验证集（2,812 个样本）上，我们报告阿卡德语→英语的 BLEU 为 49.1，英语→阿卡德语为 48.5，这是反向方向的第一个已发表的定量结果。

TabletCraft：以双向阿卡德语神经机器翻译与楔形文字渲染跨越四千年文化鸿沟††thanks:收录于 ACL 2026 第四届 NLP 跨文化考量研讨会（C3NLP）。代码与预训练模型：https://github.com/geoffreywang1117/cuneiscribe。安装包：pip install cuneiscribe (https://pypi.org/project/cuneiscribe/)。

Zhaohui Wang
南加州大学维特比工程学院
zwang000@usc\.edu

## 1 引言

楔形文字是人类最早的书写系统，跨越古代美索不达米亚三千余年（约公元前 3400 年 – 公元 75 年）Walker (1987) (https://arxiv.org/html/2608.02609#bib.bib18)。据估计有 50 万块泥板存世，记录了王室法令、史诗、贸易收据和私人信件 Gutherz et al. (2023 (https://arxiv.org/html/2608.02609#bib.bib8))，构成了一座内容极其广博的文化档案库。然而，这一档案库在很大程度上仍然无法被触及：全世界仅有数百名学者能够阅读楔形文字，而且大多数泥板尚未被翻译 Gordin et al. (2020 (https://arxiv.org/html/2608.02609#bib.bib7))。

由此产生的跨文化障碍不同于多语言 NLP 中通常研究的障碍。它不是两个可以相互学习对方语言的鲜活社群之间的障碍，而是一种单向的时间不对称：古代文本可以被部分解码供现代读者阅读，但现代用户没有进入古代文字的生产性渠道。现有的 NLP 工具进一步强化了这种不对称。近期的 NMT 系统 Gutherz et al. (2023 (https://arxiv.org/html/2608.02609#bib.bib8)); Sommerschield et al. (2023 (https://arxiv.org/html/2608.02609#bib.bib15)) 将阿卡德语**翻译成**英语，但没有系统能将英语**翻译成**阿卡德语，或把结果渲染为楔形文字。因此，它们所促成的文化参与是被动的：学者可以阅读古代文本，但无论是专业人士还是普通公众都无法创作新文本。

据我们所知，TabletCraft 是首个同时支持阿卡德语翻译两个方向以及楔形文字–Unicode 渲染的开源系统。学生可以输入“国王统治这片土地”（The king rules the land），并获得一块刻有相应楔形文字的泥板；博物馆参观者可以用世界上最古老的文字渲染自己的名字；研究人员可以将英语注释回译为阿卡德语，用于数据增强。除了阅读之外，该系统还支持用楔形文字进行创作，从而为非专业用户提供一种更具参与性的方式与这一文字系统互动。

参见图注Figure 1:TabletCraft 流水线：英语文本被翻译为阿卡德语，转换为楔形文字符号，并渲染为泥板，从而促成双向的文化互动。
## 2 跨文化设计挑战

古代语言 NLP 引发了一些主流多语言 NLP 尚未处理的跨文化问题 Bird (2020 (https://arxiv.org/html/2608.02609#bib.bib2))。我们识别出四个塑造了 TabletCraft 设计的挑战。

#### 时间距离即文化距离。

阿卡德语翻译所跨越的是文明层面的鸿沟，而不仅仅是语言层面的鸿沟。诸如“合股资本”（joint-stock capital）、“名年官纪年”（eponym dating）或“神性限定符”（divine determinatives）等概念没有现代对应物 Veenhof and Eidem (2008 (https://arxiv.org/html/2608.02609#bib.bib17))。我们的系统遵循亚述学惯例保留这些具有文化特定性的术语，而非强行采用现代化释义。

#### 反向方向即文化能动性。

先前的系统将古代语言视为研究的对象。我们引入的英语→阿卡德语方向将用户重新定位为**参与者**：他们可以用楔形文字进行创作，从而建立一种仅靠被动阅读无法实现的个人联系。这伴随着被浅薄化的风险 Bender et al. (2021 (https://arxiv.org/html/2608.02609#bib.bib1))；我们通过明确标注所有机器生成的阿卡德语为“近似结果”来缓解这一风险。

#### 可访问性与学术保真度。

我们服务两个不同的用户群体 Terras (2012 (https://arxiv.org/html/2608.02609#bib.bib16))。**亚述学研究人员和研究生**使用阿卡德语→英语方向对未翻译泥板进行初筛，生成用于核验的草稿释义，而非作为最终准确的翻译；他们期望每个输出都可修改，并消费原始转写字符串而非渲染后的泥板。**教育工作者、博物馆工作人员和普通公众**使用英语→阿卡德语→楔形文字方向进行个性化参与（学生在泥板上写出自己的名字，博物馆参观者创作一行献词）；他们期望的是近似而非语文学上精确的输出，并消费带有转写字幕的泥板图像。我们通过暴露每一个中间层（输入分类、转写、符号映射、渲染泥板），并将所有机器生成的阿卡德语标注为近似结果，而不是将两类受众合并为一个黑箱翻译，来解决这一张力。

#### 谁的文化遗产？

美索不达米亚文化遗产被不成比例地集中在西方机构中研究 Rayne et al. (2017 (https://arxiv.org/html/2608.02609#bib.bib12))。一个开源、可多语言扩展的工具包可以降低伊拉克、叙利亚、土耳其和伊朗——这些领土涵盖古代美索不达米亚的现代国家——的研究人员和教育工作者的使用门槛。

## 3 系统架构

### 3.1 翻译模型

我们在来自 Akkademia Gutherz et al. (2023 (https://arxiv.org/html/2608.02609#bib.bib8))（50K）、一个共享翻译任务 Deep Past Initiative (2026 (https://arxiv.org/html/2608.02609#bib.bib4))（1.5K）以及句子对齐扩展（6K）的 58,126 个平行句子上微调 ByT5-base Xue et al. (2022 (https://arxiv.org/html/2608.02609#bib.bib19))（5.81 亿参数）。我们进行双向训练（阿卡德语→英语和英语→阿卡德语，使用任务前缀），由此得到 116K 对 Sennrich et al. (2016 (https://arxiv.org/html/2608.02609#bib.bib14))。字节级分词能够处理变音符号（š、ṭ、ṣ）和语标符号，而不会出现词汇表不匹配 Lu et al. (2025 (https://arxiv.org/html/2608.02609#bib.bib10))。训练设置：20 个 epoch，学习率 10−410^{-4}，批大小 32，标签平滑 0.2，在 2×\times RTX 3090 上使用 BF16。

### 3.2 楔形文字转换器

一个由 ORACC ORACC Project (2024 (https://arxiv.org/html/2608.02609#bib.bib11))、CDLI CDLI (2024 (https://arxiv.org/html/2608.02609#bib.bib3)) 和 Akkademia 汇编的 14,240 条转写→Unicode 楔形文字映射查找表。按照亚述学惯例，限定符会被去掉 Huehnergard (2011 (https://arxiv.org/html/2608.02609#bib.bib9))。

### 3.3 泥板渲染器

输出 SVG/PNG 图像，风格仿照新亚述泥板（黏土背景、分隔线、Noto Sans Cuneiform 字体）。无需 GPU；每块泥板渲染时间 < 10 毫秒。

## 4 评估

表 1：在 Akkademia 验证集（2,812 个新亚述样本）上的翻译质量，**双向**报告。†\dagger：Gutherz et al. (2023 (https://arxiv.org/html/2608.02609#bib.bib8)) 在他们自己的测试集上（领域构成不同）。对于英语→阿卡德语方向，参考译文是来自留出验证集的原始阿卡德语转写（没有先前的已发表基线；双向模型训练目标是预测转写，而非 Unicode 符号）。表 1 (https://arxiv.org/html/2608.02609#S4.T1) 报告了双向翻译质量。两个方向都在相同的 2,812 样本 Akkademia 验证集上评估，该验证集在训练时被留出，主要由新亚述王室铭文组成。与先前工作在不同测试集或文本体裁（例如古亚述贸易书信）上的直接比较需要谨慎 Veenhof and Eidem (2008 (https://arxiv.org/html/2608.02609#bib.bib17))。

#### 英语→阿卡德语评估方法。

我们首次提供了这一规模下英语→阿卡德语翻译质量的定量度量。双向模型在由 58K 对齐句子派生出的 116K 对上训练，使用任务前缀 “translate Akkadian to English:”（将阿卡德语翻译为英语：）和 “translate English to Akkadian:”（将英语翻译为阿卡德语：）Sennrich et al. (2016 (https://arxiv.org/html/2608.02609#bib.bib14))。我们将验证集反转，以 `valid.en` 为源文本，以 `valid.tr`（原始转写）为参考，应用训练时使用的相同变音符号与间隙归一化，并使用 4 路波束搜索解码。分数用 sacreBLEU 计算。¹¹¹nrefs:1|case:mixed|smooth:exp|tok:13a; chrF++:nrefs:1|case:mixed|nc:6|nw:2。我们将英语→阿卡德语 BLEU 视为一种**近似忠实度**度量，而非语文学正确性的度量。参考译文是历史上的转写，但阿卡德语允许同一表层形式存在多种可接受的拼写（例如，同一名字的语标拼写与音节拼写；LUGAL 和 MAN 都可表示“国王”），因此，一个使用不同但有效符号的流畅现代释义即使没有错，其分数也会更低。因此，单参考 BLEU 会系统性地低估有效输出；所报告的数值应被视为下限，多参考或专家评判的评估留待未来工作。模型在英语→阿卡德语方向上达到 48.5 BLEU 和 55.6 chrF++，在同一验证集上与其阿卡德语→英语分数相差在 0.6 BLEU 以内。这表明双向训练不会坍缩为单一主导方向，而且字节级编码器即使在反转的任务前缀下也能学会生成格式良好的转写。chrF++ 分数较低（55.6 对 63.1）与阿卡德语相对于英语具有更高的正字法灵活性一致：多种音节和语标拼写都能编码同一表层形式。由于下游楔形文字符号转换器在覆盖范围内的 token 上是确定且无损的，因此英语→阿卡德语分数也构成了端到端英语→楔形文字保真度的上限。表 2 (https://arxiv.org/html/2608.02609#S4.T2) 用三个具有代表性的英语→阿卡德语输出示例说明了这一差距：在每种情况下，预测与参考仅相差少数几个符号（语标与音节交替、另一种限定符或略微不同的词序），同时保留了底层词汇内容。

表 2：来自留出 Akkademia 验证集的代表性英语→阿卡德语输出。预测与参考之间的差异通常是语标/音节符号交替（DI/SILIM、MAN/LUGAL）或省略限定符，而非语义错误。这些情况会被 BLEU 扣分，但在亚述学上仍然可以接受。
#### 方言与体裁分布。

训练语料以公元前一千纪的新亚述王室铭文为主，另有较少量的古巴比伦语和标准巴比伦语文学文本（来自句子对齐增强），这反映了 Akkademia 和 Deep Past 语料库的基本构成 Gutherz et al. (2023 (https://arxiv.org/html/2608.02609#bib.bib8)); Deep Past Initiative (2026 (https://arxiv.org/html/2608.02609#bib.bib4))。因此，模型在再现新亚述套语（修饰语、神性限定符、纪年公式）方面更加可靠，而对于古亚述商人书信中高度省略的商业语域则可靠性较低，因为后者的词汇、句法和缩写惯例差异显著 Veenhof and Eidem (2008 (https://arxiv.org/html/2608.02609#bib.bib17))。近期的共享任务证实，**文本体裁**（而不仅仅是方言）是阿卡德语翻译质量的主导因素：在王室铭文上训练的系统在处理商业书信时质量显著下降，即使有大型双语词典支持也是如此 Gordin et al. (2025 (https://arxiv.org/html/2608.02609#bib.bib6))。这反映了一个更广泛的跨文化观察：NLP 不能把“阿卡德语”当作一种单一语言，正如不能把“英语”当作一种单一语言一样；源文本的文化语境与语言标签同样重要。我们在用户界面中通过为输出标注置信度分数和从输入特征推断出的粗略体裁标签（王室/文学/其他），以及将低置信度输入路由到仅转写回退而非完整渲染的泥板，来体现这一点。

#### 楔形文字覆盖率。

在从 Akkademia 测试集中抽取的 1,000 条转写上，转换器实现了 95.3% 的 token 覆盖率（语标符号 93.8%，音节符号 95.7%）。其余 4.7% 是未被覆盖的限定符或罕见语标符号，这些会被原样传递。

#### 具体用户与使用场景。

我们已经用三类人群对 TabletCraft 进行了原型测试：(i) 美国一所 R1 大学“楔形文字入门”课程中的**本科生**，他们使用英语→楔形文字方向创作个人名字泥板和简短献词，然后朗读出来作为读写练习；在这种场景下，输出被视为学习产物而非原始史料；(ii) **博物馆教育工作者**，他们正在为 K–12 访客项目准备“用楔形文字写下你的名字”互动亭，要求亚秒级渲染、儿童安全的输入过滤（由我们的异常分类器提供），以及每张生成的图像上都带有明确的“近似结果，机器生成”提示；(iii) **亚述学家**，他们通过阿卡德语→英语方向对新拍摄的新亚述泥板进行发表前快速初筛，在此过程中，草稿翻译会逐符号对照原件进行审查和修正，其工作流程类似于 OCR 后期编辑，而非自主翻译。在这些场景中，预期显然不是完全自动化：TabletCraft 被定位为一个“草稿—修订”助手，而非权威翻译器。该工具包可通过 pip 安装，提供 CLI、Python API 和 Gradio Web 演示。

## 5 相关工作

Gutherz et al. (2023 (https://arxiv.org/html/2608.02609#bib.bib8)) 引入了 Akkademia，用于阿卡德语→英语神经机器翻译。Gordin et al. (2020 (https://arxiv.org/html/2608.02609#bib.bi