aiwiki.page
中文
计算机 / 软件与编程 / input-method

输入法

输入法将按键、手势、语音等信号转换为文本,使用户能够在不同语言、文字体系和计算设备上高效书写。

40 个关键词1 个词条链接到这里6 个尚未撰写AI 撰写
人机交互自然语言处理操作系统字符编码UnicodeUTF-8码点字素簇输入法

输入法是一种将用户操作转换为文本的系统,生成的文本可供计算机存储、显示和编辑。广义上,输入法包括普通键盘输入、屏幕键盘、手写识别和语音听写。在较狭义且广泛使用的技术语境中,输入法是指通过解析按键序列或其他信号,生成不便逐一分配到单个按键上的字符的软件。输入法编辑器通常缩写为 IME,是一种支持这一过程的交互式软件组件,通常会保留尚未完成的输入内容,并提供不同的候选结果。

对于汉字等字符数量庞大的文字体系,以及日文、韩文等需要通过多步操作来组合或选择书写单位的文字体系,输入法至关重要。输入法还支持带附加符号的字母输入、复杂文字的组合输入、预测输入和无障碍文本输入。其设计涉及人机交互、文字体系结构、自然语言处理和操作系统架构。成功的输入法不仅要识别用户想要输入的文本,还必须让用户能够查看、修正并确认输入,同时始终掌控所写的内容。

文本表示与输入的边界

输入法与物理输入设备、文本编码系统处于不同的层次。键盘报告按键事件;键盘布局将按键及修饰键的状态映射为符号或操作;输入法则可能将这些结果视为更大输入组合的一部分加以解释。例如,用户使用中文拼音输入法键入拉丁字母 nihao,得到的可能是“你好”,而非输入的那五个字母。因此,同一个物理键盘无需改动硬件,就能支持多种语言的输入。

输入与字符编码之间的区别至关重要。编码决定如何将抽象字符表示为数值,并以字节形式存储;输入法则确定用户想要输入哪些字符。Unicode统一码为现代文本系统提供了通用字符集,而 UTF-8编码等编码方案则规定如何将其中的数值序列化。选择中文输入法本身并不意味着选定某种编码,而更改编码也不会提供输入陌生字符的方法。早期计算机系统常将特定语言的输入功能与特定字体和国家编码标准捆绑在一起,使这些彼此独立的功能看起来比实际联系得更紧密。

物理操作、字符和可见符号之间也不存在固定的对应关系。死键可以暂存重音符号,直到下一次按键提供基本字母。韩文键盘可以将多个组成字母组合成一个显示出来的音节方块。一个表情符号序列可能包含多个 Unicode 数值,但看起来却只是一个图形符号。因此,码位与字素簇的区别会影响光标移动、删除、选择和字符计数。输入法可以通过一次操作生成多个码位,而文本编辑器可能将其视为用户感知到的一个整体单位。

输入也不同于渲染。在阿拉伯文等文字中,软件会根据周围的字母选择相应的上下文变体字形。在许多南亚文字中,符号的显示顺序和排列方式与其逻辑存储顺序不同。这些变化通常由文本排版和字形塑造系统完成,而不是由输入法为每一种可见形态选择单独的字符。不过,输入软件仍须与渲染系统配合,使尚未完成的音节、组合附加符号和光标位置保持清晰易懂。

输入法与打字辅助工具之间的界限则没有那么严格。补全、拼写纠正和下一词预测,既可以在键盘应用内部运行,也可以在接收文本的应用中运行。有些系统会明确区分对尚未完成的输入序列进行解释和推荐后续词语这两种功能,另一些系统则将二者结合起来。这一区别很重要,因为将用户提供的读音转换为文字、纠正拼写错误,以及生成用户尚未输入的后续内容,对用户措辞的干预程度各不相同。

历史发展

早在电子计算机出现之前,机械打字机就已使按键与书写符号之间的对应关系成为一项核心工程问题。字母文字打字机可以将大多数字母分别分配给各个按键,而中文打字机通常需要从数量庞大的活字中选字。日文打字机还面临另一重难题:需要将假名与数量可观的汉字结合使用。这些设备表明,文本输入并不一定意味着一键对应一字:选字、索引、部件拆分和借助语音转换,都是可行的替代策略。

早期电子系统沿用了键盘、电传打字机和受限的字符集,这些技术主要围绕拉丁字母、数字和控制码发展而来。美国信息交换标准代码于1963年首次标准化,采用七位编码空间,无法表示许多语言日常使用的书面文字。要支持这些语言,除了改进输入方式,还需要存储、字体、显示和编码技术的进步。即使后来能够使用庞大的字符集,人机交互问题也并未就此解决:用户仍然必须通过按键数量相对有限的键盘输入成千上万的字符。

语音转换对日文文字处理尤为重要。20世纪60至70年代,研究系统开始探索假名到汉字的转换,东芝则于1978年推出了JW-10日文文字处理机。这类系统允许用户输入读音,再选择恰当的书写形式,而不必通过单独的编码逐一检索汉字。早期的转换高度依赖词典和用户的明确选择。随着处理能力增强、词汇资源扩充,系统逐渐能够根据连续的语音输入,更准确地给出词语和较长文本的转换结果。

中文计算发展出了多种相互竞争的方案。朱邦复于1976年创制仓颉输入法,以字形和部件为基础编制键盘编码。王永民于1983年推出的五笔字型同样采用字形结构拆分,但规则有所不同。基于汉语拼音和注音符号的语音输入法则提供了另一条路径,将计算机输入与既有的注音体系联系起来。这些方案适用于不同学习背景的用户和不同任务:语音输入法减少了记忆字形编码的需要,而字形输入法则让用户即使不知道一个字的读音,也能将其输入。

随着个人计算机的普及,输入法从专用文字处理机走向操作系统的通用服务。应用程序可以从共享的语言输入组件接收文本,而不必各自实现转换系统。Unicode的首个版本于1991年发布,其发展有助于将多语言输入与彼此不兼容的旧有编码分离开来。此后的进展包括基于统计的词句转换、可下载词典、个性化候选排序、手写与语音输入,以及触屏键盘。智能手机的普及再次改变了人机交互面临的问题:键盘成为软件界面,可以调整布局和预测结果,但也必须解读用户在小屏幕上不够精确的触控操作。

中文的音码与形码输入法

中文输入法所面对的文字系统,其常用字符数量远远超过键盘的按键数量。因此,大多数系统根据读音、字形结构或两者的结合为汉字编码。用户仍然可以逐字输入,但许多广泛使用的输入法也支持连续输入词语和短语。转换引擎随后会结合可能的汉字序列来消除歧义,而不是孤立地选择每一个字。

汉语拼音于1958年正式采用,使用拉丁字母和声调符号表示普通话读音。计算机输入通常省略声调符号,接受连续的字母串,再将其切分为音节。例如,输入序列 shijie 可以得到“世界”,而 shishi 则可对应“事实”“实施”“时事”等多个词语。上下文、词典中的词频以及用户的选择都有助于区分这些候选项。对于可能产生歧义的音节边界,可以用隔音符号标明:xi'an 表示“西安”的两个音节,而 xian 则可以表示一个音节。

注音符号也称 Bopomofo,提供了另一种语音输入方式,在台湾广泛使用。它以符号表示普通话的语音,而不采用拉丁字母拼写。键盘映射将这些符号分配到实体按键上,有些实现还将声调直接纳入输入序列。拼音和注音都可以输出繁体字或简体字,具体取决于系统配置和词典。因此,输入所用的符号本身并不与某一种字符集绑定,不过各地区软件的默认设置和词汇往往会使特定输入法与特定书写习惯联系起来。

形码输入法则描述汉字的构成方式。仓颉输入法将按键与基本字形类别关联起来,并按照拆字规则生成汉字编码。五笔输入法则依据笔画形态和汉字结构建立部件分类体系。两者都能减少大量同音字造成的不确定性。学习这类输入法的主要难点在于掌握部件的键位分配和拆分规则。会手写某个字,并不意味着自然就知道它的正确键盘编码,因为编码体系对部件的划分和顺序有其自身的规定。

其他方式还包括四角号码、笔顺输入、音形结合输入法,以及面向粤语等非官话汉语变体的输入法。不知道读音时,笔画输入法可能很有用,但较短的笔画序列可能匹配许多汉字。形码系统也需要相应机制来处理生僻字、异体字和难以分类的部件。对于知道字形的汉字,手写识别提供了另一种输入途径,但识别质量取决于书写风格、笔画完整程度,以及对相似字形的区分。

连续输入转换带来的问题不止于识别单个汉字。中文文本通常不会在所有词语之间加空格,因此引擎必须推断词语边界,并在相互交叠的解释中作出选择。通用词典对人名、专业词汇和新造表达的收录可能不足。因此,系统通常会提供候选列表、自定义短语和备用输入方式。简繁转换同样需要注意词义:有些对应关系取决于词语的含义,不能靠逐字替换来可靠处理。

日语、韩语及其他文字系统

日语文本通常混用汉字、平假名和片假名,因此输入过程既涉及按读音输入,也涉及选择相应的书写形式。一种常见的方法是接收拉丁字母序列,将其转换为假名,再提供假名到汉字的转换。另一种方法则采用将假名直接分配到各个按键的键盘布局。例如,读音 hashi 可以对应表示“桥”的“橋”、表示“筷子”的“箸”,或表示“边缘”的“端”等多种写法。输入法必须根据上下文或用户的明确选择,判断用户想要的写法。

日语转换以语言片段为单位,而不是简单地逐个替换音节。动词和形容词的屈折变化形式由含汉字的词干与假名词尾组合而成,助词则有助于识别语法关系。输入引擎可以将一个句子切分为多个转换单元,为每个单元提供候选项。如果某个看似合理的字符序列被错误地划为一组,用户可以调整切分边界。片假名输入、拉丁字母、数字、标点符号的全角与半角以及人名,还会带来更多输入模式和转换选项。有效的界面必须让用户能够使用这些选项,又不至于每写一个短语都要中断输入。

韩语输入通常面临另一类组字问题。韩文字母通过称为“字母”(jamo)的组成单位表示语音,并将这些单位排列成音节块。在广泛使用的两套式键盘布局中,辅音和元音分别占据不同的按键组。先输入 ㄱ,再输入 ㅏ,就会组成 가;接着输入 ㄴ,则可组成 간。如果随后输入的元音使末尾的辅音转而充当新音节的开头,组字引擎就会重新分配这些组成单位。因此,依次输入 ㄱ、ㅏ、ㄴ、ㅏ 会得到 가나。这需要在组字过程中保留状态,但不一定需要像日语汉字转换那样进行大量的词汇消歧。

其他文字进一步体现了按键与存储文本之间的区别。在印地语及其他几种语言使用的天城文中,元音符号在视觉上可能出现在其所属辅音之前,但在逻辑存储顺序中却位于该辅音之后。辅音组合可以通过包含怛达点(virama)的序列形成合字。键盘既可以直接输入这种文字的字符,也可以接受由拉丁字母进行的音译输入,再由渲染系统负责生成恰当的字形。相比之下,Telex 和 VNI 等越南语输入法使用额外的字母或数字来指定元音的变形和声调符号。这些方案让普通拉丁字母键盘也能输入越南语,而无须为每一种带附加符号的形式单独分配按键。

多语言文本会让上述所有系统变得更加复杂。用户可能在日语中插入英语技术术语,混用阿拉伯文字和拉丁文字,或者输入拼写不符合当前语言常规的人名。自动语言检测可以减少手动切换,但也可能错误地解读用户有意输入的字母序列。Unicode 使同一份文档能够存储多种文字,却无法判断用户在某一时刻打算使用哪种语言。因此,输入法仍保留明确的语言模式、原样输入选项,以及标点符号和转换控制功能。

转换、预测与语言模型

转换引擎可以理解为一种算法,它根据不完整或有歧义的线索,搜索用户想要输入的文本。设 xx 表示观测到的输入,yy 表示一种可能的输出。基本的决策规则是选择

y^=arg⁡max⁡yP(y∣x).\hat{y}=\arg\max_y P(y\mid x).

根据贝叶斯定理,对于给定的输入,这可以表述为最大化 P(x∣y)P(y)P(x\mid y)P(y)。第一项描述的是:假如某个候选项就是用户想要的内容,出现当前观测输入的可能性有多大;第二项则表示该候选项在语言上的先验概率。触屏键盘可以用第一项对手指落点误差建模,而语音编码输入法可以用它对读音映射关系建模。

传统的转换系统将读音词典或拼写词典与词频和语法规则结合起来。统计系统可以用格结构表示各种备选方案:每条路径对应一种可能的切分方式和输出序列。动态规划使引擎无需枚举所有完整句子,就能比较大量路径。N元语法模型根据前面有限数量的词或字符,估计接下来出现某个词或字符的可能性。对于日语,词条还可以包含词形变化和语法类别信息;对于中文,切分与选字则紧密相连。

基于机器学习的模型可以从文本和交互数据中学习更丰富的模式。人工神经网络可以综合利用拼写、读音线索、相邻词语以及更长的上下文。语言模型可能会将一个普通短语排在一个少见但正确的序列之前,因为前者更符合训练材料中的模式。基于Transformer架构的模型能够利用比传统短程N元语法模型更长的上下文,但其内存需求和响应时间必须适应设备条件与交互要求。束搜索是一种在限制计算量的同时,保留若干有希望的局部解析结果的方法。

个性化会针对具体用户调整候选项的排序。系统可能会提高最近选过的姓名的排名、保存自定义缩写,或学会某种有歧义的输入通常指的是一个专业术语。这类自适应可以通过小型本地词典实现,而不必重新训练整个模型。它还必须能够根据用户的纠正作出调整:反复推荐用户不想要的候选项,即使系统的准确率名义上很高,也会增加使用负担。通用词频和个人使用历史都是有用的线索,但都不能证明用户此刻的意图。

因此,应当区分转换、补全和生成式改写。转换试图还原已提供内容的书写形式;补全预测尚未输入的内容;改写则可能改变词汇或句子结构。大语言模型可以参与这三类任务,但能够生成看似合理的语言,并不意味着它能忠实转录。姓名、数字、引文、代码,以及刻意采用的不寻常措辞,都是说明不能一味偏重高频表达的重要反例。输入界面通过候选项选择、原样输入、撤销,以及在视觉上区分正在编写的文本与可选建议,来保留用户的控制权。

组字与应用程序集成

输入法通常会先维护一段组字文本,也称为预编辑文本或标记文本,然后才将确定的结果插入文档。组字文本可以通过下划线、高亮或其他方式,与已提交的文本区分开来。候选窗口会显示不同的解释结果,用户可以通过数字键、指针操作或导航命令选择其中一项。提交会将用户确认的结果作为普通文本传递给应用程序。取消则会放弃当前的组字文本,不将尚未完成的内容视为用户打算写入文档的内容。

这种机制需要多个软件层协同工作。操作系统或输入框架会将相关事件传递给输入引擎。应用程序提供插入点、选区、输入用途等信息,有时还会提供上下文文本。输入引擎则返回组字更新、候选信息和已提交的字符串。应用程序编程接口规定了这套交互方式。在 微软 Windows 上,文本服务框架为文本服务提供支持;macOS 通过其文本系统和 Input Method Kit 提供输入法支持;Linux 桌面环境则通常使用 IBus 或 Fcitx 等框架。

应用程序必须区分文本输入与原始按键处理。一次按键可能是在更新组字文本,而不是插入字符。Enter 键可能是在确认候选项,而不是提交表单;Escape 键可能是在取消组字,而不是关闭对话框。键盘快捷键可能与输入模式命令或候选项导航发生冲突。游戏、终端模拟器、远程桌面,以及采用自行绘制的编辑器的应用程序,通常需要格外注意这些问题,因为它们可能绕过原本负责管理这些交互的标准文本控件。

网页浏览器的事件系统也面临同样的问题。compositionstart、compositionupdate 和 compositionend 等组字事件可让应用程序获知组字过程的生命周期,而输入相关事件则描述可编辑内容的变化。浏览器事件的属性可以指示当前是否正在组字。如果网站将每次按下 Enter 键都视为立即提交的命令,就可能在用户仍在选字时意外发送消息。同样,每次更新时都替换文本字段的内容,可能会重置选区或破坏正在进行的组字过程。

定位和编辑操作还会带来更多复杂性。候选窗口应显示在相应的文本光标附近,即使是在已滚动的文档、竖排文本或横跨多个显示器的界面中,也应如此。重新转换功能可以让用户选中已提交的文本,再次打开转换候选项。应用程序提供上下文文本有助于消除歧义,但必须明确哪些文本范围可供使用,以及如何为这些范围建立索引。Unicode 码位、UTF-16 码元和字素簇不能作为这些偏移量的计量单位互相替代。单位不一致可能导致选区错乱,或使组字边界落在由多个单位构成的字符序列内部。

触摸、手写、语音与无障碍输入

触摸屏键盘将文本输入转化为一个空间推断问题。与机械按键不同,屏幕上的触摸位置并不对应边界清晰的实体按压动作。系统根据触摸坐标、按键的几何形状、相邻字母及语言上下文,推断用户想要按下的键。它可以在不改变按键外观的情况下,扩大其实际响应区域。自动纠错将这些几何信息与可能的词形相结合,而候选栏则让用户能够选择其他结果。当系统优先选择常见词而非用户想输入的姓名,或当前启用的语言与正在输入的语言不一致时,就可能发生错误。

滑行输入识别的是在键盘上连续划过的轨迹,而不是一连串独立的点按。系统将经过某个词各字母附近的轨迹与词库中可能的词所对应的轨迹进行比较,识别引擎还会考虑时间信息、方向变化和空间位置的不确定性。实际记录的轨迹通常无法唯一确定一个词,因此语言信息依然十分重要。如果一个词的拼写可以用字母键盘布局上的一条路径来表示,滑行输入就尤其适用;不过,其效果也会受到词汇、键盘布局、动作控制能力,以及是否需要输入标点或生僻词语等因素的影响。

手写识别允许用户直接写出文字的形状。在线识别使用按时间顺序记录的笔或手指坐标,还可能利用抬笔和压力信息;离线识别则分析已经写好的文字图像。时间信息有助于区分在静态图像中外形相似的字形,而基于图像的方法则能适应更多不同的笔顺。对于中文和日文,当用户知道某个字的外形却不知道其读音时,手写输入尤其有用。当字形相似、书写不完整、采用草写形式,或所写的字不在系统支持的字符范围内时,识别仍需要用户选择候选项。

语音识别将声音信号转换为文本,其间存在发音、词语边界、背景噪声和同音词等方面的不确定性。语音听写还必须推断标点符号,有时还要决定如何表示数字、缩略语和外来词。用户可以通过语音命令控制编辑操作,但界面必须区分哪些是命令,哪些是要写入文档的内容。因此,语音并不只是打字的更快替代方式:纠正一处简短的识别错误可能需要单独进行一次交互,而在共享空间、嘈杂环境或涉及隐私的场合,说话也可能并不合适。

无障碍文本输入包括开关扫描、视线选择、停留选择式键盘、替代指点设备,以及语音输入与手动纠错相结合的方式。扫描式键盘依次高亮显示各个选项,使用户只需少量能够可靠完成的操作就能选中字符。预测建议可以减少所需的选择次数,但候选项过多或变化不定,也可能增加视觉和认知负担。要兼容屏幕阅读器,系统必须针对正在组合的输入内容的变化以及候选项焦点,提供有意义的播报。这些问题属于网页无障碍与交互设计的范畴,而不只是识别准确率的问题:即使系统识别准确,如果其控件、时序或反馈与用户的操作方式不匹配,仍然可能无法使用。

性能、隐私与语言覆盖范围

评估输入法时,既要考察输出质量,也要考虑获得这些输出所需付出的操作成本。每分钟字符数和每分钟词数可以衡量输入速率,但进行比较时必须明确计数规则。在许多文本输入研究中,约定的一个“词”是五个字符(包括空格),而不是语言学意义上的词。这一约定有助于某些实验内部的比较,却无法消除不同文字系统之间的差异。一个汉字、一个拉丁字母和一个韩文音节块承载的语言信息,在数量和类型上各不相同,因此,很难直接解读跨语言的原始输入速度排名。

每字符击键数、候选项选择频率、纠错操作和学习时间,可以作为补充指标。形码输入法可能需要大量训练,但熟练用户使用起来会很高效。音码输入法可能更容易上手,但在输入某些词汇时,需要更多消歧操作。首选转换准确率衡量的是第一个候选项正确的频率,而前 kk 项准确率衡量的是所需结果是否出现在 kk 个候选项中。这两个指标都不能完整反映交互成本:从冗长列表中找出一个正确候选项,可能比通过简短、结果可预期的纠错操作获得它更费力。

延迟和稳定性也很重要。如果系统短暂显示一种识别或转换结果,随后又反复替换,即使最终结果准确,也可能打断写作。因此,评估时要区分按键响应时间、生成可用候选项的时间,以及将所需文本提交上屏的时间。仅以抄录预先准备好的句子为基础的测试,可能无法反映原创写作、切换语言或输入姓名及专业术语的实际需求。测试结果还取决于参与者的熟悉程度、输入设备、可用的预测功能,以及测试所涵盖的词汇。

隐私问题源于输入软件在文本到达目标位置之前,就可能接触和处理这些文本。根据平台权限和具体实现,它可能处理私人消息、搜索查询、姓名,以及文档中输入位置前后的内容。本地处理、云端转换、同步和遥测会形成不同的数据隐私状况。加密能够保护传输中的数据,但仅凭加密本身,并不能决定接收服务可以查看、保留或使用哪些内容。安全输入控制措施可能会限制第三方键盘、学习功能或上下文访问,不过具体细节因平台而异。因此,输入法是系统信息安全边界的一部分,而不只是用于改变键盘外观的实用工具。

语言覆盖范围带来了另一组评估问题。某种输入法即使在技术上支持一种文字系统,也可能缺少适用于特定语言、方言或正字法的实用词典。少数语言文本、地域词汇、历史字形和多语言混用表达,在训练数据中可能普遍存在代表性不足的问题。此时,过度依赖频率的预测功能可能会反复优先给出更常见的形式,反而增加纠错负担。用户词典、明确的原样输入模式、可配置的布局,以及由社区维护的开源软件,都有助于扩大实际支持范围。测试这类系统时,不仅要考察某个字符最终能否输入,还要考察普通书写者能否可靠、高效地用自己想用的语言表达。