गुवाहाटी विश्वविद्यालय

१. परिचय: नेपाली भाषाको डिजिटल यात्रा

भारत संवैधानिक भाषा तथा नेपालको आधिकारिक भाषा नेपाली  भारत,नेपाल, भुटान, अमेरिका, भुटान, बर्मा, र विभिन्न प्रवासी समुदायमा गरी करिब ३ करोड २० लाखदेखि ४ करोड मानिसले बोल्छन्। यो भाषा देवनागरी लिपिमा लेखिन्छ। कम्प्युटर प्रविधिको क्षेत्रमा भने नेपालीलाई अझै पनि ‘न्यून-स्रोत भाषा’ (low-resource language) का रूपमा वर्गीकृत गरिएको छ। यसको अर्थ नेपाली बोल्ने मानिस वा साहित्यको अभाव हुनु होइन, बरु अङ्ग्रेजी तथा अन्य केही भाषाको तुलनामा नेपालीका लागि डिजिटल उपकरण र स्रोतसाधन कम उपलब्ध हुनु हो।

विगत दुई दशकमा भाषाविद्, इन्जिनियर र विभिन्न संस्थाहरूले नेपाली भाषाको डिजिटल आधार निर्माण गर्न उल्लेखनीय काम गरेका छन्। नेपालमा भएका प्रयाससँगै नेपाली भारतका २२ वटा अनुसूचित भाषामध्ये एक भएकाले भारतमा पनि यस क्षेत्रमा विभिन्न कार्यक्रम सञ्चालन भएका छन्। अहिले नेपाली भाषाका लागि फन्ट, किबोर्ड, शब्दकोश, अनुवाद प्रणाली, वाणी पहिचान र कृत्रिम बुद्धिमत्तासम्बन्धी उपकरण विकास भएका छन्। यद्यपि, यी उपलब्धिलाई अझ व्यापक, गुणस्तरीय र व्यावहारिक बनाउन धेरै काम गर्न बाँकी छ।

विगत दुई वर्ष (2025–2026) मा नेपाली भाषा प्रविधिको विकासको गति उल्लेखनीय रूपमा बढेको छ। नेपाल र भारत दुवै देशबाट नयाँ ओपन ल्याङ्ग्वेज मोडलहरू, स्पीच सिस्टमहरू, टोकनाइजरहरू र डेटासेटहरू देखा परेका छन्, र दुई देशबीच सरकार-स्तरको सहकार्य सुरु भएको छ। यस लेखमा त्यो यात्राको वर्णन गरिएको छ, बाँकी रहेका प्राविधिक र नीतिगत कमजोरीहरूको विश्लेषण गरिएको छ, र अब के गर्नुपर्छ भन्ने कुराको खाका प्रस्तुत गरिएको छ।

२. नेपालमा नेपाली भाषा प्रविधिको विकास

२.१. प्रारम्भिक चरण: सन २०००–२०१०

नेपालमा सन २००० देखि २०१० सम्मको अवधिमा कम्प्युटरमा नेपाली भाषा प्रयोग गर्न सहज बनाउने कामलाई प्राथमिकता दिइयो। युनेस्को (UNESCO) को सहयोगमा सञ्चालित Font Standardization Project ले युनिकोडसँग मिल्ने नेपाली फन्ट र किबोर्ड ड्राइभरहरू विकास गर्‍यो।

मदन पुरस्कार पुस्तकालयको नेतृत्वमा सञ्चालित PAN Localization Project र Bhasha Sanchar Project मार्फत नेपाली हिज्जे जाँच्ने उपकरण (spell-checker), थिसोरस, Dobhase नामक अङ्ग्रेजी-नेपाली मेसिन अनुवाद प्रणाली, स्टेमर (stemmer), रूपविज्ञान विश्लेषक (morphological analyser), पदवर्ग पहिचान प्रणाली (part-of-speech tagger), पाठलाई आवाजमा रूपान्तरण गर्ने प्रविधि (text-to-speech) र तस्बिरमा रहेका अक्षर पहिचान गर्ने प्रविधि (optical character recognition) विकास गरिए।

यी प्रयासबाट नेपाली राष्ट्रिय कर्पस (Nepali National Corpus) तयार भयो र लिनक्सलाई नेपाली भाषामा प्रयोग गर्न मिल्ने गरी स्थानीयकरण (localisation) गरियो। सन २००४ मा स्थापित काठमाडौं विश्वविद्यालयको सूचना तथा भाषा प्रशोधन अनुसनधान प्रयोगशाला र भाषा प्रविधि केन्द्रले यस कामलाई संस्थागत आधार प्रदान गरे।

२.२. मेसिन लर्निङ र भाषा मोडेलको विकास

सन २०१५ देखि नेपाली भाषा प्रविधिमा मेसिन लर्निङको प्रयोग बढ्न थाल्यो। गुगल र माइक्रोसफ्टले नेपाली भाषालाई आफ्ना प्रविधिमा समावेश गरे र नेपाली भाषा गुगल ट्रान्सलेटमा उपलब्ध भयो।

सन २०२२ मा नेपालीका लागि पहिलो ठुलो भाषा मोडेल NepBERTa सार्वजनिक गरियो। त्यससँगै Nep-gLUE नामक मूल्याङ्कन मापदण्ड (benchmark) पनि सार्वजनिक भयो। सन २०२४ मा अनुसनधानकर्ताहरूले २७.५ GB को कर्पसमा आधारित BERT, RoBERTa र GPT-2 का पूर्वप्रशिक्षित (pre-trained) मोडेलहरू सार्वजनिक गरे। यी मोडेलहरू यसअघि उपलब्ध मोडेलहरूको तुलनामा धेरै गुणा ठुला थिए।

सन २०२५ मा NepaliGPT ले नेपाली भाषामा स्वचालित रूपमा पाठ सिर्जना गर्ने प्रविधिलाई थप अगाडि बढायो। यस अवधिमा वाणी प्रविधि (speech technology) को विकास पनि जारी रह्यो र अक्षर पहिचान गर्ने प्रविधिलाई ऐतिहासिक नेपाल लिपि (Nepal Script) सम्म विस्तार गरियो। पछिल्लो समयमा काठमाडौं विश्वविद्यालयले गुगलको सहयोगमा नेपाली, तामाङ र अङ्ग्रेजी भाषाका लागि त्रिभाषिक मेसिन अनुवाद प्रणाली तयार गरेको छ।

सन् २०२६ मा यसको गति अझै बढ्यो। काठमाडौंमा आधारित ओपन रिसर्च पहल 'हिमाल एआई' (Himalaya AI) ले नेपाली टोकनाइजर (Nep-Tokenizer) र ठुलो देवनागरी प्रि-ट्रेनिङ कर्पोरासहित 'हिमालजीपीटी-०.५बी' (HimalayaGPT-0.5B) सार्वजनिक गर्‍यो। साथै, यसले आफ्नो डेटासेटलाई एक ट्रिलियन टोकनमा विस्तार गर्ने र ३ देखि ८ बिलियन प्यारामिटरका मोडलहरूलाई तालिम दिने योजना पनि घोषणा गरेको छ।

यसबाहेक, 'आर्कियोस' (Arkios) — १५० बिलियन टोकनमा शून्यबाट तालिम दिइएको १.०४ बिलियन प्यारामिटरको द्विभाषी अंग्रेजी-नेपाली मोडल, जसमा देवनागरी-अवेयर टोकनाइजर प्रयोग गरिएको छ — अपाचे-२.० (Apache-2.0) लाइसेन्स अन्तर्गत सार्वजनिक गरिएको छ। अन्य ओपन प्रयासहरूमा करिब १.८५ बिलियन टोकनको नेपाली प्रि-ट्रेनिङ कर्पस 'नेब्रह्मा' (neBrahma) र कस्टम BPE टोकनाइजरहरू प्रयोग गरी तालिम दिइएका GPT-2-आधारित नेपाली मोडलहरू समावेश छन्।

स्पिच (आवाज) को क्षेत्रमा, 'नाम्चे ल्याब्स' (Naamche Labs) ले करिब ६३० घण्टाको अडियोबाट बनाइएको ११ करोड ९० लाख प्यारामिटरको ओपन नेपाली स्पिच-रेकग्निसन मोडल 'कृति' (Kriti) सार्वजनिक गर्‍यो।

अगस्ट २०२६ मा, काठमाडौं विश्वविद्यालयको ILPRL, त्रिभुवन विश्वविद्यालयको केन्द्रीय भाषाविज्ञान विभाग र हिमाल एआई ल्याब्सले नेपाली र नेपालका अन्य भाषाहरूका लागि टेक्स्ट, स्पिच र इमेजसहितको बेन्चमार्क डेटासेटहरू निर्माण गर्न एउटा त्रिपक्षीय सम्झौतामा हस्ताक्षर गरे। यसैगरी, नेपाल सरकारको लागि प्रस्तावित केन्द्रीय ओपन डेटा पोर्टल 'नेपाल एआई संग्रह' (Nepal AI Sangraha) को वकालत गर्न पनि उनीहरू सहमत भएका छन्।

३. भारतमा नेपाली भाषा प्रविधिको विकास

नेपाली भारतका २२ वटा अनुसूचित भाषामध्ये एक भएकाले यसलाई भारत सरकारका भाषा प्रविधिसम्बन्धी कार्यक्रमहरूमा समावेश गरिएको छ। इलेक्ट्रोनिक्स तथा सूचना प्रविधि मन्त्रालयअन्तर्गत सन १९९० को दशकदेखि सञ्चालित Technology Development for Indian Languages कार्यक्रमले नेपालीसहित सबै २२ भाषाका लागि विभिन्न डिजिटल स्रोतसाधन विकास गरेको छ।

यस कार्यक्रमअन्तर्गत युनिकोड फन्ट र किबोर्ड, हिज्जे जाँच्ने उपकरण, अप्टिकल क्यारेक्टर रिकग्निसन, पाठबाट आवाज उत्पादन गर्ने प्रविधि, स्वचालित वाणी पहिचान, मेसिन अनुवाद, भाषिक कर्पस, शब्दकोश र परस्पर सम्बन्धित शब्दहरूको सञ्जाल IndoWordNet तयार गरिएका छन्। यी स्रोतसाधन TDIL Data Centre मार्फत उपलब्ध गराइन्छन्।

यस क्षेत्रमा विभिन्न संस्थाहरूले समूहगत रूपमा सहकार्य गर्दै आएका छन्। उदाहरणका लागि, पुणेस्थित C-DAC को GIST समूहले अङ्ग्रेजीबाट नेपालीमा अनुवाद गर्ने AnglaBharati प्रणाली विकास गरेको छ। यो प्रणाली सरकारी क्लाउडमा राखिएको छ। उक्त समूहले नेपाली भाषालाई समर्थन गर्ने युनिकोड टाइपिङ उपकरण पनि विकास गरेको छ।

३.१. Bhashini र काठमाडौं विश्वविद्यालयबीचको सहकार्य

सन २०२२ मा सुरु गरिएको राष्ट्रिय भाषा अनुवाद मिसन Bhashini (https:// en.wikipedia. org/wiki/ Bhashini) ले अनुसूचित भाषाहरूका लागि वाणी पहिचान, मेसिन अनुवाद, पाठबाट आवाज उत्पादन र अक्षर पहिचानसम्बन्धी प्रविधिलाई एउटै प्लेटफर्ममा उपलब्ध गराउँछ। नेपाली भाषाका लागि पनि यसमा वाणी पहिचान, अनुवाद र वाणी संश्लेषण (speech synthesis) सम्बन्धी मोडेलहरू उपलब्ध छन्। यस प्लेटफर्मले आठ सयभन्दा बढी सरकारी वेबसाइट सञ्चालन गर्न सहयोग पुऱ्याउँछ।

नेपालका लागि विशेष महत्त्वको विकास भनेको Bhashini र काठमाडौं विश्वविद्यालयबीच भएको सहकार्य हो। यसअन्तर्गत नेपाली भाषाका डेटासेट, वाणी कर्पस, वाणीलाई पाठमा रूपान्तरण गर्ने प्रणाली (speech-to-text), पाठलाई आवाजमा रूपान्तरण गर्ने प्रणाली (text-to-speech) र मेसिन अनुवाद संयुक्त रूपमा विकास गर्ने सम्झौता भएको छ। यसले नेपालमा आवाजमा आधारित प्रविधिको विकासका लागि आधार तयार गर्नेछ।

जुन 2026 मा, भारतको डिजिटल इन्डिया BHASHINI डिभिजन र काठमाडौं विश्वविद्यालयको सेन्टर फर डिजिटल पब्लिक इन्फ्रास्ट्रक्चर एन्ड आर्टिफिसियल इन्टेलिजेन्सले बहुभाषिक भाषा प्रविधि र डिजिटल सार्वजनिक पूर्वाधारको संयुक्त रूपमा विकास गर्न एक समझदारी पत्र (MoU) मा हस्ताक्षर गरे। यो सम्झौताले उच्च-गुणस्तरको नेपाली डेटासेट, स्पीच कर्पोरा, स्पीच-टु-टेक्स्ट, टेक्स्ट-टु-स्पीच, मेसिन ट्रान्सलेसन र बहुभाषिक कन्भर्सेसनल AI, साथै संयुक्त अनुसन्धान, तालिम र पाइलट प्रोजेक्टहरूलाई समेट्छ। यसमा भारत-नेपाल क्षेत्रभरिका कम स्रोतसाधन भएका भाषाहरूको भाषिक र साहित्यिक सम्पदालाई डिजिटाइज गर्न सहयोग पनि समावेश छ।

त्यसैगरी, IIT मद्रासको AI4Bharat परियोजनाले IndicTrans2 सार्वजनिक गरेको छ। नेपालीसहित भारतका सबै २२ वटा अनुसूचित भाषालाई समेट्ने यो खुला-स्रोत अनुवाद मोडेल हो। केन्द्रीय भारतीय भाषा संस्थान (Central Institute of Indian Languages) ले पनि नेपाली पाठ तथा वाणी कर्पस र शब्दकोशहरूको महत्त्वपूर्ण सङ्ग्रह तयार गरेको छ।

४. सर्वसाधारणका लागि उपलब्ध नेपाली भाषा प्रविधिका स्रोत

नेपाली भाषा प्रविधिका क्षेत्रमा भएका उपलब्धि अनुसनधान संस्थाहरूमा मात्र सीमित छैनन्। धेरै स्रोतसाधन सर्वसाधारणले अहिले नै प्रयोग गर्न सक्छन्।

४.१. वाणीसम्बन्धी स्रोत

नेपाली भाषाको वाणी पहिचानका लागि आवश्यक करिब १,५७,००० वाक्य समेटिएको ठुलो डेटासेट OpenSLR बाट डाउनलोड गर्न सकिन्छ। गुगलले सङ्कलन गरेका उच्च गुणस्तरका नेपाली पाठबाट आवाज उत्पादन गर्ने (text-to-speech) रेकर्डिङहरू पनि उपलब्ध छन्। यी दुवै स्रोत खुला लाइसेन्सअन्तर्गत उपलब्ध छन्। यसबाहेक, Mozilla Common Voice ले समुदायबाट सङ्कलन गरेको नेपाली वाणीसम्बन्धी तथ्याङ्क पनि उपलब्ध गराउँछ।

केन्द्रीय भारतीय भाषा संस्थानले आफ्नो उच्च गुणस्तरको मानक नेपाली पाठ डेटासेट (gold-standard Nepali text dataset) र नेपाली वाणी डेटासेट उपलब्ध गराउँछ। वाणी डेटासेटमा ३४६ जना वक्ताबाट रेकर्ड गरिएका ४३ घण्टाका वाक्य समावेश छन्। यी सामग्री अनुसनधान तथा शैक्षिक प्रयोजनका लागि निःशुल्क र व्यावसायिक प्रयोगका लागि शुल्क तिरेर प्राप्त गर्न सकिन्छ।

४.२. पाठ, अनुवाद र भाषा मोडेल

पाठ तथा अनुवादका क्षेत्रमा IndicTrans2, IndicCorp र Bharat Parallel Corpus Collection जस्ता ठुला डेटासेट Hugging Face र GitHub मा खुला रूपमा उपलब्ध छन्। त्यहाँ लाखौँ कागजात समेटिएका सामुदायिक नेपाली डेटासेट तथा NepBERTa र NepaliGPT जस्ता नेपाली भाषा मोडेलहरू पनि पाइन्छन्।

भारतको TDIL कार्यक्रमले निःशुल्क भाषा उपकरणहरू समेटिएका CD हरू, नेपाली युनिकोड फन्ट र युनिकोड टाइपिङ उपकरण उपलब्ध गराउँछ। Bhashini ले नेपाली भाषाको वाणी पहिचान र अनुवादका लागि खुला इन्टरफेस प्रदान गरेको छ र यसको डेटा प्लेटफर्म खुला स्रोतका रूपमा सार्वजनिक गरिएको छ। मेटाको FLORES-200 डेटा र NLLB-200 मोडेलमा पनि नेपाली भाषा समावेश छ।

यी स्रोतहरूले नेपाली भाषामा अनुसनधान, अनुवाद, भाषा शिक्षण र कृत्रिम बुद्धिमत्तासम्बन्धी उपकरण विकास गर्न आवश्यक आधार प्रदान गर्छन्।

यस सूचीमा अब नयाँ खुला स्रोतहरू पनि थपिएका छन्: Arkios र HimalayaGPT मोडल वेट्स र टोकनाइजरहरू, Kriti स्पिच मोडल, र neBrahma जस्ता ठुला नेपाली प्रि-ट्रेनिङ कर्पोरा तथा Himalaya AI टोकनाइजर कर्पस। यीमध्ये धेरैजसो Hugging Face मा खुला लाइसेन्स अन्तर्गत उपलब्ध छन्। नेपाली मूल्याङ्कन डेटासेटहरू पनि बढेका छन्, जसमा NLUE बेन्चमार्क र सेन्टिमेन्ट एनालाइसिस तथा इभेन्ट एक्स्ट्र्याक्सन जस्ता विशेष कामका लागि बनाइएका डेटासेटहरू समावेश छन्।

५. नीतिगत मान्यता र प्राविधिक विकासबीचको अन्तर

नेपाली भाषा भारतका २२ वटा अनुसूचित भाषामध्ये एक भएकाले भारत सरकारका भाषा प्रविधिसम्बन्धी कार्यक्रमहरूमा यसले औपचारिक स्थान पाएको छ। Technology Development for Indian Languages कार्यक्रम, TDIL Data Centre, Bhashini, AI4Bharat को IndicTrans2, Central Institute of Indian Languages को LDC-IL corpora र Mozilla Common Voice जस्ता कार्यक्रम तथा स्रोतमा नेपाली भाषा समावेश छ।

यस दृष्टिले नेपाली, हिन्दी, बङ्गला र अन्य अनुसूचित भाषाहरूले राष्ट्रिय कार्यक्रमहरूमा स्थान पाएका छन्। तर नीतिगत मान्यता प्राप्त हुनु र प्राविधिक रूपमा समान स्तरमा पुग्नु फरक कुरा हुन्।

वक्ताहरूको सङ्ख्या, डिजिटल सामग्रीको उपलब्धता तथा भाषा मोडेलहरूको सङ्ख्या र गुणस्तरका आधारमा हिन्दी अन्य भारतीय भाषाभन्दा धेरै अगाडि छ। बङ्गला, तमिल, तेलुगु, मराठी र मलयालमजस्ता भाषामा पनि ठुला कर्पस र प्रशस्त अनलाइन सामग्री उपलब्ध छन्। नेपाली भने तुलनात्मक रूपमा पछाडि छ।

भारतमा नेपाली बोल्ने मानिसहरूको सङ्ख्या करिब २.९ मिलियन छ, जुन भारतको कुल जनसङ्ख्याको करिब ०.२४ प्रतिशत हो। नेपाली बोल्ने मानिसहरू र नेपाली भाषामा लेखिएका सामग्रीको ठुलो हिस्सा नेपालमा रहेको छ, जुन भारत सरकारका कार्यक्रमहरूको प्रत्यक्ष पहुँचभन्दा बाहिर पर्छ।

डिजिटल सामग्रीको परिमाणमा पनि यो अन्तर देखिन्छ। नेपाली विकिपिडियामा करिब तीस हजार लेख छन्, जबकि हिन्दी विकिपिडियामा करिब १,७०,०००, बङ्गला विकिपिडियामा १,८९,००० र तमिल विकिपिडियामा १,८७,००० लेख छन्। अनुवादका उपकरणहरूले पनि हिन्दी वा बङ्गलाको तुलनामा नेपालीका सम्मानसूचक शब्द र उखान टुक्का बुझ्न झन गारो हुने गर्छ।

यस आधारमा नेपाली भाषा प्रविधिको विकासलाई प्रमुख भारतीय भाषाहरूसँग समान स्तरमा पुगेको मान्न सकिँदैन। प्राविधिक विकासको दृष्टिले नेपालीलाई बोडो, डोगरी, कश्मीरी, कोङ्कणी, मैथिली, मणिपुरी, सनथाली र सिन्धीजस्ता भाषासँगै मध्यमदेखि तल्लो तहमा राख्न सकिन्छ। तथापि, नेपालीको एउटा विशेषता के छ भने यसको आफ्नै सक्रिय अनुसन्धान समुदाय छ र यो भारतसँग सरकारी स्तरमा सहकार्य भइरहेको देशको आधिकारिक भाषा पनि हो। यसले नेपाली भाषा प्रविधिमा रहेको अन्तर घटाउन मद्दत गर्न सक्छ। तर आजको मितिसम्म नेपालले नै नेपाली भाषा प्रविधिलाई नेतृत्व दिइरहेको पहल स्तुत्य छ।

६. कृत्रिम बुद्धिमत्ताले नेपाली भाषा किन कम बुझिदिन्छ?

ChatGPT, Cloud, Sarvam (Indian AI), Kimi (chinese ai), DeepSeek (chinese ai) र अन्य कृत्रिम बुद्धिमत्ता (AI) सहायकहरूले नेपाली भाषाबारे किन थोरै जानकारी दिन्छन् र नेपाली सामग्री माग्दा किन कम तथा सतही जवाफ दिन्छन् भन्ने प्रश्न बारम्बार उठ्ने गरेको छ। यसको प्रमुख कारण उपलब्ध डिजिटल सामग्री थोरै हुनु र गुणस्तरको पनि कमी हुनु हो। डिमान्ड बढी छ तर साप्लाई न्यून छ।

यी प्रणालीहरूले डिजिटल रूपमा उपलब्ध टेक्स्ट र वाणीबाट सिक्छन्। अङ्ग्रेजी र हिन्दीमा अर्बौँ शब्द समेटिएका खुला पाठसामग्री उपलब्ध छन्, तर नेपालीमा त्यस्तो सामग्री निकै कम छ। नेपाली विकिपिडियामा करिब तीस हजार लेख मात्र छन्। नेपाली भाषामा लेखिएका धेरै पुस्तक र पत्रपत्रिका अझै डिजिटल स्वरूपमा रूपान्तरण गरिएका छैनन्। पुराना पाठ्यसामग्रीको ठुलो हिस्सा मेसिनले पढ्न नसक्ने नन-युनिकोड फन्टमा सीमित छ।

प्रविधि कम्पनीहरूले प्रायः सबैभन्दा ठुलो र व्यावसायिक दृष्टिले आकर्षक प्रयोगकर्ता समूह भएका भाषालाई प्राथमिकता दिन्छन्। परिणामस्वरूप नेपालीले प्रशिक्षण डेटा, टोकन (tokens) र मोडेललाई थप अनुकूल बनाउने प्रक्रिया (tuning) मा तुलनात्मक रूपमा कम हिस्सा पाउँछ। किनकि नेपालीभाषीले रोमनमा मेसेज लेख्छ्न् तर नेपालीमा लेख्नु पर्ने हो, एउटा कारण यो पनि हो।

यसको प्रभाव नेपाली भाषासम्बन्धी प्रश्नहरूको जवाफमा देखिन्छ। यस्ता प्रश्नको उत्तर दिँदा उपकरणहरूले प्रायः नेपालको विषयमा अङ्ग्रेजी स्रोतबाट प्राप्त जानकारी प्रयोग गर्नु पर्ने हुन्छ वा पर्याप्त आधार नभएमा अनुमानका भरमा जवाफ दिन गर्छन्। त्यसैले यो समस्या नेपाली भाषाको महत्त्व कम भएको कारणले उत्पन्न भएको होइन; मेसिनले पढ्न सक्ने र खुला रूपमा उपलब्ध नेपाली सामग्रीको अभाव यसको प्रमुख कारण हो। मेसिनलाई नेपालीका लागि खप्पिस बनाउन नसक्नु हो।

७. रोमन लिपिमा नेपाली लेख्दा पर्ने नकारात्मक प्रभाव

धेरै नेपालीभाषीले आफ्नो भाषा देवनागरीमा लेख्नुको सट्टा रोमन अक्षरमा लेख्ने गर्छन्। मोबाइल फोन र किबोर्डमा अङ्ग्रेजी भाषा पूर्वनिर्धारित रूपमा उपलब्ध हुनु तथा रोमन अक्षरमा टाइप गर्न सजिलो र छिटो लाग्नु यसका प्रमुख कारण हुन्। नेपाली लेख्न नसिक्नु पनि एउटा कारण हो।

अनौपचारिक कुराकानीका लागि रोमन अक्षरमा नेपाली लेख्नु गलत त होइन भनिराखौँ, तर यो Hinglish वा इन्टरनेटमा प्रयोग हुने रोमन लिपिको अरबी भाषाजस्तै सहज अभिव्यक्तिको एउटा माध्यम हो। तर रोमन अक्षरले नेपालीका सबै ध्वनिलाई स्पष्ट रूपमा प्रस्तुत गर्न सक्दैन। विशेष गरी आकाङ्क्षित र मूर्धन्य व्यञ्जनवर्ण तथा भिन्न स्वरहरूलाई रोमनमा लेख्दा एउटै नेपाली शब्दको हिज्जे फरक-फरक हुन सक्छ। यसले पाठलाई अस्पष्ट र असङ्गठित बनाउँछ। यहाँनेर NLP को पर्याप्त ज्ञान नहुनु हो।

डिजिटल प्रविधिको दृष्टिले अर्को समस्या के देखिन्छ भने भाषा मोडेलले रोमन लिपिमा लेखिएको नेपालीलाई सधैँ नेपाली भाषाका रूपमा पहिचान गर्न सक्दैन। कतिपय अवस्थामा त्यसलाई त्रुटिपूर्ण वा मिश्रित अङ्ग्रेजी पाठका रूपमा बुझेर बेवास्ता गर्न वाध्य हुन्छ अथवा गलत भाषाको श्रेणीमा राख्न सक्छ। मोठमाठमा नेपाली भाषाको डिजिटल शब्दभण्डार (corpus) विस्तार गर्न अपेक्षित रूपमा संरक्षित नहुनु हो।

यसको अर्थ अनौपचारिक रूपमा रोमन लिपिमा नेपाली लेख्नै हुँदैन भन्ने होइन। तर नेपाली भाषाको डिजिटल उपस्थिति शक्तिशाली बनाउन देवनागरी युनिकोडको प्रयोग गर्नु महत्त्वपूर्ण हुन्छ। देवनागरीमा लेखिएको सामग्रीले नेपाली भाषाको डिजिटल भण्डार विस्तार गर्न, भाषा मोडेललाई प्रशिक्षण दिन र कृत्रिम बुद्धिमत्ताको क्षेत्रमा नेपालीको उपस्थिति बलियो बनाउन मद्दत गर्ने गर्छ। त्यसैले भविष्यका कृत्रिम बुद्धिमत्ता प्रणालीहरूले नेपाली भाषाको प्रभावकारी सेवा गरून् भन्ने चाहना राख्ने हुँदा हामी सबैले देवनागरी युनिकोडमा नेपाली लेखेर डिजिटल भाषिक भण्डार बढाउने काम गर्नुपर्छ।

सही प्रतिक्रिया भनेको सबैलाई रोमन अक्षरमा नेपाली लेख्न छोड्न भनेको होइन, बरु दुवै बाटो सँगै अघि बढाउनु हो। पहिलो, देवनागरी इनपुटलाई साँच्चै नै सजिलो बनाउनुपर्छ — राम्रो किबोर्ड, प्रिडिक्टिभ टाइपिङ र ट्रान्सलिटरेसन — ताकि युनिकोड देवनागरीमा लेख्नु अङ्ग्रेजीमा टाइप गरेजत्तिकै छिटो होस्। दोस्रो, भरपर्दो रोमन-देखि-देवनागरी ट्रान्सलिटरेसन बनाउनुपर्छ र ल्याङ्ग्वेज आइडेन्टिफिकेसन तथा ल्याङ्ग्वेज मोडेलहरूलाई रोमनमा लेखिएको नेपाली बुझ्ने गरी बलियो बनाउनुपर्छ, ताकि यसरी लेखिने धेरै प्रयोगहरूलाई खेर जान दिनुको सट्टा समेटेर सफा कर्पसमा परिणत गर्न सक्नुपर्छ। छोटकरीमा भन्नुपर्दा: रोमनमा लेखिएको नेपालीलाई अस्वीकार गर्नुको सट्टा देवनागरीमा रूपान्तरण गऱ्यौँ, र सँगसँगै सार्वजनिक सामग्रीहरूमा देवनागरी युनिकोडलाई प्रोत्साहन दिने गऱ्यौँ।

८. वेबसाइट र सामाजिक सञ्जालमा प्रकाशित नेपाली सामग्रीको उपयोग

नेपाली भाषा देवनागरी युनिकोडमा लेखेर कुनै वेबसाइट, फेसबुक वा इन्स्टाग्राममा प्रकाशित गरियो भने के कृत्रिम बुद्धिमत्ता उपकरणहरूले त्यसलाई चिन्न सक्छन्? यसको उत्तर आंशिक रूपमा सकारात्मक छ, सक्छ पनि सक्दैन पनि। तर सामग्री कहाँ र कसरी प्रकाशित गरिएको छ भन्ने कुराले ठुलो भूमिका खेल्छ।

वेबसाइट, ब्लग, समाचार पोर्टल वा विकिजस्ता खुला सार्वजनिक माध्यममा युनिकोड देवनागरीमा प्रकाशित नेपाली टेक्स्टलाई ठुला पाठसङ्ग्रह तयार गर्ने क्रलरहरू (crawlers) ले सङ्कलन गर्न सक्छन्। यस्ता सङ्ग्रह गरिएको भाषा मोडेलको प्रशिक्षणमा प्रयोग हुन सक्ने भएकाले उक्त सामग्री पनि प्रशिक्षण डेटाको हिस्सा बन्न सक्छ।

फेसबुक, इन्स्टाग्राम र यस्तै सामाजिक सञ्जालमा भने अवस्था केही फरक छ। त्यहाँका धेरै सामग्री क्रलरहरूका लागि खुला हुँदैनन्। कतिपय सामग्री लगइन गरेपछि मात्र हेर्न सकिन्छ, अर्थात् पासवर्ड चाहिने सामग्रीमा AI सोझै प्रवेश गर्न सक्दैन। त्यसैले सामाजिक सञ्जालमा प्रकाशित सबै सामग्री स्वतः AI ले टिप्न सक्दैन।

स्क्रिनसट वा हातले लेखिएको सामग्रीको तस्बिरभित्र रहेको नेपाली पाठलाई पनि AI ले सामान्य पाठसरह सजिलै ठम्याउन सक्दैन। त्यसलाई पढ्नका लागि अप्टिकल क्यारेक्टर रिकग्निसन (OCR) प्रविधि आवश्यक पर्छ, OCR ले देवनागरी पढ्न सके पनि नेपाली भाषाका सन्दर्भमा अझै पर्याप्त रूपमा विकसित भइसकेको अवस्था छैन।

व्यवहारिक रूपमा भन्नुपर्दा, सार्वजनिक वेबसाइटमा देवनागरी युनिकोडमा प्रकाशित नेपाली पाठलाई कृत्रिम बुद्धिमत्ता प्रणालीले चिन्न र टिप्न सजिलो हुन्छ। यद्यपि, खुला वेबसाइटमा प्रकाशित सामग्री पनि अनिवार्य रूपमा सङ्कलन हुन्छ भन्ने ग्यारेन्टी छैन। कुनै क्रलरले सामग्री छुटाउन सक्छ वा भाषा पहिचान प्रणालीले त्यसलाई गलत रूपमा वर्गीकृत गर्न सक्छ। तैपनि खुला वेबमा, आफ्नै लिपिमा र तस्बिरभित्र सीमित नराखी प्रकाशित गरिएको नेपाली पाठले डिजिटल प्रणालीहरूमा समावेश हुने राम्रो सम्भावना राख्छ।

१०. प्राकृतिक नेपालीका लागि द्विभाषिक वर्णनात्मक व्याकरण र व्यावहारिक शब्दकोशको आवश्यकता

नेपाली भाषाको विस्तृत वर्णनात्मक व्याकरण नेपाली र अङ्ग्रेजी दुवै भाषामा तयार गर्नु प्राकृतिक नेपाली भाषा उत्पादन र प्रशोधनका लागि उपयोगी कदम हुन सक्छ। यस्तो व्याकरणमा शब्दका प्रत्यय, वाक्यक्रम, आदरसूचक सर्वनाम, लिङ्ग, वचन, क्रियापदको रूप, अज्ञात भूतकाल, उखान–टुक्का तथा अन्य विशिष्ट भाषिक विशेषतालाई व्यवस्थित रूपमा प्रस्तुत गर्न सकिन्छ। यसले नेपाली भाषाको वास्तविक प्रयोग र संरचनाको स्पष्ट विवरण प्रदान गर्नेछ। साथै, व्यावहारिक शब्दकोश पनि खुला स्रोतमा उपलब्ध हुनुपर्छ। हाल केही नेपाली शब्दकोश खुला स्रोतमा उपलब्ध भए पनि तिनमा प्रविष्टि, अर्थ, हिज्जे र व्याकरणिक विवरणसम्बन्धी त्रुटि पाइन्छन्। भाषा मोडेलले नेपालीका केही विशिष्ट व्याकरणिक संरचना, विशेषतः अज्ञात भूतकालको प्रयोग, सही रूपमा आत्मसात् गर्न नसकेको अवस्था पनि देखिन्छ। यस सन्दर्भमा मैले गुवाहाटी विश्वविद्यालयका तर्फबाट BIS लाई प्रयोगसम्बन्धी तथ्य र जानकारी उपलब्ध गराई पठाएको छु।

कम्प्युटरमा आधारित भाषा मोडेलले विद्यार्थीले व्याकरणका नियम पढेर सिकेजसरी भाषा सिक्दैन; यसले प्रशिक्षण डेटामा देखिने भाषिक ढाँचाबाट भाषा प्रयोग गर्न सिक्छ। तथापि, वर्णनात्मक व्याकरणको महत्त्व कम हुँदैन। यसले भाषिक डेटा सङ्कलन, प्रशोधन, वर्गीकरण र मूल्याङ्कनलाई व्यवस्थित बनाउन सहयोग गर्छ।

यस्तो व्याकरणले डेटा एनोटेसन गर्ने व्यक्तिहरूलाई शब्द, प्रत्यय र व्याकरणिक संरचनाको सही पहिचान तथा वर्गीकरण गर्न मद्दत गर्छ। त्यस्तै, रूपविज्ञान विश्लेषक (morphological analyser), हिज्जे जाँचक (spell-checker) र व्याकरण जाँचक (grammar-checker) जस्ता भाषिक उपकरणको विकासमा पनि यसको उपयोग हुन्छ। यसले अनुवादक र मूल्याङ्कनकर्तालाई मेसिनबाट उत्पादित नेपाली भाषाको शुद्धता, स्वाभाविकता र सन्दर्भअनुकूलता जाँच्न स्पष्ट मापदण्ड प्रदान गर्छ। साथै, मातृभाषीहरूलाई कृत्रिम बुद्धिमत्ता प्रणालीबाट उत्पादित वाक्यहरूको मूल्याङ्कन र सुधार गर्न पनि सहयोग पुर्‍याउँछ।

यस अर्थमा, वर्णनात्मक व्याकरणलाई कृत्रिम बुद्धिमत्ता प्रणालीमा सीधै लागू गरिने नियमपुस्तकका रूपमा मात्र लिनु हुँदैन। यसको मुख्य उपयोग गुणस्तरीय भाषिक डेटा तयार गर्न, प्रभावकारी भाषिक उपकरण विकास गर्न र नेपाली भाषाको स्वाभाविक प्रयोग पहिचान तथा मूल्याङ्कन गर्ने मापदण्ड निर्माण गर्नमा हुन्छ।

विशेष गरी नेपाली र अङ्ग्रेजी दुवै भाषामा तयार गरिएको द्विभाषिक वर्णनात्मक व्याकरण उपयोगी हुनेछ। यसले नेपाली मातृभाषा नभएका अनुसन्धानकर्ता, भाषाविद् र इन्जिनियरहरूलाई नेपाली भाषाको संरचना बुझ्न तथा त्यसअनुरूप प्रविधिगत स्रोतसाधन विकास गर्न सहज बनाउनेछ। साथै, नेपाली भाषाको मौलिक संरचना र प्रयोगलाई आधार मानेर भाषा प्रविधिसम्बन्धी अनुसन्धान अघि बढाउन मद्दत गर्नेछ। हेर्दा सामान्य लाग्ने यस्तो परियोजनाले पनि कृत्रिम बुद्धिमत्तामा नेपाली भाषाको स्वाभाविकता र शुद्धता सुधार गर्न महत्त्वपूर्ण योगदान दिन सक्छ।

द्विभाषिक व्याकरण र व्यावहारिक शब्दकोशसँगै केही अन्य सहयोगी भाषिक स्रोतको विकास पनि आवश्यक छ। वास्तविक वाक्यहरूमा शब्दहरूबीचको व्याकरणिक सम्बन्ध अभिलेख गर्ने डिपेन्डेन्सी ट्रीब्याङ्क (dependency treebank), पर्यायवाची र विलोम शब्दसहित अर्थगत सम्बन्ध समेट्ने विस्तारित नेपाली वर्डनेट (WordNet), सम्मानसूचक स्तर र भाषिक शैलीका लागि स्पष्ट एनोटेसन निर्देशिका तथा उखान–टुक्का र सांस्कृतिक रूपमा विशिष्ट अभिव्यक्तिका व्यवस्थित कर्पस यसका महत्त्वपूर्ण उदाहरण हुन्। यी स्रोतहरूको समन्वित विकास र प्रयोगले नेपाली भाषाको स्वाभाविकतालाई केवल व्यक्तिपरक अनुभूतिमा सीमित नराखी व्यवस्थित रूपमा मूल्याङ्कन गर्न र भाषा मोडेलको प्रशिक्षण तथा सुधारमा उपयोग गर्न सकिने आधार तयार गर्नेछ।

११. टोकनाइजेसन: देवनागरी लिपिको प्राविधिक अवरोध

देवनागरी लिपिले ल्याङ्ग्वेज मोडलहरूका लागि एउटा विशेष र प्रायः बेवास्ता गरिने प्राविधिक बाधा खडा गर्छ। एउटा ल्याङ्ग्वेज मोडलले पहिले पाठलाई टोकन भनिने साना एकाइहरूमा टुक्र्याउँछ। धेरैजसो ठुला मोडलहरूले बाइट-लेभल BPE टोकनाइजेसन प्रयोग गर्छन्, जसको पूर्वनिर्धारित नियमले युनिकोड अक्षरहरूलाई मात्र शब्दको रूपमा लिन्छ र कम्बाइनिङ मार्कहरूलाई बेवास्ता गर्छ। देवनागरीमा, स्वर चिह्न र हलन्त (विराम) कम्बाइनिङ मार्क हुन्, त्यसैले मोडलले हेर्नुअघि नै हरेक स्वर चिह्नले नेपाली शब्दलाई टुक्र्याउँछ। यसको नतिजास्वरूप, अंग्रेजीमा लेखिएको त्यही पाठलाई भन्दा नेपाली पाठलाई धेरै बढी टोकनहरू चाहिन्छ — जसलाई टोकन ट्याक्स भनिन्छ — जुन मोडलको आधारमा लगभग दुईदेखि छ गुणासम्म हुन सक्छ।

यसको समाधान सानो छ: कम्बाइनिङ मार्कहरू समावेश भएको वर्ड क्लास प्रयोग गर्दा यो टुक्रिने प्रक्रियालाई लगभग आधाले घटाउँछ। अनुसन्धानले के पनि पत्ता लगाएको छ भने केही नेपाली BERT टोकनाइजरहरूले नन-स्पेसिंग स्वर चिह्न र हलन्त (विराम)लाई चुपचाप डिलिट गरिदिन्छन्, जुन अकुशल मात्र होइन, गलत पनि हो। सेन्टेन्सपिस (SentencePiece) टोकनाइजेसनले नेपाली बुझ्ने कामहरूमा बाइट-लेभल BPE भन्दा राम्रो प्रदर्शन गरेको देखिएको छ। त्यसैले नेपालीका लागि मोडल बनाउने वा अनुकूलन गर्ने कुनै पनि प्रोजेक्टले पहिले टोकनाइजरको अडिट गर्नुपर्छ: यो सस्तो हुन्छ, र यसले पछिका सबै कुराहरूलाई असर गर्छ — जस्तै ट्रेनिङको लागत, जेनेरेसनको गुणस्तर र मूल्याङ्कन।

१२. डेटा, इजाजतपत्र र डेटा शासन

नेपाली डाटाको भविष्य दुईवटा प्रश्नले तय गर्छ: यसको कति भाग संकलन गर्न सकिन्छ, र यसलाई कुन सर्तमा प्रयोग गर्न सकिन्छ। हाल नेपाली पाठको व्यावहारिक सार्वजनिक भण्डार केही अर्ब टोकन मात्र छ, र हरेक मोडेलको मुख्य बाधा कम्प्युटिङ क्षमता होइन, डाटा हो। त्यसैले डिजिटाइजेसनलाई सार्वजनिक पूर्वाधारको रूपमा लिनुपर्छ: पुराना पुस्तक, पत्रपत्रिका र अन्य आवधिक प्रकाशनहरूलाई नन-युनिकोड फन्टबाट युनिकोडमा रूपान्तरण गर्नुपर्छ, र स्क्यान गरिएका सामग्रीहरूलाई राम्रो अप्टिकल क्यारेक्टर रिकग्निसन (OCR) प्रविधिबाट प्रशोधन गर्नुपर्छ। इजाजतपत्रको कुरा पनि स्पष्ट हुनुपर्छ, किनभने धेरैजसो विद्यमान कर्पोराहरूमा कडा सर्तहरू वा अस्पष्टता छ, जसले अनुसन्धान र व्यावसायिक प्रयोग दुवैलाई रोक्छ; खुला इजाजतपत्र अन्तर्गत साझा भण्डार आवश्यक छ। यसको व्यवस्थापन गर्न एउटा संस्था चाहिन्छ, र प्रस्तावित नेपाल एआई संकलन — एउटा केन्द्रीयकृत खुला डाटा पोर्टल — सही कदम हो, बशर्ते यसले सहमति, स्रोत र गोपनीयताको मापदण्ड कायम राख्छ। अन्त्यमा, भाषिका, शैली र कोड-स्विचिंगको प्रतिनिधित्व हुनुपर्छ, किनभने वास्तविक नेपाली डिजिटल पाठमा नेपाली र अंग्रेजीको धेरै मिश्रण हुन्छ, र ल्याटिन लिपिलाई हटाउने प्रणालीहरूले वास्तविक प्रयोगको ठुलो हिस्सा गुमाउँछन्।

१३. मूल्याङ्कन: नेपाली-केन्द्रित बेन्चमार्क र मानव मूल्याङ्कन

राम्रा मोडलहरूलाई राम्रो मापन चाहिन्छ। Nep-gLUE बेन्चमार्कलाई बारहवटा थप डेटासेटहरूसहित NLUE मा विस्तार गरिएको छ, तर मोडलहरूले अझै पनि गारो कामहरूमा राम्रो प्रदर्शन गरिरहेका छैनन्। यहाँ दुईवटा कुरामा ध्यान दिनु जरुरी छ। पहिलो, स्ट्यान्डर्ड मल्टिपल-चोइस मूल्याङ्कन हार्नेसहरूले सक्षम मोडलहरूलाई पनि नेपालीमा — र अङ्ग्रेजीमा पनि — संयोगले मात्र सही उत्तर दिन लगाउन सक्छन्, जसले गर्दा मोडलमा नेपाली भाषाको क्षमता नै छैन भन्ने गलत निष्कर्ष निस्कन सक्छ; त्यसैले मूल्याङ्कन नेपालीकै लागि डिजाइन गरिनुपर्छ, केवल अनुवाद गरेर मात्र पुग्दैन। दोस्रो, मात्रात्मक स्कोर मात्र पर्याप्त हुँदैन: मातृभाषी वक्ताहरूले बोल्ने प्रवाह, सम्मानसूचक तहको सही प्रयोग, र टुक्काहरूको स्वाभाविक प्रयोगको मूल्याङ्कन गर्नुपर्छ। समाचारका पाठहरूमा मात्र भर पर्नुको सट्टा कानुन, स्वास्थ्य, कृषि र शिक्षा जस्ता क्षेत्र-विशेष मूल्याङ्कन आवश्यक छ।

मोठमाठमा नेपाली भाषा नेपाल र भारतमा मात्र सीमित छैन। यो सिक्किमको आधिकारिक भाषा हो, दार्जिलिङ र पश्चिम बङ्गालका वरपरका पहाडहरूमा व्यापक रूपमा बोलिन्छ, र असममा पनि यसका ठुलो सङ्ख्यामा वक्ताहरू छन्। उपमहाद्वीप बाहिर, नेपाली भाषी समुदायहरू भुटान, म्यानमार र खाडी, अमेरिका, बेलायत तथा अन्य प्रवासी देशहरूमा बसोबास गर्छन्। यी समुदायहरूमा भाषिक विविधता र शब्दावली छ जुन कर्पस निर्माणका लागि मूल्यवान छ, र नेपालीलाई एउटै, एकै रूपको भाषाको रूपमा मात्र हेर्नुको सट्टा कुनै पनि समन्वयात्मक प्रयासमा उनीहरूलाई समावेश गरिनुपर्छ। नेपाल-भारतको ढाँचालाई फराकिलो बनाएर यस्ता समुदाय र संस्थाहरूलाई पनि जोड्ने नेटवर्क बनाइनुपर्छ।

निष्कर्ष: उपलब्ध स्रोतको उपयोग र भावी कार्यदिशा

नेपाली भाषा प्रविधिको क्षेत्रमा विगत दुई दशकमा उल्लेखनीय प्रगति भएको छ। फन्ट, किबोर्ड, शब्दकोश, भाषिक कर्पस, मेसिन अनुवाद, वाणी पहिचान र भाषा मोडेलजस्ता क्षेत्रमा भएका कामले नेपाली भाषाको डिजिटल विकासका लागि आवश्यक आधार तयार गरेका छन्। यीमध्ये धेरै स्रोत सर्वसाधारणका लागि उपलब्ध हुनु सकारात्मक पक्ष हो।

तर नेपाली भाषाको प्राविधिक विकासलाई अझ प्रभावकारी बनाउन पर्याप्त र गुणस्तरीय डेटा सङ्कलन, क्षेत्रीय भाषिका तथा औपचारिक शैलीको प्रतिनिधित्व, प्राविधिक शब्दावलीको मानकीकरण र भाषा मोडेलको नियमित मूल्याङ्कन आवश्यक छ। कानुन, स्वास्थ्य, कृषि र शिक्षाजस्ता क्षेत्रमा नेपाली भाषाका डिजिटल स्रोत विस्तार गर्नुका साथै अनुसन्धानका उपलब्धिलाई सरकारी सेवा, शिक्षण, सञ्चारमाध्यम र दैनिक जीवनमा उपयोग गर्न सकिने बनाउनुपर्छ।

यसका लागि नेपाल र भारतका विश्वविद्यालय, सरकारी निकाय, अनुसन्धान संस्था, भाषिक समुदाय र प्रविधिविज्ञबीच निरन्तर सहकार्य आवश्यक छ। परियोजनामुखी अस्थायी लगानीमा मात्र निर्भर नभई दीर्घकालीन योजना, दक्ष जनशक्ति, खुला मापदण्ड र पर्याप्त आर्थिक स्रोतको व्यवस्था गर्नुपर्छ।

नेपाली भाषाको डिजिटल भविष्य निर्माणमा प्रविधि संस्थाहरूसँगै लेखक, सम्पादक, शिक्षक, विद्यार्थी, प्रकाशक र सामान्य प्रयोगकर्ताको पनि महत्त्वपूर्ण भूमिका हुन्छ। नेपाली सामग्रीलाई देवनागरी युनिकोडमा उपलब्ध गराउने, पुराना पुस्तक तथा पत्रपत्रिकाको डिजिटाइजेसन गर्ने र गुणस्तरीय भाषिक स्रोत निर्माणमा योगदान दिने कार्य यस दिशाका व्यावहारिक कदम हुन्। नेपाली भाषाको डिजिटल आधार तयार भइसकेको छ; अब त्यसलाई अझ बलियो बनाउँदै नेपालीलगायत अन्य भाषाहरू पनि डिजिटल युगमा पछाडि नपरून् भन्ने सुनिश्चित गर्नु हाम्रो साझा जिम्मेवारी हो।

भविष्यमा नेपाली भाषा प्रविधिको विकास र प्रभावकारी उपयोगका लागि निम्नलिखित ठोस कदमहरू प्राथमिकतामा राख्नुपर्छ।

(१) डेटा, कर्पस र टोकनाइजेसन: साझा तथा खुला इजाजतपत्रमा उपलब्ध नेपाली भाषाको कर्पस निर्माण गर्नुपर्छ। यसका लागि छापिएका सामग्रीलाई डिजिटाइज गर्ने, गैर-युनिकोड फन्टलाई युनिकोडमा रूपान्तरण गर्ने, अप्टिकल क्यारेक्टर रिकग्निसन (OCR) प्रयोग गर्ने तथा बोलीसँग मिसिएका अन्य भाषाका शब्द र स्थानीय लवजलाई समेत समेट्ने कार्य  गर्नु आवश्यक छ। वर्तमान सन्दर्भमा Nepal AI Sangraha जस्ता पोर्टलमार्फत यस्ता स्रोतको सङ्कलन र व्यवस्थापनलाई संस्थागत बनाउन सकिन्छ। साथै, देवनागरीको संरचनाअनुकूल टोकनाइजेसन प्रणाली मानकीकरण गर्नुपर्छ, जसले संयुक्त अक्षर र अन्य संयोजक चिह्नको सही प्रतिनिधित्व गर्दै स्वरचिह्न तथा हलन्त (विराम) लाई अनावश्यक रूपमा हटाउँदैन। यस्तो मानकलाई नेपाली भाषा प्रशोधन गर्ने विभिन्न मोडेलमा अपनाउन प्रोत्साहित गर्नुपर्छ।

(२) भाषा मोडेल, वाणी प्रविधि र भाषिक स्रोत: खुला आधारभूत भाषा मोडेल तथा वाणी प्रविधिको विकास र निरन्तरतामा जोड दिनुपर्छ। स्थानीय वक्ताबाट परीक्षण गरिएका निर्देशन, प्राथमिकता र प्रतिक्रियामा आधारित डेटालाई मोडेल सुधारका लागि उपयोग गर्नुपर्छ। नेपाली भाषाको प्रवाह, शैली, मुहावरा र टुक्काको प्रयोग मूल्याङ्कन गर्न मानवीय परीक्षणसहितका नेपालीमैत्री बेन्चमार्क विकास गर्नुपर्छ। यसका अतिरिक्त, द्विभाषी वर्णनात्मक व्याकरण, व्यावहारिक शब्दकोश, ट्री-ब्याङ्क, वर्डनेट (WordNet), सम्मानसूचक शब्द प्रयोगका नियम तथा झर्रा शब्द र उखान-टुक्काका व्यवस्थित कर्पस निर्माण गर्नुपर्छ।

(३) पहुँच र प्रयोगमा सहजता: नेपाली भाषाको डिजिटल प्रयोगलाई सहज बनाउन देवनागरी इनपुट प्रणाली सुधार गर्नुपर्छ। रोमन लिपिमा नेपाली लेख्ने प्रयोगकर्ताका लागि प्रभावकारी लिप्यन्तरण सुविधा विकास गर्नुका साथै प्राविधिक ज्ञान कम भएका व्यक्तिले पनि सजिलै प्रयोग गर्न सक्ने उपकरण निर्माण गर्नुपर्छ।

(४) संस्थागत सहकार्य र दीर्घकालीन लगानी: नेपाली भाषा प्रविधिको विकासलाई अल्पकालीन परियोजना र अनुदानमा मात्र सीमित राख्नु हुँदैन। दीर्घकालीन आर्थिक सहयोग, संस्थागत उत्तरदायित्व, दक्ष जनशक्ति र आफ्नै कम्प्युटिङ क्षमता विकासमा जोड दिनुपर्छ। सिक्किम सरकारले नेपाली भाषा प्रविधिको अनुसन्धान, विकास र विस्तारका लागि विशेष पहल गर्न सक्छ। नेपाल र भारतका सम्बन्धित संस्थाबीच सहकार्य विस्तार गर्नु पनि उत्तिकै आवश्यक छ।

(५) व्यावहारिक प्रयोग र सेवा विस्तार: नेपाली भाषा प्रविधिलाई सरकारी सेवा, शिक्षा, स्वास्थ्य र कृषिजस्ता क्षेत्रमा प्रयोगमा ल्याउनुपर्छ। विशेष गरी कम पढेलेखेका वा डिजिटल उपकरण प्रयोग गर्न कठिनाइ हुने व्यक्तिका लागि आवाजमा आधारित उपकरण र सेवाको विकास उपयोगी हुनेछ। यसबाट नेपाली भाषामा सूचना प्राप्त गर्ने, सेवा उपयोग गर्ने र डिजिटल माध्यममा सहभागिता जनाउने अवसर विस्तार गर्न सकिन्छ।

(६) साझा जिम्मेवारी र सहभागिता: नेपाली भाषा प्रविधिको विकास अनुसन्धानकर्ता, विश्वविद्यालय, सरकार, प्रविधि कम्पनी, लेखक, सम्पादक, शिक्षक, विद्यार्थी र सामान्य प्रयोगकर्ताको साझा जिम्मेवारी हो। सबै पक्षले आ-आफ्नो क्षेत्रबाट योगदान दिएमा नेपाली भाषाका डिजिटल स्रोत समृद्ध हुनेछन् र प्रविधिको प्रयोग पनि व्यापक बन्नेछ। यसरी सहकार्य, निरन्तर लगानी र व्यावहारिक उपयोगलाई प्राथमिकता दिन सकेमा नेपाली भाषाले डिजिटल युगमा आफ्नो स्थान अझ सुदृढ बनाउन सक्नेछ।

सन्दर्भ-सहायक सामग्री

1. Bal, Bal Krishna. 2009. “Towards Building Advanced Natural Language Applications: An Overview of the Existing Primary Resources and Applications in Nepali.” Proceedings of the 7th Workshop on Asian Language Resources (ALR7), Association for Computational Linguistics. https://aclanthology.org/W09-3424/

2. Information and Language Processing Research Lab (ILPRL), Department of Computer Science and Engineering, Kathmandu University. https://ilprl.ku.edu.np/

3. Gautam, Milan; Timilsina, Sulav; and Bhattarai, Binod. 2022. “NepBERTa: Nepali Language Model Trained in a Large Corpus.” AACL-IJCNLP 2022. https://aclanthology.org/2022.aacl-short.34/

4. Thapa, Prajwal; Nyachhyon, Jinu; Sharma, Mridul; and Bal, Bal Krishna. 2024. “Development of Pre-Trained Transformer-based Models for the Nepali Language.” arXiv:2411.15734.

5. Nyachhyon, Jinu; Sharma, Mridul; Thapa, Prajwal; and Bal, Bal Krishna. 2024. “Consolidating and Developing Benchmarking Datasets for the Nepali Natural Language Understanding Tasks.” arXiv:2411.19244.

6. “NepaliGPT: A Generative Language Model for the Nepali Language.” 2025. arXiv:2506.16399.

7. Nakarmi, Swornim; Sthapit, Sarin; Shakya, Arya; Chulyadyo, Rajani; and Bal, Bal Krishna. 2024. “Nepal Script Text Recognition Using CRNN CTC Architecture.” SIGUL at LREC-COLING 2024. https://aclanthology.org/2024.sigul-1.29/

8. “KU Completes Google-Funded Trilingual AI Translation Project for Nepali, Tamang and English.” Techpana, June 2026. https://techpana.com/

9. Technology Development for Indian Languages (TDIL) Programme and the TDIL Data Centre, Ministry of Electronics and Information Technology (MeitY), Government of India. https://tdil-dc.in/

10. National Language Translation Mission (NLTM), MeitY, Government of India. https://tdil-dc.in/nplt/

11. Bhashini – National Language Translation Mission, Government of India. https://bhashini.gov.in/

12. Bhashini APIs: “Available Models for Usage.” https://dibd-bhashini.gitbook.io/bhashini-apis/available-models-for-usage

13. “India, Nepal sign MoU to develop AI-powered multilingual language platform.” DD News, 2026. https://ddnews.gov.in/en/india-nepal-sign-mou-to-develop-ai-powered-multilingual-language-platform/

14. Centre for Development of Advanced Computing (C-DAC), “Multilingual Computing and Heritage Computing.” https://www.cdac.in/

15. C-DAC, “Graphics and Intelligence based Script Technology (GIST).” https://www.cdac.in/index.aspx?id=gistidx

16. AI4Bharat, Indian Institute of Technology Madras. https://ai4bharat.iitm.ac.in/

17. Gala, Jay; Chitale, Pranjal A.; Raghavan, A. K.; and others. 2023. “IndicTrans2: Towards High-Quality and Accessible Machine Translation Models for all 22 Scheduled Indian Languages.” arXiv:2305.16307. Models: https://huggingface.co/ai4bharat

18. Linguistic Data Consortium for Indian Languages (LDC-IL), Central Institute of Indian Languages (CIIL), Mysuru. https://ldcil.org/ and https://data.ldcil.org/

19. Bharatavani, Central Institute of Indian Languages, Mysuru. https://bharatavani.in/nepali/dictionaries

20. Kjartansson, Oddur; Sarin, Supheakmungkol; Pipatsrisawat, Knot; Jansche, Martin; and Ha, Linne. 2018. “Crowd-Sourced Speech Corpora for Javanese, Sundanese, Sinhala, Nepali, and Bangladeshi Bengali.” SLTU 2018. Data: OpenSLR-54, https://openslr.org/54/ and OpenSLR-43, https://openslr.org/43/

21. Mozilla Common Voice. https://commonvoice.mozilla.org/

22. Guzmán, Francisco; Chen, Peng-Jen; Ott, Myle; and others. 2019. “The FLORES Evaluation Datasets for Low-Resource Machine Translation: Nepali–English and Sinhala–English.” EMNLP-IJCNLP 2019. (FLORES-200 and FLEURS, Meta.)

23. “Nepali Wikipedia.” Wikipedia. https://en.wikipedia.org/wiki/Nepali_Wikipedia (article counts as of September 2026).

24. Office of the Registrar General and Census Commissioner, India. Census of India 2011: distribution of the 22 scheduled languages (Nepali: 2,926,168 speakers). https://censusindia.gov.in/

25. “Google Translate struggling with translating Nepali to English.” 2025. Tribhuvan University Journal. https://doi.org/10.3126/taj.v4i1.88191

26. Language Commission Nepal (भाषा आयोग). https://languagecommission.gov.np/

27. Madan Puraskar Pustakalaya, Patan Dhoka, Lalitpur, Nepal. https://madanpuraskar.org/

28. Language Technology Kendra (LTK), Patan Dhoka, Lalitpur, Nepal. https://ltk.org.np/

29. Regmi, Sajal; Pudasaini, Siddhartha; and Pun, Chetan Phakami. 2026. “Arkios: An Open Bilingual English–Nepali Language Model Trained From Scratch, with a Devanagari-Aware Tokenizer.” arXiv:2608.30092. https://arxiv.org/abs/2608.30092

30. Himalaya AI. HimalayaGPT-0.5B, Nep-Tokenizer and Devanagari pre-training corpora. https://himalayaai.org/

31. Naamche Labs. 2026. “Kriti: An Open Nepali Speech Recognition Model.” Kathmandu. https://github.com/

32. TechPatra. 2026. “Nepal AI Sangraha: KU, TU and Himalaya AI Labs Sign Agreement to Develop Benchmark Datasets.” https://techpatra.com/

33. Press Information Bureau (PIB), Government of India. 2026. “MoU between the Digital India BHASHINI Division (MeitY) and Kathmandu University’s DPI-AI Centre.” https://www.pib.gov.in/

34. Luitel, Nishant; Bekoju, Nirajan; Sah, Anand Kumar; and Shakya, Subarna. 2025. “Can Perplexity Predict Finetuning Performance? An Investigation of Tokenization Effects on Sequential Language Models for Nepali.” Proceedings of GEM², ACL. https://aclanthology.org/2025.gem-1.21/