Saṅgītaratnākara, texte OCR

Les scans de l’édition d’Adyar du Saṅgītaratnākara de Śārṅgadeva (XIIIᵉ siècle), avec le commentaire Sudhākara de Siṃhabhūpāla, sont sur archive.org ; ce dépôt en réunit le texte, un fichier par volume, pour qu’on puisse y chercher et le traiter. Sa limite principale : c’est un OCR brut, pas une édition critique ; le texte garde les erreurs de lecture et les marques d’impression, et une citation se vérifie toujours sur l’imprimé.

Pas de démo : ce sont des fichiers texte, lisibles directement dans le dépôt.

Un fichier par volume, dans l’ordre des pages

Fichier	Volume	Chapitres (adhyāya)	Année	Origine du texte
vol1_ocr.txt	1	I, Svaragata	1943	OCR d’archive.org
vol2_archiveorg_ocr.txt	2	II à IV, Rāgaviveka, Prakīrṇaka, Prabandha	1944	OCR d’archive.org
vol2_custom_ocr.txt	2	les mêmes	1944	OCR refait pour ce dépôt
vol3_ocr.txt	3	V et VI, Tāla, Vādya	1951	OCR d’archive.org
vol4_ocr.txt	4	VII, Nartana	1953	OCR d’archive.org

Le volume 2 existe en deux lectures. La seconde, faite avec Tesseract 5.3.4 et son modèle sanskrit, marque chaque page (=== PAGE N ===, 380 marques) et s’accompagne de vol2_metadata.json, qui repère les 22 śruti, les 15 gamaka, les grāma, et les pages du catalogue des rāga et des tāla. Le README conseille la lecture d’archive.org pour citer, la seconde pour retrouver une page.

Commencer

git clone https://github.com/roomi-fields/sangitaratnakara-ocr.git
cd sangitaratnakara-ocr
grep -n "रागाङ्ग" vol2_custom_ocr.txt

La recherche de rāgāṅga rend 19 lignes, et la marque de page qui précède chacune situe le passage. Relancé le 28 septembre 2026. La première ligne trouvée montre aussi la limite : « भाषा रागाङ्गाणि माषाङ्गाणि क्रियाङ्ाप्युपाङ्गानीति », où माषाङ्गाणि est une mauvaise lecture de भाषाङ्गाणि.

Ce qu’il fait

• Donner le texte des quatre volumes, environ 6,6 Mo, le sanskrit et son commentaire.
• Situer chaque passage du volume 2 dans sa page, par les marques de page.
• Fournir la chaîne de lecture du volume 2 : extract_sangitaratnakara.py, sous licence MIT, réutilisable pour un autre texte sanskrit.

Problèmes courants

Des erreurs de lecture. Les ligatures denses et le sandhi produisent des fautes, comme dans l’exemple ci-dessus. Pour le volume 2 refait, 375 pages sur 380 ont du texte, et 73,6 % des 431 310 caractères lus sont en devanāgarī : c’est la part d’écriture reconnue comme telle, pas un taux d’exactitude.

Des tampons de bibliothèque en tête. Les cinq premières pages environ des volumes 1, 3 et 4 portent des tampons et des pages de garde de bibliothèque, à retirer pour un texte propre.

La chaîne du volume 2 est très lente. Sans OMP_THREAD_LIMIT=1, Tesseract, lancé en parallèle, devient environ douze fois plus lent.

Deux descriptions ne suivent plus le contenu. Le fichier LICENSE nomme des fichiers qui ont été renommés depuis, et GitHub affiche une licence « Other » ; la description du dépôt ne parle que du volume 2. Le README fait foi : texte et métadonnées sous CC BY-SA 4.0, script sous MIT.

Où il en est

Archivé sur GitHub, en lecture seule ; le contenu a été publié en une journée, le 3 mai 2026.

Ce qui n’est pas fait : le découpage du texte en fiches, un rāga, un tāla ou un karaṇa à la fois ; le nettoyage des tampons ; la comparaison avec l’autre recension, celle que commente Kallinātha dans le Kalānidhi. Selon son README, ce texte alimente le projet ICM.

Dépôt · Volume 1 sur archive.org · Volume 2 · Volume 3 · Volume 4

Merci à l’Adyar Library and Research Centre et à S. Subrahmaṇya Śāstrī, éditeur de ces quatre volumes, à archive.org, qui en conserve les scans, et au projet Tesseract pour ses modèles sanskrits.