U
​ G Council Research Project Proposal 

(​ NLP for Northeast) 

 
Speech  Enabled  Bilingual 
Machine  Translation  System  For 
English-Assamese using NLP and 
Deep Neural Networks 
 

 
 

 
 1 
 

​GROUP DETAILS 

S.No  Name of Students  Scholar-  Semester  Email  Phone No  CPI 

ID 

1.  Sachin Rai  17-14-077  5th  raisachin416@gmail.com  8960575303  7.60 

(Project Leader) 

2.  Saumya Garg  17-14-078  5th  saumyagarg2299@gmail.com  9101331273  8.11 

3.  Shreya Sinha  17-14-123  5th  shreyasinhajorhat@gmail.com  9435156796  8.38 

 
 2 
 

Broad View 
Natural Language Processing. 

Summary of the Proposal 

Language  is  an  indispensable  communication  media  for  all  human  beings.  The  languages  which  are 
prominently  used  by  humans  for  speaking  and  establishing  communication  are  called  human  languages 
or n
​ atural languages​.  

Natural-language  processing  (NLP)  technology  possesses  the  skills  to  turn  text  or  audio  speech  into 
encoded,  structured  information,  based  on  an  appropriate  ontology.  The  structured  data  may  be  used  to 
identify discovery, conduction, medications, sensitivities and participants. 

The  Project  will  attempt  to  translate  English  text  and  speech  to  Assamese  and  vice  versa  along with the 
vocalized  feature  of  the  translated  text  for  the  user  either  typing  the  input  text  or  speaking  the contents 
through  a microphone. Various efforts have already been made in the development of machine translation 
from  English  to  various  North-eastern  languages  including  Assamese  however,  the  field  is  still 
developing.  Existing  methods  are  not  up  to  the  mark  as  it  can  be  more  user-friendly  or  available  to  the 
mass. 

  NLP  is  an  interesting  area  which  deals  with  the  interactions  between  computers and natural languages. 
It  is  used  to  design  and  draft  computer  programs  that  will  analyze,  understand  and  fabricate  speech  or 
text  of  natural  languages[1].  At  present,  it  is  a  very  popular  research task in the field of computer science 
that explores how computers are able to understand and influence text or speech of natural language to do 
beneficial  things[2].  A  large  number  of  various  applications  of  natural  language  processing  have  already 
been developed across the globe as well as in India. 

In  this  project,  we  will  be  focusing  on  Machine  Translation  along  with  a  feature  similar  to  the 
text-to-speech  function  in  Google  Translate  using  corpora from various sources and develop methods 
for  making  it  more  computationally  efficient  and  modular  so  that,  it  has  a  greater  outreach  and  is 
much  more  convenient  for  users(people  who  only  speak  this  language  or  do  not  speak  it  at  all  or 
people  who  are  between  these  two  extremes).  This  includes  evaluating  and  extending  existing 
methods and developing new ones such as making it vocal​. 

Origin of the Proposal 

 
North-East  is  one  of  the  most  grammatically  and  traditionally  diverse  regions  of  India.  It  is  one  of  the  least 
explored  parts  of  our  country.  There  is  a  huge  communal  diversity  in  this  area,  as  a  result,  various languages are 
spoken  in  this  region.  A  language  act  as  a  platform  amongst  the  people  and  help  in  establishing  a  bond  among 
them.  There  are  about  225  languages  spoken  in  this  small  autochthonous  region  which  is  indicative  of  the  fact 
that why North East is also known as the multilingual and multicultural region of India. 
 
 3 
 

When  we  joined  this  institute,  we  observed  that  few  students  who  are  the  natives  of  this  region  were  not  well 
acquainted  with  the  languages  like  English  or  Hindi  which  are  commonly  spoken  in  other  parts  of  the  country, 
thus  facing  some  serious  dialogue  problems.  As  a  group  of  machine  learning enthusiasts, we have always wanted 
to apply our knowledge and understanding with the subject on real-life and day-to-day problems. 
Let’s now look at a much broader aspect which is in line with this fast-growing world. 
 
According  to  a  survey,  done  by  research  firm  ​Common  Sense  Advisory  [22]​,  on  more  than  3,000  global 
consumers  in  10  non-Anglophone  countries  in  Europe,  Asia,  and  South  America​,  nearly  3/4th  of  the 
consumers  spend  majority  of  their  time on sites in their own language and 72.4 % say they would be more 
willing to buy a product with contents in their own language. 
This  is  an  illustration  of  the  general  online  shopping  trend  and  a  requirement  for  customized  search 
results according to the customers need. 
  
With  the  help  of  ​machine  translation​,  one can experience more personalized search results which would 
surely  benefit  a consumer as it increases the satisfaction. As far as retailers are concerned, the application 
of  machine  translation  will  just  be  the  way  to  reach  and  engage  those  consumers  who  only  ever  buy 
products available in their native language. 
This  one  buildout  will  change  the  course  of  the  current  system  since  language  barriers  have  been  an 
inevitable hiccup to e-commerce since time immemorial. 

Thus,  we  searched  for  an  online  machine  translator  from  English  to  Assamese  as  it  could  be  the  best 
possible  solution  to  the  above  mentioned  problems, but the results were not satisfying as the process was 
in  its  budding  phase.  At  that  moment,  we  all  felt  an  urge  to  build  a  machine  translation  system  with  a 
feature of text-to-speech translation. 
 
And  when  the  announcement  was  made  regarding  ​the  submission  of  project  proposals  under  the  UG Council​, 
we  were  delighted  to  be  presented  with  an  opportunity  to use our skills to the best of our abilities. Thus, we zeroed 
down  on  the  idea  of  using  Natural  Language  Processing  (NLP),  an  interdisciplinary  research  area  of  machine 
learning along with machine translation a process to translate text or speech in one language to another. 
 
 

Review  of  the  status  of  Research  and  Development  in  the 
subject 
Machine  Translation  (MT)  is  the  automatic  translation  of a large amount of text from a particular natural 
language  to  another  natural  language  using  computers.  It  is  one  of  the  most  critical  application  and 
challenging  research  task  in  NLP  and  was  the  first  application  of  computer-related applications to NLP. 
In  India,  it  was  comparatively  new  and  made  progress  from  1980  onwards  in  institutions  like  IIIT 
Hyderabad,  IIT  Bombay,  IIT  Kanpur,  NCST  Mumbai,  University  of  Hyderabad,  The  Technology 
Development  for Indian Languages (TDIL), Centre for Development of Advanced Computing (CDAC) and 
Ministry  of  Communications  and  Information  Technology  are  also  playing  a  pivotal  role  in  developing 
the MT systems[4]. 

The  applications  of  MT  in our country has appealed a high level of interest. Numerous systems have been 

developed  to  translate  English  to  Hindi,  Urdu,  Tamil,  Punjabi  and  Bengali.  Some  of  the  most  popularly 
used Statistical Machine Translation Systems are mentioned below: 
 4 
 

  (1)  ​Google  Translate​:  Google  Translate  is  a  multilingual  Statistical  Machine  Translation  Service  by 
Google.  Although  Google  Translate  helps  in  direct  machine translation to most of the other languages, it 
uses  a  different  approach  for  languages  where  L→L  translation  could  not be done. In those cases, instead 
of  translating  from one language to another (Language 1 → Language 2), it translates the language initially 
to  English  and  then  to  our target language (Language 1 → ENGLISH → Language 2). Presently, it supports 
64  languages  which  do  not  include  Assamese  or many other North-east languages neither via text nor via 
speech. 

(2)  ​English  to  Assamese  Machine  Translation  System​:-  An  English  to  Assamese  Machine  Translation 
system  is  currently  under  progress  (Sudhir  et  al, 2007). The following actions are undertaken to make this 
possible: 

•  Re-designing  the  graphical  user  interface(GUI)  of  the  MT  system  (modifications  have  been  done using 
JAVA modules) which allows the display of Assamese text.  

• The Assamese keyboard is mapped with that of a Roman keyboard.  

•Development  of  the  process  of  entering  Assamese  words  (equivalent  of  English  words)  in  Lexical 
database. 

They  basically  used  a  rule-based  approach  which  relied  on  a  bilingual  English  to  Assamese  dictionary. 
The  generation  of  Assamese  text  from  English text using the dictionary is considered a major step in this 
MT. Information about the English lexeme and all of its Assamese equivalents is provided with each entry 
in  the  dictionary.  The  dictionary  is  annotated  for  morphological,  syntactic,  and  partially  semantic 
information.  Presently  it  helps  in  translation  of  simple  sentences  from  English  to  Assamese.  The 
dictionary has nearly 5000 root words. By means of the bilingual dictionary lookup, it uses MT to translate 
source language texts to the target language texts. 

Aforementioned  are  the  recent  projects  in  the  field  of  machine  translation  that  has  been  carried  out  in 
our  country  but,  as  we  can  see  that  most  of  the  work  is  usually  based  on  ​text-based  translation system​; 
with  the  ​additional  feature  of  speech-enabling  it  could  really  be a ​boost in lack of pace in the supply of 
technical translators​ in the classic ​“law of supply and demand”​. 

   

Importance  of the Proposed project in the context of the 
current status 
 
There  is  no  universal  language  in  this world and anywhere the diversity is cherished is the ground for the 
seamless translation. Language barrier should not be an impediment in securing communication which in 
this  ever-growing  world  can  be  a  myopic  benefit  of  machine  translation.  In  a  more  comprehensive view, 
there can be a whole lot of benefits that can be extracted according to human needs. 
 
Let’s  now  take  the  case  of  Assam,  a  North-Eastern  state  in  India  where  we  are  predominantly  focusing. 
The  literacy  rate  is  about 72.19% according to 2011 census. This gives us a fair bit of estimation that ​more 
than  a  quarter  of  natives  of  Assam  cannot  read  and  write  properly.  When  we  analyze  the  situation  of 
female  literacy,  it  plummets  down  to  66.27%.  Nearly  ​a  third  of  the  female  population analphabetic says 
the underlying situation. 
 5 
 

  
This  largely  hampers  the  development  of  illiterate  people  as  they  hail  from  the  economically  weak 
background  because  there  are  many  government policies/schemes which are launched just for the sake of 
such  people;  and  just  because  of  the  lack  of  basic  skills,  they  are  getting  even  more  disabled.  Thus with 
the  assistance  of  machine  translation,  anything  written  or  spoken in English can be translated to the 
language  from  which  they  can  grasp  the  knowledge  and  information  provided.  With  the  help  of  this 
proposed system, the translation made can even be vocalized which makes it even much better. 
 
Speech  recognition  is  an  engineering  technology  that  is flourishing. There are hundreds of people in this 
state  who  are  victims  of  various  disabilities,  many of them are unable to see or use their hands effectively 
but  with  the  help  of  our  proposed  model  they  can  not  only  share  information  with  other  people 
through  voice  input  but  also  in  a  translated  form  that  will  be  understood  by  the  other  person.  Our 
project  will  possess  the  capability  to  recognize  speech(convert  the  input  audio  into  text)  converting 
into English or vice-versa and if needed speak out the translated text.   
 
Our  proposed  can  contribute  significantly  towards  the  growth  of  trade  on  a local level, national level 
or  sometimes  even  globally.  This  may  sound  a  bit  too  much  but  probably  rings  true  to  the  majority  of 
global  business  leaders  who  face  an  almost  unimaginable  range  of  problems  arising  when  a  buyer  and 
seller  are  not  able  to  have  a  direct  conversation[11].  The  indication  is  quite  clear.  As  ​machine  learning 
cracks down the language barrier between extensive languages, world trade flows should see a rise. 
  

Work Plan 
Our  Project  will  be  broken  in several parts before assembling and delivering the final model. The 1st part 
governs  the  Machine  Translation(MT)  after  that  we  will  look  forward  to  speech-to-text  conversions  and 
vice versa.  

A.) Methodology detailing stepwise activities and sub-activities 

1. Corpus Preparation:-  
A  corpus  is  an  assortment  of  the  drafted  content  in  linguistics  research,  used  to  perform 
statistical  inspection  and  hypothesis  examination.  Our  corpus  will  consist  of  parallel  text  in 
English and Assamese. A fragment of the corpus is shown in the following example. 

Lallgarh Palace was the most completely বাৰত-আৰাকান বা মযৰ আত সু ৰ সভাহাৰৰ  

integrated example of Indo-Saracenic architecture. উৎকৃ ননদযন হʼল এই লালগড় সাদ।   

Generally used Tools for Implementation are Moses[13], Giza++[14], IRSTLM[15], BLEU[13][17]. 

2. Preparing Data for Training:- 

Some  tasks  need  to  be  performed  pre-training  the  data.  Data  has  to  be  prepared  to  train  the 
translation system. The following steps are performed: 

● Tokenizing​:  The  tokenization  of  the  data  has  to  be  done  so  that  spaces  are  embedded 
between words and punctuation[13]. 
 6 
 

● Truecasing​:  In  order  to  set  the  casing  of  the  first  word  in  every  sentence  we  have  to 
truecase the data[13]. 
● Cleaning​:  The  last  step  is  to  clean  the  data  i.e.  clear  away  vacant  lines, additional spaces, 
punctuations and some lines that are either too short or too long[13]. 

After performing the aforementioned steps we would be able to train our translation model.  

3. The architecture of SMT:- 

Statistical  Machine  Translation  system  needs  a parallel corpus of source and target language pair 

to  translate sentences from source to target language. It consists of three main components of the 
SMT system[12] – 

1. Language Model(LM)​:- The probability of target language sentences is computed. 

2. Translation  Model(TM)​:-  The  probability  of  target sentences is calculated given the source 
sentence and the Decoder maximizes the probability of the translated text. 
3. Decoder​:- The probability of the translated text is maximized. 

Block Diagram of Architecture of SMT System in Fig.1. 

Post Machine Translation Process we will perform Transliteration for noun translations. 

4. Transliteration:-  

As  the  availability  of  corpus  will  be  very  small,  it  will  be  difficult  to  cover  all  the  words.  Words 
that  are  not present in our corpus like some proper nouns, i.e. names of people, places etc. are not 
translated.  So  the  transliteration  system  is  introduced  into  our  SMT  system.  In  transliteration, a 
character  is  mapped  automatically  from  one  language  with  the  character  from  another  language 
such that the pronunciation of the original source word is preserved. For example, 

(k-u-m-a-r) ->ক-◌ুু ম-◌ু ় া-ৰ 

A  Perl  script  is  used  to  retrieve  those  words  which  are not translated or which are not present in 
our  corpus.  All  the  Assamese  characters  along  with  their  corresponding  English  transliterations 
are stored in a Perl file and executed the Perl script with Moses. 

5. Result  Evaluation:-​We  will  evaluate  the  BLEU  score  for  the  translated  sentences  that  will  be 
performed using the BLEU (Bilingual Evaluation Understudy) toolkit. BLEU score will give us the 
efficiency of our translation system. 
 7 
 

Now,  we  will be looking at the development of Assamese Text-to-Speech using Deep Neural Network and 

speech recognition model for the Assamese Language using Deep Neural Network. 

6. Deep Neural Network For Speech Recognition:-​-  

A  deep  feedforward  neural  network  (DNN)  is  an  ANN  that  has  more  than  one  hidden  layers  of 
units  between  the  input  and  output  layers.  Like  any  traditional  Automatic  Speech 
Recognition(ASR)  system,  a  DNN  model  also  needs  two  fundamental  actions  -feature  extraction 
and  training-testing  of  the  model.  Extracted  features  of  the  data  is  an  input  parameter  to  the 
model.  Based  on  the  size  of  the  data  and  the  training process, the efficiency of the model may be 
evaluated. In our work, the MFCC feature will be used.  
A. Mel Frequency Cepstral Feature (MFCC):- 
In  Automatic  Speech  Recognition(ASR),  MFCC  features  are  widely  used.  There  are 
several  features  that  we  can  extract  from  a  speech  signal.  Some  of  them  are  linear 
predictive  coefficients  (LPC),  linear predictive cepstral coefficients (LPCC), human factor 
cepstral  coefficients  (HFCC).  Out  of  all  these  features,  MFCC  regarded  as  the  standard 
feature  because of higher accuracy in the recognition. Fig. 2 shows a block diagram of the 
steps involved in extracting MFCC features of speech data. Pre-emphasis is the first step  

 
in  MFCC  to  boost  the  high  frequencies  of  a  speech  signal  which  may  be  lost  during 
speech  production.  This  step  also  ensures  the  removal  of  additive  noise  from the speech 
data.  Instead  of  analysing  the  whole  speech  signal  at  a  time,  we  use  some  user  defined 
frame  with  a  short  span  of time. This frames may be overlapped or may be discrete. After 
defining  the  frames,  windowing is performed to avoid discontinuity in waveforms. To get 
the  signals  in  the  frequency  domain,  Fast  Fourier  Transform(FFT)  is  measured  for  each 
frame.  The  linear  frequency  scale  is  not  used  for  Speech  Signal.  Therefore,  to  extract 
features  Mel-scale  is  used.  Mel-scale  is  directly  proportional  to  the  log  of  linear 
frequency,  and  these  signals  are  called  Mel  spectrum.  In  the  final  step,  the  log  of  Mel 
spectrums  again  converted  into  time  domain  from  the  frequency  domain.  For  this  to  be 
done  Discrete  Cosine  Transform  is  used  and  the  results  obtained  are  the  MFCC  for  the 
input speech data to this algorithm. 
 
B. Long Short-Term Memory (LSTM) Network:-  
In  a  feed-forward  neural  network,  inputs  are  fed  into  the  network,  and  the  network  produces  an 
output.  In  supervised  learning,  the  output  would  be  a  class  id  or  label.  While  a  Recurrent  Neural 
Network  (RNN)  not  only  take  the  current  input  that  is fed into, but also the inputs used previously 
to  produce  the  output.  RNNs  are  useful  for  learning  sequential  data.  It  possesses  a  weight  matrix 
 8 
 

that  connects  the  current  hidden  state  to  the  previous  hidden  state.  The  sequential information is 
preserved  in  the  hidden  state.  To  classify  sequential  input,  RNNs  depend  on  the  backpropagation 
of  error  and  gradient  descent.  The  major  problem  faced  by  RNNs  is  the  vanishing  gradient 
problem.  The  gradient  vanishes  exponentially  as  it  backpropagates  through  time.  By  using  the 
LSTM  network,  we  can  overcome  this  problem  to  some  extent.  LSTM  network is a special kind of 
RNN  with  LSTM  blocks  or  units.  These  LSTM  units  will  preserve  the  error  that  can  be 
backpropagated  through  time.  They  allow  RNN  to  learn  over  many  time  steps  by  maintaining  a 
more  constant  error.  There  is  something  called  gated  cells  in  an  LSTM  unit,  which  controls  the 
flow of data in the cell demonstrates a ​block diagram of an LSTM unit(Fig. 3). 

 
In  a  gated  cell,  information  can  be  stored,  read  and  write  operations  can  be  performed. 
There  is  an  input  gate,  output  gate  and  forget  gate  in  a  unit.  These  gates  have  their 
weights.  Instead  of  using  a  constant  long-term  memory,  these  gated  cells  use  the 
mechanism  of  forgetting  unnecessary  information  and  storing  information  which  is 
useful.  The  decision  to  choose  what  information  is  to throw away is made by forget gate, 
which is a sigmoid layer.  
Well,  this  is  all  about  the  Methodologies  which  will  be  used  keeping  in  mind  the  current  availability  of 
technology  for  carrying  out  various  complex  computations  throughout  our  project.  We  will  be  making 
some  amendments  in  these  procedures  as  we  all  know  machine  learning,  deep  learning  and  artificial 
intelligence(AI)  is  a  rapidly  evolving  field  in  the  current  world  if  we  find  a  better  way  our  algorithm  to 
tackle the problem in hand which could increase the accuracy or efficiency of the model. 

 
 9 
 

Details of the budget with justification 

 
S. No.  Product/Item  Duration/Time-Period   Price 

1.  Microphones(Speech  1 year  ₹ ​2500

Input) 

2.  Speakers(Speech Output)  1 year  ₹ ​2000

3.  Google  Cloud  for  2  1 year  ₹​ 57*2*65.5(hrs) = 15000

GPUs(For  Programming  (May increase/ decrease
and Testing)  as per usage)
(​NVIDIA®  Tesla®  T4  Virtual 
Workstation​) 

4.   Miscellaneous  Monthly/Yearly  ₹​ 4000

5.  TOTAL    ₹ 23500

 
 
Suggested  Plan  of  action  for  utilization  of  research 
outcome expected from the project 
Machine translation is a tool that ​can be used to practice a distant language and that includes English 
but,  the  text-to-speech  tool  that  will  be  provided  by our model will come in as a handy ​pronunciation 
guide​.  One  can  promptly  utilize  it  to  understand  how  routine  or  uncommon  words  are  pronounced 
even  in  English.  It  will  be  exclusively  useful  for  getting  the  correct  pronunciation  of  common 
Assamese words which have found a place in the English lexicon. In fact, one can use the audio option 
to let our model read out the pasted text from an audiobook. 

Most  businessmen  and  their  businesses  based  in  Assam  are  predominantly  carrying  out  their  chores 
either  locally  or  on  a  state level. Very few of these people are able to reach out either on a national or on a 
global  scale  but  with  the  help  of  our  proposed  model  they  can  look  towards  the  expansion  of  their 
trade without worrying about the burden of the language barrier.  

The  major  contribution  to  the  ​economy  of  ​Assam  is  from  the  agriculture  sector  with  69%  of  the 
population  engaged  in  it.  Assam  produces  more  than  half  of  India's  tea.  Some  of  the  finest  and costliest 
teas in the world are produced by Assam [8].  

Assam’s  agriculture  has  yet  to  experience  modernisation in a real sense and is lagging way behind [9]. 

With  implications  to  food  security  and  per  capita,  production  of  food  grains has declined in the past five 
 10 
 

decades  [10].  The  machine  translation  tool  which  we  will  be building will be contributing significantly to 
the  agricultural  modernisation  by  ​overriding  trade-hindering  language  barriers  to  a  certain  extent  and 
will  help  reach  out  the  tea  market  in  national  and  global  expansion.  It  is  not  perfect,  but  being  able  to 
exchange  the  dialogues  freely  with  someone  who  speaks  a  different  language  is  nothing  short  of 
staggering. And that will provide a groundbreaking stimulus to trade. 

To  recognize  the  pay-offs  of  machine  translation​,  we  compared  the  contrast  in  US  exports  to  treated 
countries  and  control  countries  after  the  amendments  made  in  policy.  The  treated  countries  are 
Spanish-speaking  Latin  American  countries.  Countries  that  US  sellers  export  to  on ​eBay ​comers under 
the  control  group​.  Surveys  and  stats  showed  parallel  trends  between  the  two  groups.  Using  this  control 
group, we find that e​ MT increases US exports on eBay to treated countries by 17.5%​. 

Even  if  we  are  able  to  get  20%  of  the  above-mentioned  numbers,  then  it  will  be  a  huge  boon  for  the 
local  residents  as  well  as  for  the  national.  We  got  to  keep  in  mind  while  comparing  the 
aforementioned  statistics  with  those  generated  through  results  that  the  literacy  rate  and  internet 
friendliness  in  the  country  of  America  are  significantly  higher  than  that  here  in  Assam.  Our  model 
will  be  computationally  efficient  and  with further research and development, it can be converted into 
a  prototype  for  various  online  shopping  websites  or  normal  websites  which  then  will  be  able  to 
translate English text and speech into Assamese for the Assamese speaking population. 

Effect On Economically Challenged Group 

When  we  try  to  get  to  the  primary  application  of  this  proposed  machine  translation  model  and  try  to 
reach  out  for  the  individuals  who  will  be  getting  the  maximum  benefit  i.e.  the  economically  weaker 
section  of  the  society  which  is  deprived  of  the  basic  amenities,  we  can  see  a  giant  leap  in  terms  of  their 
present condition.  

With  the  help  of  further  research  and  development,  and  establishing the model on a much larger scale; it 
can be deployed in translating the schemes from the government either be central or sometimes state[16]. 

As  due  to  the  poor  implementation  of  various  schemes  over  the years, Assam’s economic development is 
falling behind the rest of the country.  

According  to  the  development  report  of  Planning  Commission  [18],  the  gap  which  has  widened  over  the 
period  of  40  years  due to various factors would take nearly a decade or so to shrink it down and to bring it 
in  line  with  the  national  economy.  Thus,  a  sudden  and  rapid  change  is  less  likely  to  be  achieved,  but  an 
appropriate and well established model would surely lay a strong foundation for a better future.   

   
 11 
 

Declaration 
 
We  declare  that  this  research  proposal  is  our  own  idea  and  it  has  not  been  submitted 
anywhere else for consideration. 
 
 
 
 
 
 
 
 
………………… ……………………. …………………... ………………………………………... 
Sachin Rai Saumya Garg Shreya Sinha ​Dr. Malaya Dutta Borah 
(17-14-077) (17-14-078) (17-14-123) ​(Mentor) 
 
 
 
 
 
 
 
 
 
 
 
 
 
 12 
 

REFERENCES 
 
[1]  S.  Islam  and  B.  S.  Purkayastha,  “Development  of  Multilingual  Assamese  Electronic  Dictionary”, 
International  Journal  of  Computer  Science  and  Information  Technologies,  Vol.  6,  No.  6,  pp.  5446-5452, 
2015.  

[2] Ela Kumar, “Natural Language Processing (Book)”, 2011.  

[3]  Saiful  Islam,  Maibam  Indika  Devi,  Prof. Bipul Syam Purkayastha, “A Study on Various Applications of 

NLP  Developed  for  North-East  Languages  “,  Saiful  Islam  et  al.  /  International  Journal  on  Computer 
Science and Engineering (IJCSE), Vol. 9 No.06 Jun 2017, 0975-3397. 

[4]  S.  Sanyal  and  R.  Borgohain,  “Machine  Translation  system  in  India”,  Annals  of  Faculty  Engineering 
Hunedoara – International Journal of Engineering, pp-137-142, 2013.  

[5]  N.J.  Kalita  and  B.  Islam,  “Bengali  to  Assamese  Statistical  Machine  Translation  using  Moses 
(Corpus-Based)”,  Proceedings  of  the  International  Conference  on  Cognitive  Computing and Information 
Processing, 2015.  

[6]  A.  Godase  and  S.  Govilkar,  “Machine  Translation  Development  for  Indian  Languages  and  its 
Approaches”, International Journal on Natural Language Computing, Vol. 4, No. 2, pp-55-74, 2015.  

[7]  Machine  Translation  projects  in  India:  Current  Status  and  Future  Prospects  -  Suhas  S.  Kshirsagar  - 
M.E. (app. ExTC), PG-DAC, CDAC Pune. 

[8] ​2015 agricultural output of Assam based on 2011 prices 

[9] ​Deka, Prof. Bhabananda (1963). A

​ som or Arthaniti​ (1 ed.). Guwahati, India: New Book Stall 

[10] UNDP 2004 p33 

[11]  Annual  Meeting  of  the  New  Champions  --  Richard  Baldwin,  Professor  of  International  Economics, 
Graduate Institute of Geneva. 

[12]  Assamese-English  Bilingual  Machine  Translation,  K.K.  Baruah,  Pranjal  Das,  Abdul  Hannan  and 
Shikhar  Kr.  Sarma--International  Journal  on  Natural  Language  Computing  (IJNLC)  Vol.  3,  No.3,  June 
2014 

[13]  Statistical  Machine  Translation  System  User  Manual  and  Code  Guide”,  Available: 
http://www.statmt.org//moses/manual/manual.pdf​. 

[14]  Speech  Recognition  Model  for  Assamese  Language  Using  Deep  Neural  Network  --  M.T.  Singh,  P.P. 
Barman,  Rupjyoti  Gogoi,  CSE  Department,  Dibrugarh  Institute  of  Engineering  and  Technology,  IEEE  - 
June 2018. 

​ ttps://csa-research.com  
[15] CSA survey of 3000 online shoppers: h

[16] Assam Government website - ​https://assam.gov.in/en/main/Welfare%20Schemes   

 13 
 

[17]  Kishore  Papineni,  Salim  Roukos,  Todd  Ward  and  Wei-Jing  Zhu,  “Bleu:  a  Method  for  Automatic 
Evaluation  of  Machine  Translation”,  “Proceedings  of  the  40th  Annual  Meeting  of  the  Association  for 
Computer Linguistics (ACL)” Philadelphia, July 2002 pp. 311-318. 

[18]  Development  Report  By  Planning  Commission 

http://planningcommission.gov.in/plans/stateplan/sdr_assam/sdr_assch1.pdf 

  [19]  Peter  F.  Brown  et  al.,  “A  Statistical  Approach  to  Machine  Translation”  Computational  Linguistics 
Volume 16, Number 2, June 1990, pp. 79-85. 

[20] “Machine Translation”, Available: ​http://en.wikipedia.org/wiki/Machine_translation​. 

[21]  Machine  Translation  Approaches  and  Survey  for  Indian  Languages  --  Antony  P.G.,  Computational 
Linguistics and Chinese Language Processing Vol. 18, No. 1, March 2013, pp. 47-78. 

[22] N.Sharma, P.Bhatia, V.Singh, “English to Hindi Statistical Machine Translation”, June 2011.