Kurde et IA : apprendre aux ordinateurs une langue peu dotée
Le kurde compte environ 20 à 30 millions de locuteurs selon les estimations, mais peu de données dont les ordinateurs peuvent apprendre. Voici ce que cela change pour la reconnaissance vocale, les voix et la traduction.
L'intelligence artificielle a appris à écouter, à parler et à traduire dans de nombreuses langues, et le kurde est encore en train de rattraper son retard. Il est parlé par environ 20 à 30 millions de personnes selon les estimations, mais une bien plus petite part de cette langue a été enregistrée, saisie et annotée sous une forme dont un ordinateur peut apprendre. Ce guide explique simplement ce que cela signifie et ce qu'il faut pour construire une IA kurde.
Ce que veut dire « peu dotée »
Les systèmes d'IA apprennent à partir d'exemples. Un système de reconnaissance vocale apprend à partir de nombreuses heures d'enregistrements, chacun accompagné de sa transcription écrite. Un système de traduction apprend à partir d'un grand nombre de phrases associées à leur traduction.
Les chercheurs disent qu'une langue est peu dotée (en anglais, low-resource) quand ce type de données est rare. Le terme parle surtout des données, pas du nombre de locuteurs : une langue peut compter des millions de locuteurs et rester peu dotée. Le kurde en est un exemple clair, et les études sur les technologies de la langue kurde le décrivent comme une langue peu dotée depuis plus de dix ans.
Les données qui comptent le plus sont les données annotées : des enregistrements avec leur transcription, des phrases avec leur traduction, des mots étiquetés avec leur sens. Le texte brut trouvé sur Internet aide aussi, mais ce sont les données annotées qui apprennent à un système une tâche précise, et les produire demande un travail humain minutieux.
Pourquoi le kurde est difficile pour l'IA
Le kurde cumule quatre difficultés : plusieurs dialectes, deux écritures principales, des orthographes variables et très peu de données annotées.
Plusieurs dialectes
Le Kurmancî (kurde du Nord) et le Soranî (kurde central) sont les deux plus grandes variétés, et le kurde du Sud forme un troisième groupe. Ils diffèrent par les sons, les mots et la grammaire : un système entraîné sur l'un ne comprend donc pas automatiquement l'autre.
| Kurmancî | Soranî | Français |
|---|---|---|
| Silav | سڵاو | Bonjour |
| Ez baş im | باشم | Je vais bien |
| Navê te çi ye? | ناوت چییە؟ | Comment t'appelles-tu ? |
| Ez ji Kurdistanê me | من خەڵکی کوردستانم | Je viens du Kurdistan |
Regardez « Je vais bien ». Le Kurmancî utilise trois mots, Ez baş im, alors que le Soranî fait tenir le même sens en un seul mot. Un ordinateur doit apprendre ces deux schémas séparément. Pour aller plus loin, lisez Kurmancî ou Soranî.
Deux écritures principales
Le Kurmancî s'écrit surtout en lettres latines, et le Soranî dans une écriture d'origine arabe qui se lit de droite à gauche. Dans l'ex-Union soviétique, le Kurmancî s'écrivait aussi en cyrillique. Pour un ordinateur, les deux façons d'écrire « bonjour » dans le tableau ci-dessus n'ont rien en commun, alors qu'une oreille kurde entend presque le même mot. Notre guide de l'alphabet kurde présente les deux écritures lettre par lettre.
Des orthographes variables
Beaucoup de mots du quotidien s'écrivent de plusieurs façons. Voici des paires tirées de nos propres leçons, qu'un ordinateur doit apprendre à traiter comme un seul et même mot :
| Kurmancî | Soranî | Français |
|---|---|---|
| Spas | سپاس | Merci |
| Sipas | سوپاس | Merci |
| komputer | کۆمپیوتەر | ordinateur |
| kompîter | کۆمپیوتەر | ordinateur |
Il existe aussi une couche cachée. On tape le kurde sur des claviers très différents, y compris des claviers conçus pour d'autres langues, et ceux-ci peuvent enregistrer des lettres d'apparence identique sous forme de caractères différents. Une même lettre soranî peut arriver dans l'ordinateur sous plusieurs formes : le texte doit donc être nettoyé avant qu'une IA puisse en apprendre quoi que ce soit. Notre guide du clavier kurde montre comment taper chaque lettre.
Peu de parole et de texte annotés
La reconnaissance vocale du kurde est un domaine jeune. En 2019, des chercheurs qui présentaient l'un des premiers corpus de parole en Soranî ont écrit qu'ils n'avaient trouvé aucune étude antérieure sur la reconnaissance vocale du kurde. Des collections d'enregistrements plus grandes ont été constituées depuis pour le Soranî et le Kurmancî, mais elles restent de taille modeste.
La traduction a le même problème. Les études sur la traduction automatique du kurde décrivent les textes kurdes accompagnés de leur traduction comme rares.
Reconnaissance vocale, synthèse vocale et traduction
On range souvent ces trois technologies sous l'étiquette « IA kurde », mais chacune fait un travail différent. Prenons le mot kurde le plus simple :
Silav! /siˈlav/ سڵاو! silaw Bonjour !
- La reconnaissance vocale transforme la parole en texte. Vous dites Silav à voix haute, et l'ordinateur l'écrit.
- La synthèse vocale fait le chemin inverse. Elle lit à voix haute le kurde écrit, avec une voix d'ordinateur.
- La traduction automatique fait passer un texte d'une langue à une autre. Elle lit Silav et vous donne « Bonjour ».
Le retour sur la prononciation s'appuie sur la reconnaissance vocale. Au lieu de seulement écrire ce que vous avez dit, le système compare votre Silav au mot que vous deviez dire et vous signale les sons à travailler.
Chaque tâche a besoin de données différentes. La reconnaissance vocale doit comprendre tout le monde : elle apprend donc mieux à partir de nombreuses voix, jeunes et âgées, de tous les accents, dans des pièces calmes comme bruyantes. La synthèse vocale doit savoir comment se prononce chaque mot écrit. Ici, le kurde a un avantage, car ses deux alphabets notent en général une lettre pour chaque son. Le Soranî écrit aussi presque toutes ses voyelles sous forme de lettres, alors que l'arabe omet généralement les voyelles brèves. La seule exception est un « i » bref, comme la première voyelle de سڵاو, qui ne s'écrit pas.
Notre reconnaissance vocale et nos voix kurdes
ZimanGo développe sa propre reconnaissance vocale kurde pour le Kurmancî et le Soranî. Dans les exercices d'expression orale, vous dites un mot ou une phrase à voix haute ; elle vérifie votre prononciation et vous montre quoi corriger.
L'audio de chaque leçon vient de nos propres voix de synthèse vocale kurdes. Elles lisent les phrases que vous voyez à l'écran, et ces phrases sont écrites par des locuteurs kurdes : le fondateur écrit les leçons de Kurmancî, et des locuteurs du Soranî écrivent celles de Soranî.
Construire pour le kurde dès le départ, c'est gérer les deux écritures, les sons de chaque dialecte et les variations d'orthographe décrites plus haut. C'est un travail lent et minutieux, et les enregistrements que les apprenants choisissent de partager aident à l'améliorer.
Comment aider, seulement si vous dites oui
La meilleure façon d'améliorer la reconnaissance vocale du kurde, c'est d'avoir davantage de vraies voix kurdes, de toutes les régions et de tous les accents. C'est pourquoi ZimanGo demande aux apprenants si les enregistrements de leurs exercices d'expression orale peuvent servir à l'améliorer.
- C'est votre choix. Vos enregistrements ne servent à améliorer notre reconnaissance vocale qu'avec votre consentement explicite. Vous pouvez refuser, ou changer d'avis à tout moment, et continuer à utiliser tous les exercices d'expression orale.
- Conservés pour une durée limitée. Les enregistrements sont conservés jusqu'à 24 mois après leur création, ou jusqu'à ce que vous les supprimiez ou supprimiez votre compte, selon ce qui arrive en premier. Vous pouvez nous demander de les supprimer à tout moment.
- Jamais détournés. Nous n'utilisons jamais votre voix pour du clonage vocal, pour de la publicité ou pour vous identifier.
Les exercices d'expression orale sont toujours facultatifs : vous pouvez aussi les passer. Tous les détails se trouvent dans notre politique de confidentialité.
Des mots kurdes pour le monde numérique
Si vous apprenez le kurde, le vocabulaire de la technologie est un bon moyen de voir la langue à l'œuvre. Ces mots viennent de nos leçons, la plupart de celle consacrée à la technologie et à la vie moderne :
| Kurmancî | Soranî | Français |
|---|---|---|
| telefon | تەلەفۆن | téléphone |
| înternet | ئینتەرنێت | internet |
| peyam | نامە | message |
| ekran | شاشە | écran |
| agahî | زانیاری | information |
| ziman | زمان | langue |
| peyv | وشە | mot |
Certaines choses nouvelles ont plus d'un nom. Dans les leçons, « application » apparaît à la fois sous la forme sepan et sous la forme Aplîkasyon : c'est exactement le genre de variété qu'une IA doit apprendre.
Assemblez quelques mots et vous pouvez parler de votre journée. Ez li ser komputerê dixebitim veut dire « Je travaille sur l'ordinateur ». En Soranî, on dit لەسەر کۆمپیوتەر کار دەکەم.
Et ensuite ?
Le Kurmancî et le Soranî sont disponibles dès aujourd'hui. Le Behdînî (Badini), le Zazakî (Kirmanckî) et le Hewramî (Gorani) arrivent bientôt. Intégrer chacun d'eux demandera plus d'enregistrements, plus de voix et une vérification attentive par des personnes qui le parlent. Notre guide des dialectes kurdes explique comment ils s'articulent.
Les variétés qui disposent de moins de textes écrits et d'enregistrements partent d'encore moins de données : chaque phrase écrite avec soin et chaque enregistrement partagé comptent. Les progrès sont réguliers plutôt que soudains.
Une phrase de notre leçon sur les expressions idiomatiques va bien à l'IA kurde : Hêdî hêdî kar bi hêz dibe, « lentement, le travail devient fort ». En Soranî, on dit هێواش هێواش کار بەهێز دەبێت.
Questions fréquentes
Le kurde est-il une langue peu dotée ?
Oui. Le kurde est parlé par environ 20 à 30 millions de personnes selon les estimations, mais il dispose de bien moins de parole enregistrée, de texte annoté et de texte traduit que les plus grandes langues du monde. « Peu dotée » décrit surtout ce manque de données, pas le nombre de locuteurs.
Existe-t-il une reconnaissance vocale pour le kurde ?
Oui. Des chercheurs ont construit des systèmes de reconnaissance vocale pour le Soranî et le Kurmancî, et ZimanGo utilise sa propre reconnaissance vocale kurde pour donner un retour sur la prononciation dans les exercices d'expression orale.
L'IA peut-elle traduire le kurde ?
Oui, mais les systèmes de traduction du kurde apprennent à partir de beaucoup moins de textes accompagnés de leur traduction que ceux des grandes langues : les résultats sont donc variables. Pour tout ce qui est important, demandez à une personne qui parle couramment kurde de vérifier.
ZimanGo utilise-t-il mes enregistrements vocaux ?
Les enregistrements des exercices d'expression orale servent à vérifier votre prononciation et, seulement avec votre consentement, à améliorer notre reconnaissance vocale kurde. Ils sont conservés jusqu'à 24 mois, ou jusqu'à ce que vous les supprimiez ou supprimiez votre compte, et ne servent jamais au clonage vocal, à la publicité ou à vous identifier.
