À propos de LecturaLingua
LecturaLingua repose sur une idée simple : passer par la prononciation pour relier l'écrit et l'oral, et comprendre la grammaire d'une phrase aussi bien à partir de la parole qu'à partir du texte.
La phonétique, passerelle entre le texte et la voix
L'orthographe ne note les sons que de façon détournée : le même son /o/ s'écrit o, au ou eau, une même lettre se lit de plusieurs manières, et beaucoup de lettres ne se prononcent pas. La transcription phonétique, elle, note exactement ce que l'on entend. Elle est donc le point de passage naturel entre le texte et la voix : on lit un texte en le phonétisant, on écrit ce que l'on entend en partant des sons.
LecturaLingua relie chaque lettre, ou groupe de lettres, au son qu'il produit :
oiseaux→oiwaszeauoxmuet
Ce lien permet de colorer les sons, de couper le texte en syllabes telles qu'on les prononce et de marquer les liaisons. Il permet aussi de faire le chemin inverse : réécrire une phrase à partir de sa prononciation.
Le pari de Lectura : comprendre une phrase à partir de la parole
Un auditeur comprend une phrase sans en voir l'orthographe : la construction de la phrase lui suffit pour savoir qui fait quoi. Lectura fait le même pari. Son analyseur grammatical travaille aussi bien sur la phonétique que sur le texte écrit, et il y perd très peu : 97,0 % des catégories grammaticales justes à partir de la phonétique, contre 97,7 % à partir du texte.
Une fois la phrase comprise, l'orthographe se déduit : l'accord du verbe, le pluriel muet, le choix entre homophones (vert, verre, vers, ver) découlent de la construction de la phrase, et non du son.
/le.z‿ɑ̃.fɑ̃ ʃɑ̃t/→déterminant pluriel · nom pluriel · verbe au pluriel→Les enfants chantent
Deux applications
La reconnaissance vocale
Plutôt que de deviner directement des mots, la reconnaissance vocale de Lectura décode d'abord les phonèmes : il n'y en a qu'une trentaine en français, au lieu de centaines de milliers de formes écrites. LecturaLingua passe ensuite de la phonétique à l'orthographe, en réglant les accords et les homophones grâce à la construction de la phrase. C'est ce qui sert dans LecturaVoice.
Le correcteur bientôt
Le correcteur corrige d'abord les erreurs de construction. Il phonétise ensuite le texte, puis en reconstruit l'orthographe. Toutes les fautes qui sonnent juste disparaissent alors d'un coup : fote se lit comme faute, il les a mangé comme il les a mangés. Le correcteur n'a pas à les connaître une par une.
une grosse fote→/yn ɡʁos fɔt/→une grosse faute
Les deux modèles
Les outils de LecturaLingua reposent sur deux modèles neuronaux compacts, complétés par des algorithmes (découpage du texte, lecture des nombres et des sigles, règles de liaison et de e muet) et par le lexique LeXiK.
Le Tagger analyseur de phrase
Il lit le texte, la phonétique, ou les deux à la fois. Chaque mot lui est présenté par ses lettres, ses phonèmes, ou les deux. Il peut donc analyser une phrase dont on ne connaît que la prononciation.
Pour chaque mot, il prédit en une seule passe :
- la catégorie grammaticale (18 classes) ;
- les traits : genre, nombre, personne, temps, mode, forme verbale… (17 traits) ;
- le lemme ;
- la fonction : le mot dont il dépend et la relation qui les unit (65 relations) ;
- les amalgames (au = à + le) ;
- la liaison avec le mot suivant et sa consonne ;
- depuis la phonétique, la bonne graphie parmi les homophones, choisie en contexte (vers, verre, vert…).
Encodeur Transformer (4 couches) sur les lettres et les phonèmes, avec une tête de sortie par tâche · 21,3 M de paramètres · 43 Mo. Pré-entraîné sur environ 6 millions de phrases (76 M de mots), puis affiné sur les corpus Universal Dependencies du français.
Le GPA Graphème-Phonème-Alignement, modèle de mot
Un seul modèle pour les deux sens : il donne la prononciation d'un mot écrit, et l'orthographe d'un mot prononcé.
- Il écrit le mot comme une suite de couples graphème / phonème (ch /ʃ/, a /a/, t muet) : sa sortie est toujours alignée lettre à son. C'est cet alignement qu'utilise la lecture syllabique.
- La prononciation est découpée en syllabes. Elle indique la consonne de liaison possible et le h aspiré.
- Il tient compte de l'analyse du Tagger (catégorie, traits, lemme). Grâce à son attention sur le lemme, il écrit juste une forme qu'il n'a jamais vue : ils publient se construit à partir de publier.
- Il sait aussi aligner un mot et une prononciation déjà connus.
Encodeur BiLSTM, décodeur limité aux seuls couples permis, attention sur le lemme · 4,0 M de paramètres · 8 Mo. Entraîné sur le lexique LeXiK ; les mots fréquents sont servis par un lexique embarqué de 10 Mo.
LecturaLingua fait partie du projet Lectura. Le code des modules est publié sous licence AGPL ; les modèles sont accessibles par l'API, ou en local sous licence commerciale. Retour à l'accueil.
