Les assistants vocaux et les traducteurs automatiques reposent sur de grands volumes de textes et d’enregistrements. Pour les langues du Sénégal, ces données manquent. C’est le point de départ du projet Kallaama, présenté dans un article scientifique déposé sur arXiv en avril 2024 : hormis le wolof, qui dispose de quelques ressources, les langues nationales sont largement ignorées par les fournisseurs de technologies linguistiques.

Kallaama, un corpus vocal en trois langues

Kallaama porte sur les trois langues les plus parlées par les Sénégalais : le wolof, le pulaar et le sérère, qui comptent selon les auteurs environ 10 millions de locuteurs natifs dans le pays. Le projet a produit 125 heures d’enregistrements transcrits consacrés à l’agriculture, conçus pour la reconnaissance automatique de la parole, c’est-à-dire la conversion de la voix en texte.

La fiche du jeu de données sur Zenodo en précise la répartition : 55 heures en wolof, près de 32 heures en pulaar et 38 heures en sérère, dont 35 heures de transcriptions vérifiées par un expert. S’y ajoutent un lexique de prononciation wolof de 49 132 entrées et des corpus de textes d’environ 1,14 million de mots en wolof et 742 000 mots en pulaar. Le projet a été financé pendant un an, en 2023, par le Lacuna Fund. Les données sont diffusées sous licence Creative Commons avec attribution : start-up et chercheurs peuvent les réutiliser à condition de citer la source.

Le wolof entre dans les grands services

Les géants du numérique commencent à intégrer ces langues. Le 27 juin 2024, Google a annoncé l’ajout de 110 langues à son service de traduction, la plus importante extension de son histoire. Le billet de Google France consacré à ces 110 langues précise qu’environ un quart d’entre elles sont africaines, dont le wolof, et que l’opération s’appuie sur le grand modèle de langage PaLM 2. Ce type de modèle, entraîné sur d’immenses corpus, apprend mieux une langue peu dotée lorsqu’elle est proche d’autres langues qu’il connaît déjà.

Pourquoi les données comptent

Pour une start-up qui veut proposer un service vocal en wolof ou en pulaar, par exemple un conseil agricole par téléphone ou un accès aux démarches pour des personnes peu alphabétisées, la disponibilité de corpus ouverts change l’équation : elle évite de financer seule la collecte et la transcription, longues et coûteuses. Les volumes restent toutefois modestes. Seules 35 heures de Kallaama ont été vérifiées par un expert, le corpus est centré sur l’agriculture et le sérère ne dispose pas de corpus textuel associé. Le chantier des données linguistiques, condition de toute IA utile dans les langues nationales, reste donc largement ouvert.


Photographie d’illustration issue de la photothèque du site. Elle ne documente pas les personnes, lieux ou événements cités. Crédits photos.

Tous les articles · Intelligence artificielle