Le lingala parleaux machines
Vingt-cinq millions de locuteurs. Et presque aucune donnée exploitable.
Maloba construit le corpus qui manque : la parole et l'écrit en lingala, collectés sur le terrain, transcrits mot à mot — puis transformés en modèles de reconnaissance vocale, de lecture de documents et de conversation, publiés en accès ouvert.
Pourquoi outiller une langue nationale
Le lingala est reconnu par la Constitution et parlé sur les deux rives du fleuve Congo. Il est pourtant presque absent des systèmes qui décident aujourd'hui de l'accès au numérique.
Brazzaville, Kinshasa, la Cuvette, les fleuves et les marchés. Une langue de commerce, de radio et de musique — presque absente des jeux de données qui entraînent les modèles.
Une exclusion silencieuse
Sans reconnaissance vocale ni traduction, un locuteur lingalaphone reste dépendant du français pour accéder à un service, comprendre une consigne médicale ou engager une démarche administrative. La barrière n'est pas technique, elle est linguistique.
Un vide dans les données
Le premier corpus de reconnaissance vocale en lingala jamais publié, en 2023, reposait sur 4,3 heures d'audio. C'est l'état de l'art dont ce projet est parti. Il en compte aujourd'hui dix fois plus.
Une question de maîtrise
Qui détient les données d'une langue détient la capacité d'en construire les outils. La collecte, l'annotation, la validation linguistique et la publication restent conduites depuis Brazzaville.
Ce que le travail a produit
Trois corpus distincts, construits selon des conventions d'écriture arrêtées à l'avance et relus un par un par un responsable linguistique.
Issus de radios rurales, de campagnes citoyennes et de contextes professionnels ciblés. Chaque segment porte sa transcription validée et son code de langue.
Ouvrages pédagogiques, dictionnaires visuels et manuscrits en écriture cursive, avec leurs ratures et leurs corrections. Une ligne correspond à une région de texte.
Cinq registres couverts : résumé, pédagogique, formel, urbain et traduction. Un même contexte est repris sous plusieurs consignes pour apprendre au modèle à changer de ton.
Du micro au corpus utile
Quatre notions qu'il ne faut pas confondre : chacune se compte séparément.
La langue telle qu'elle est parlée
Répartition du corpus utile, en durée, hors bruit.
Ce n'est pas un défaut de collecte. Passer d'une langue à l'autre au milieu d'une phrase est la manière ordinaire de parler ici, à l'administration comme au marché. Les modèles sont conçus pour la traiter.
Ce que ces données permettent de construire
Trois modèles adaptés au lingala à partir de socles ouverts, plutôt qu'entraînés depuis zéro — le choix qui convient aux langues peu dotées.
Reconnaissance de la parole
Transcrire une consultation médicale, une émission de radio, un échange au guichet. Socle Whisper Small d'OpenAI, adapté par QLoRA aux conditions d'enregistrement du terrain.
Poids publiés — Hugging FaceLecture de documents
Extraire le texte lingala d'un ouvrage photographié ou d'une page manuscrite. Socle vision-langage Qwen2.5-VL, capable de lire des documents de qualité inégale.
Adaptateurs publiés — Hugging FaceAssistant conversationnel
Répondre, résumer et expliquer en lingala. Socle Llama 3.1 8B Instruct adapté par apprentissage ciblé, avec les poids fusionnés publiés en accès ouvert.
Poids publiés — Hugging FaceTout est publié, tout est vérifiable
Les modèles entraînés, leurs poids, les jeux de données qui les ont produits et le code qui les fait fonctionner : chaque artefact du projet est consultable par un tiers.
Modèles entraînés 3 publications
Organisation Hugging FaceTranscrit la parole lingala captée sur le terrain — radio, guichet, consultation. Modèle complet, prêt à l'emploi.
Lit le lingala imprimé et manuscrit sur des documents photographiés de qualité inégale. S'applique sur le modèle mère.
Répond, résume et explique en lingala sur cinq registres. Modèle complet, prêt à l'emploi.
Jeux de données 3 publications
Tous les jeux de donnéesCode source 4 dépôts
Organisation GitHubPasserelle d'inférence : une API unifiée pour servir les modèles du projet.
Voir le dépôtAnnotation assistée : pré-transcription automatique branchée sur Label Studio.
Voir le dépôtRecherche augmentée : l'assistant appuie ses réponses sur des sources du web.
Voir le dépôtInterface de conversation ouverte qui expose l'assistant en lingala.
Voir le dépôtL'usage commercial des corpus est encadré par une licence à paliers — voir la gouvernance des données.
À qui appartient la voix d'une communauté
Un corpus de langue nationale est produit par une communauté de locuteurs. La question n'est donc pas seulement de savoir qui peut l'utiliser, mais qui doit en tirer bénéfice.
Le cadre retenu rompt avec les licences ouvertes classiques, qui accordent les mêmes droits à un laboratoire africain sous-financé et à une multinationale technologique.
Accès libre et gratuit, avec attribution.
Sans redevanceGratuit pour la recherche non commerciale.
Usage négociéLicence commerciale négociée ; les redevances reviennent au projet et à la communauté lingalaphone.
RedevanceCadre recommandé par le PNUD pour les corpus de langues africaines. Le protocole de consentement s'appuie sur la loi congolaise n° 29-2019 relative à la protection des données à caractère personnel. Aucun nom n'est associé à un enregistrement : un identifiant est attribué à la place.
Trois façons de contribuer
Le corpus se construit ligne par ligne. Chaque contribution est tracée, et chacune compte.
Donner sa voix
Cinq à quinze minutes de parole en lingala, sur un thème du quotidien, du travail ou de la santé. Le consentement est expliqué à voix haute et recueilli sur place. Aucun nom n'est conservé : un identifiant est attribué à la place, et vous pouvez retirer votre enregistrement à tout moment.
Annoter
Rejoindre l'équipe d'annotation après une formation aux conventions d'écriture du lingala : découpage en régions, transcription mot à mot, étiquetage de la nature linguistique. Le travail est rémunéré à la tâche.
Ouvrir un terrain
Faciliter l'accès à une école, un centre de santé, une radio communautaire, une administration ou une coopérative. C'est ce qui manque le plus au projet — plus que les moyens techniques.
Une langue ne devient numérique que si quelqu'un la parle aux machines.
Qui fait ce travail
Quatre partenaires de terrain, quatre apports complémentaires au corpus.