Constitution d’un corpus TAL occitan : états des lieux et perspectives

Constitution d'un corpus de traitement automatique des langues (TAL)
en occitan : état des lieux et perspectives
Michaël Barret
(Le Congrès permanent de la langue occitane)

Bien qu’elle soit une langue minorisée, la langue occitane jouit d'une production abondante autant à
l'écrit qu’à l'oral. L'intérêt de bâtir un corpus spécifique au traitement automatique des langues
(TAL) en occitan, contrairement à d’autres corpus, a pour objectif principal de constituer une
matière fondamentale de développement numérique de la langue.
Il faut d’abord en revenir à la genèse de la constitution d'un corpus TAL occitan, en le définissant de
façon précise, et en expliquant à quoi il servira. En effet l'exploitation (dans le cadre légal qui la
rend possible) qu’il en est fait définit souvent les caractéristiques d'un corpus, qu’il s’agisse de
recherches sur la narration orale (Carruthers & Vergez-Couret) ou sur des matériaux écrits, comme
celui de BaTelOc (Bras & Vergez-Couret). Nous analyserons également les spécificités d'un corpus
TAL en langues minorisées, plus particulièrement en occitan (variétés graphiques, intradialectales,
codification numérique...), comme nous l’avons fait pour créer Votz, le premier outil de synthèse
vocale en occitan (Corral et al.).
La procédure de constitution et de traitement de corpus TAL obéit à des contraintes (légales, de
temps, de moyens...) et requiert un travail méthodique (formatage, annotations cohérentes,
inventaire...) ; il fait néanmoins face à des obstacles et des limites. Nous reviendrons sur la nécessité
forte de la contribution du grand public et de quelle façon elle s’est déroulée pour obtenir un résultat
qualitatif et quantitatif suffisamment satisfaisant pour pouvoir être exploitable.
Par la suite, les applications concrètes déjà existantes et à venir seront présentées en détail, en
mesurant et en et en opérant les choix les plus pertinents pour l'exploitation du corpus. Les avancées
en termes de quantité, de diversité, et de pluralité de critères de recherche permettront même une
amélioration de la recherche scientifique dans des domaines aussi divers que la phonologie, la
dialectologie ou encore la traduction. Les perspectives de croissance de corpus autant que les
projections en termes de coopération et de transfert de technologie envers d'autres langues
minorisées représentent une opportunité majeure pour l’avenir de ces mêmes langues.