Le SMS fait entendre sa voix... Énergie solaire, énergie du futur? Recherche et développement technologique

Transcription

1 Recherche et développement technologique Bureau de dépôt Bruxelles X - Mensuel ne paraissant pas en juillet et août Juin 2010 Le SMS fait entendre sa voix... Énergie solaire, énergie du futur?

2 Le SMS fait entendre sa voix... Photo: Image Source / Reporters Le Centre de traitement automatique du langage de l Université catholique de Louvain (UCL) a mis au point un logiciel capable de transposer les messages SMS de manière vocale. Alors que des centaines de milliers de branchés à travers le monde déballent leur nouvel ipad, un autre avenir s annonce peut-être grâce au téléphone portable. Des États-Unis à la Corée du Sud, de la Finlande à l Espagne, on recherche un emploi par texto, on prélève de l argent sur son compte bancaire et on effectue des paiements avec ce grand absent du battage médiatique. Il sert de caméra, de téléviseur, de radio et tout simplement, à se parler S elon l International Telecommuni - cation Union, le nombre total de lignes mobiles dans le monde devrait dépasser les cinq milliards cette année. Cela signifie que, selon l ONU, plus d êtres humains ont aujourd hui accès à un téléphone portable qu à des toilettes propres! Et, parce qu il permet de communiquer avec autant de gens, qu il est toujours disponible, bon marché et facile à partager, ce petit appareil a ouvert une nouvelle frontière de l information mondiale. Au Centre de traitement automatique du langage (Cental) de l Université catholique de Louvain, les travaux du professeur Cédrick Fairon et de son équipe d une quinzaine de chercheurs portent, depuis une dizaine d années, sur une discipline souvent mystérieuse pour le grand public alors qu elle trouve largement sa place dans la vie quotidienne: l ingénierie linguistique, c est-à-dire le traitement automatique du langage (TAL) oral ou écrit et que l on retrouve dans le téléphone portable, le GPS de sa voiture - lorsqu une voix de synthèse indique la route à suivre - ou encore en introduisant un mot-clé sur Google. Le TAL s est fait récemment connaître du grand public au travers d applications commerciales à succès comme la correction orthographique automatique, la reconnaissance de la parole, la traduction automatique, la recherche d informations, la gestion documentaire, etc. On utilise parfois, à la place de l intitulé «TAL», des appellations plus ou moins synonymes comme ingénierie linguistique, linguistique informatique ou encore linguistique computationnelle. Les acteurs de ce domaine sont des «linguistes-informaticiens», c est-à-dire des linguistes ou des informaticiens qui ont acquis une double compétence en complétant leur formation de base, selon le cas, par l étude des langues ou des technologies. Des formations spécialisées existent, comme le Master en linguistique spécialisé en «Trai-tement automatique du langage» à l UCL, accessible aux étudiants ayant une formation de base en linguistique ou en informatique ( Deux spécialités Le Cental, explique son directeur, a deux spécialités. La première consiste dans le traitement de l information. Nous vivons actuel - lement dans une société de l information, poursuit le professeur Fairon, et même à l aire du multimédia, l information textuelle (que le texte Le professeur Cédrick Fairon, directeur du Cental au sein de la Faculté de philosophie, arts et lettres de l UCL, est docteur en informatique fondamentale et applications de l Université de Paris 7 (France). Il est également membre du Conseil de la langue et de la politique linguistique. Il a déposé, en collaboration avec Richard Beaufort, une demande de brevet le 21 avril 2010 auprès de l Office européen des brevets. cedrick.fairon@ uclouvain.be 33

3 Photo: photl.com Étant donné que les chercheurs ont travaillé sur l étude et la normalisation des messages SMS, la traduction vocale des SMS est logiquement rattachée au pôle «normes». Le langage Short Message Service (SMS) est un langage écrit qui modifie les caractéristiques orthographiques voire grammaticales de la langue afin d en réduire la longueur ou d'en accélérer la saisie sur le clavier numérique des téléphones portables. Ce type de langage est utilisé lors d'échanges d informations par messagerie ou courrier électronique, sur les forums Internet, les chats et les blogs. Le message écrit sur un téléphone portable (SMS) est couramment appelé «texto» en France et au Québec. Le langage SMS, apparu avec la banalisation des techno logies de l'information et de la communication au cours des années 1990, combine plusieurs procédés: l'abréviation (ludique, comique ou expressive), la phonétique ou le rébus typographique. Le SMS, typiquement limité à 160 caractères (le dépassesoit parlé ou écrit) en demeure une des sources principales. Par conséquent, le texte reste le support essentiel de l information, que ce soit dans les entreprises (sous forme de procèsverbaux, de documentations techniques, de rapports, etc.) ou dans le monde scientifique, dans la presse et même sur Internet. Du fait de cette dominante incontestée et essentielle du texte, il est très important de pouvoir analyser le langage car il constitue une porte d entrée pour atteindre l information. Et lorsqu on voudra répondre à des questions, sélectionner ou trier des textes, manipuler une information textuelle, il faudra nécessairement faire appel à des logiciels intelligents, capables de comprendre les textes afin de pouvoir les traiter. Le travail du linguiste au Cental consiste à faire la description des mécanismes de la langue (syntaxe, lexique) de manière formalisée (c està-dire utilisable par l ordinateur) pour réaliser des analyses qui vont ensuite permettre de «comprendre» l information contenue dans le texte. C est ainsi que nous filtrons les nouvelles produites par l agence Belga afin d en extraire toutes les informations concernant les personnes citées (âge, nationalité, profession, etc.) et nous les mémorisons. Nous créons ainsi une sorte de «Who is who», un outil qui permet de faire de l indexation intelligente de textes et que les journalistes pourront consulter et utiliser ultérieurement. Notre seconde activité, poursuit le professeur Fairon, relève de tout ce qui concerne la norme linguistique, fixant, dans la langue, ce qui est considéré comme acceptable et grammatical. La norme est donc le «sous-ensemble autorisé» de la langue. Par exemple, «si j aurais su» n appartient pas à la norme, alors que la langue française peut le produire. Au sein du pôle «norme» du Cental, on traite donc la langue pour elle-même et non parce qu elle véhicule de l information: on réalise des applications qui vont corriger l orthographe et la grammaire, réparer des textes scannés et détériorés par l âge, ou encore retranscrire, en orthographe conventionnelle, le contenu des messages SMS. Autour de ces deux activités gravitent toute une série de projets de recherche fondamentale et de recherche appliquée Qu est-ce qu un SMS? 34

4 ment du nombre autorisé de caractères rend l envoi du message plus cher), est en outre difficile à saisir, au vu des contraintes ergonomiques imposées par les claviers alpha numériques des téléphones portables. On a parfois exagéré le caractère novateur du langage SMS, explique le professeur Fairon, parce qu il est mis en œuvre par des jeunes et des adolescents: 80% du trafic SMS serait le fait d utilisateurs ayant entre 12 et 25 ans (selon le quotidien Le Soir du 17 avril 2010). En réalité, ce genre de message concerne aujourd hui tous les âges. On a toujours envisagé le traitement automatique du langage à partir d un texte «normal» et on concevait des logiciels capables de traiter des textes «standards». Par conséquent, confrontés aux nouvelles formes de l écrit (SMS, chat, forum, etc.), ces logiciels se sont retrouvés désorientés (comme beaucoup d humains d ailleurs), explique le professeur Fairon. Face à cette situation, nous avons proposé de retranscrire les messages SMS en un français normalisé, de manière à pouvoir ensuite le traiter automa - tiquement. Dans le cadre du projet de recherche Vocalise, soutenu par la Région wallonne (First Post-Doc) et parrainé par le centre de recherche Multitel de Mons, nous avons mené un certain nombre de recherches qui ont abouti à la mise au point d une application de normalisation des SMS. Intégrée au sein d un système complet de synthèse de la parole à partir de SMS, cette application de normalisation prend un SMS et le retranscrit en français standard, avant de le transmettre à un module de synthèse qui produit la parole correspondante. Un «corpus» de taille Pour concevoir un outil capable d effectuer cette transposition il faut disposer d un corpus énorme sur lequel apprendre les règles de fonction nement de ce langage. En 2004, l UCL a donc lancé, avec le soutien de trois partenaires privés (Proximus, Ogilvy et NEWAy) et des médias belges, une opération intitulée «Faites don de vos SMS à la science». Cette expérience, limitée à la Belgique francophone, a permis de définir une méthodologie pour la collecte des messages et des protocoles pour la préparation des corpus avant leur utilisation pour la recherche (anonymisation, transcription, annotations). Les partenaires privés ont pris en charge les aspects techniques de la collecte et les médias ont largement diffusé l annonce de cette enquête, ce qui a permis d atteindre une large partie de la population. La couverture médiatique a dépassé nos attentes, ce qui atteste de l intérêt porté par les médias (et la société) envers ce sujet, explique le professeur Fairon. Un corpus est un ensemble de documents (textes, images, vidéos, etc.), regroupés dans une optique précise et utilisable dans plusieurs domaines: études littéraires, linguistiques, scientifiques, etc. La branche de la linguistique qui s en préoccupe plus spécifiquement s'appelle logiquement la linguistique de corpus. Elle est liée au développement des systèmes informatiques, en particulier à la constitution de bases de données textuelles. En littérature, le corpus regroupe un ensemble de textes ayant une visée commune. Il peut être constitué de documents différents (tableau, extrait de texte...) mais ceux-ci ont en général un point en commun: le thème. Il faut avoir une technique particulière pour le déchiffrer. Les corpus sont des outils indispensables et précieux en traitement automatique du langage naturel. Ils permettent en effet d'extraire un ensemble d'informations utiles pour des traitements statistiques. D'un point de vue informatif, ils permettent de détecter des tendances et d'un point de vue méthodologique, ils apportent l objectivité nécessaire à la validation scientifique. L'information n'est plus empirique, elle est vérifiée par le corpus. Il est donc possible de s'appuyer dessus (à condition qu'il soit bien formé) pour formuler et vérifier des hypothèses scientifiques. Une étude participative «Nous nous étions rendus compte que dans la communauté scientifique, personne ne disposait de suffisamment de SMS pour réaliser des études linguistiques du genre de celle que nous projetions», explique le professeur Fairon. Le centre a donc fait appel au grand public en demandant de donner des SMS. Le succès a dépassé leurs espérances puisqu ils ont reçu pas moins de messages venant de personnes en deux mois ont finalement été retenus, anonymisés puis retranscrits en français normalisé selon un protocole très particulier. Ce corpus répondait donc à un réel besoin et l on peut dire que cet appel a atteint non seulement toutes les régions francophones du pays, mais aussi toutes les tranches d âge puisqu il se situe entre 12 et 73 ans (dont 76% ont moins de 25 ans) et toutes les couches de la population. Aujourd hui, la méthodologie du Cental constitue une véritable référence. Avec l accord de l UCL, elle s est exportée vers différents pays: la France, le Québec, l Espagne, l Italie, la Suisse, l Allemagne, la Grande- Bretagne, etc. Certains résultats sont assez Le docteur de Sciences (orientation informatique) Richard Beaufort est passionné de linguistique (spécialement en médiévistique). Il a mis au point un logiciel, qui traite depuis plus d'un an les articles de trois journaux en ligne: Le Soir, La Libre Belgique et La Dernière Heure. Ce logiciel, appelé Recto/Verso, applique les règles de la réforme de l'orthographe de 1990 sur des textes écrits en orthographe conventionnelle. Le logiciel traite environ un million de pages par semaine, soit 52 millions sur une année! tél.: 010/ richard.beaufort@ uclouvain.be 35

5 Photo: Pascal Broze / Reporters Pour en savoir plus: /centa, et curieux, notamment pour l Île de la Réunion où l on retrouve un mélange de créole, de français et de langage SMS. Actuellement des contacts ont été pris avec l Université de New-York mais un sponsor est encore nécessaire ppour avancer. Les messages du corpus «SMS pour la science» avaient été retranscrits à la main par des linguistes mais, dans le cadre du projet Vocalise, le docteur en informatique et romaniste Richard Beaufort a construit un programme capable de réaliser cette tâche automatiquement; programme désormais capable de prendre n importe quel message et de le retranscrire dans un français normalisé. Pour illustrer l efficacité de cette technique, il a conçu une application de vocalisation automatique de SMS. Il a bénéficié, dans sa tâche, de l aide du centre de recherche Multitel, qui a prêté le logiciel de synthèse (c est-à-dire la voix que l on entend) pour réaliser les expérimentations. C est ainsi qu aujourd hui, très schématiquement, la technique mise au point par le Cental peut se résumer de la manière suivante: une personne reçoit un SMS, qui est retranscrit en français «standardisé» avant d être envoyé dans le synthétiseur vocal pour être écouté par le destinataire. Tout ceci en quelques millisecondes! Un outil utile pour tous Pour en savoir plus: ouvrage: Étude d'un corpus informatisé à partir de l enquête «Faites don de vos L sms à la science» par Cédrick Fairon, Jean René KLEIN, Sébastien PAUMIER aux Presses universitaires de Louvain Cahiers du CENTAL. Ce livre entraîne le lecteur dans les coulisses du projet scientifique «Faites don de vos SMS à la science» avant de lui faire découvrir les trésors d inventivité linguistique dont font preuve les usagers du SMS. (ISBN , ISBN , Année de publication: janvier 2007, 136 pages, format 160 x 240 cm), Prix: 16,40 euros. ( Un exemple concret? S ur le site www. uclouvain.be/316175, une première démonstration dévoile la vocalisation d un SMS sans traduction (incompréhensible). Une deuxième fait entendre le SMS, après passage du logiciel, en français standardisé. Une prouesse réalisée avec l aide d un synthétiseur vocal mis à la disposition du Cental par le centre de recherche Multitel et grâce à un budget de la Région wallonne. L utilité de cette technologie est évidente puisqu elle s adresse à tous ceux dont les deux mains sont occupées et qui reçoivent des instructions par SMS: l ouvrier devant sa machine-outil, le cuistot au fourneau ou le délégué commercial au volant de sa voiture. Elle vient aussi au secours de ceux qui ne peuvent pas lire un message SMS (les personnes aveugles ou malvoyantes par exemple) ou à ceux qui ne parviennent pas à se faire à ce langage et donc incapables de déchiffrer le message reçu (les personnes du troisième âge notamment). En ce qui concerne l avenir, l UCL est en train de mettre sur pied une spinoff baptisée Normalis, histoire de valoriser au mieux cette nouvelle technologie du langage. Tout ceci suggère une approche nouvelle de l innovation dans la société, non pas dans la conception du matériel mais dans son utilisation et on peut souhaiter, qu à côté de la révolution d Internet, les consommateurs qui privilégient la simplicité puissent bientôt entendre une voix leur prononcer le SMS qu ils ne peuvent lire eux-mêmes directement. Paul DEVUYST 36