Votre corpus en langue rare est introuvable pour l'IA

Les intelligences artificielles sont, par défaut, anglophones : elles ont été nourries d'un web dominé par une poignée de langues majeures. Pour les dialectes, les langues régionales et les langues des signes, la donnée d'entraînement reste massivement insuffisante. Et contrairement à l'anglais, il n'y a presque rien à récupérer en ligne pour une langue peu écrite ou peu numérisée : la donnée doit être produite, enregistrée puis transcrite à la main.

Cet effort a un coût, qui est précisément ce qui fait la valeur. Transcrire une heure d'audio dans une langue sous-dotée peut demander de l'ordre de 30 à 36 heures de travail humain, là où l'anglais ne réclame qu'une fraction de ce temps (arXiv, 2025). Côté prix, l'audio annoté de qualité se situe autour de 90 à 180 dollars par heure d'audio en anglais, avec une prime de 3 à 6 fois pour les langues spécialisées ou rares.

Les acteurs concernés produisent, souvent sans le savoir, de la parole rare : les centres d'appels multilingues ou dialectaux, les médias régionaux et radios locales, les associations de sourds et services d'interprétariat en langue des signes, mais aussi le secteur éducatif, la traduction et les communautés linguistiques. Ce qui a de la valeur, c'est l'enregistrement audio ou vidéo accompagné de sa transcription : parole en langue ou dialecte rare, vidéo de langue des signes annotée, parole spontanée d'enfants, d'aînés ou de terrain.

La donnée linguistique touche à des personnes et à des communautés : un cadre éthique — consentement explicite, anonymisation, respect de la communauté — n'est pas une option, et c'est aussi ce qui rend la donnée cessible et donc valorisable. La première étape concrète est de savoir si votre corpus est valorisable : lancez un diagnostic gratuit sur d-nvest.