Une équipe de chercheurs français a mis au point un outil d’intelligence artificielle capable de transcrire 32 763 manuscrits médiévaux en seulement quatre mois. Un travail colossal qui aurait demandé des générations de spécialistes, selon Futura Sciences. Le projet, baptisé CoMMA (Corpus of Multilingual Medieval Archives), rend accessible en ligne un corpus de plus de trois milliards de mots, principalement en latin et en ancien français.

Ce qu'il faut retenir

  • Une chaîne de reconnaissance automatique a transcrit 32 763 manuscrits médiévaux en quatre mois, contre des années pour des spécialistes humains.
  • Le projet CoMMA livre des transcriptions brutes, sans correction, avec un taux d’erreur moyen de 9,7 %.
  • L’IA utilisée, basée sur les outils open source Kraken et eScriptorium, évite les « hallucinations » des grands modèles de langage comme GPT ou Mistral.
  • Le corpus couvre 11 langues, du IXe au XVIe siècle, et multiplie par quarante le volume de textes disponibles en ancien français.
  • Les transcriptions sont librement consultables et téléchargeables, avec un taux d’erreur affiché pour chaque document.

Un défi technique et historique

La reconnaissance d’écriture manuscrite ancienne constitue un défi majeur pour les machines. Les manuscrits médiévaux présentent des variations considérables dans l’écriture, même pour une même lettre ou un même mot, selon les époques et les types de documents. Thibault Clérice, chercheur à l’Inria et membre de l’équipe ALMAnaCH, souligne la complexité du travail : « Des notes de cours ou des documents administratifs griffonnés à la hâte seront toujours plus coriaces qu’un beau manuscrit régulier, copié pour un noble ou un roi. »

S’ajoutent à cela les abréviations omniprésentes dans les textes médiévaux. En latin, jusqu’à 35 à 40 % des mots étaient abrégés au XIVe siècle, tandis que l’ancien français en comptait entre 7 et 12 %. Dans certains traités techniques, comme les ouvrages de médecine, plus de la moitié des lettres étaient omises. Autant dire que les grands modèles de langage, qui s’appuient sur des régularités linguistiques, se révélaient mal adaptés à cette tâche.

Pourquoi les modèles de langage comme GPT ont été écartés

Les chercheurs ont délibérément évité d’utiliser des modèles de langage tels que GPT, Mistral ou Gemini, car ces systèmes génèrent du texte par prédiction de tokens, c’est-à-dire des séquences de caractères. Or, le français médiéval ne possédait pas encore de règles orthographiques stables. « Le modèle n’a tout simplement rien de stable sur quoi s’appuyer, et le risque de le voir inventer un mot plausible à la place d’un mot réel devient considérable », explique Thibault Clérice.

L’équipe a donc opté pour une approche différente : la reconnaissance de caractères relève davantage de l’interprétation graphique que linguistique. L’algorithme analyse chaque signe individuellement, y compris les accents ou les numéros suscrits. Par exemple, un « à » est considéré comme deux signes distincts. Cette méthode a donné naissance au projet CATMuS (Consistent Approaches to Transcribing Manuscripts), lancé au début des années 2020 sous l’impulsion d’Ariane Pinche, chargée de recherche au CNRS.

Un corpus d’apprentissage bâti à la main pendant des années

Avant même d’entraîner un algorithme, les chercheurs ont transcrit manuellement 200 000 lignes issues de 300 manuscrits différents, couvrant une période allant du IXe au XVIe siècle et rédigés en 11 langues. Une autre version de CATMuS couvre la période allant du XVIe au XXIe siècle. Les documents ont été sélectionnés non pas en fonction des sujets de recherche, mais pour maximiser la diversité du jeu de données.

La règle appliquée était simple : ne rien corriger. Les abréviations n’ont pas été résolues, l’orthographe n’a pas été rectifiée – car elle n’existait pas –, et même les erreurs de copiste, comme l’inversion de deux lettres, ont été conservées. Seuls les phénomènes particuliers, comme les abréviations ou les ratures, ont été standardisés. L’algorithme a ensuite été entraîné à partir d’outils open source existants, Kraken et eScriptorium, qui ne reposent pas sur des modèles de langue, évitant ainsi les hallucinations.

Un corpus de trois milliards de mots désormais accessible

CoMMA a appliqué ce modèle à un volume massif de manuscrits déjà numérisés, issus de Gallica, de la bibliothèque en ligne ARCA de l’Institut de recherche et d’histoire des textes du CNRS, de la plateforme suisse E-Codices, de la bibliothèque bodléienne d’Oxford et de la bibliothèque de l’État de Bavière à Munich. La plateforme livre les transcriptions telles quelles, sans relecture ni correction a posteriori.

Les chercheurs ont évalué le taux d’erreur moyen à 9,7 %, en vérifiant trois lignes consécutives dans 670 manuscrits. Chaque document affiche dans ses métadonnées le pourcentage de lignes correctement reconnues. Le score peut chuter très bas, mais dépasse souvent 80 voire 90 %. La dégradation des résultats suit une logique claire : plus l’écriture devient cursive, dans les manuscrits tardifs du corpus, plus les résultats se détériorent. Ce type de graphie reste en effet très peu représenté dans les données d’entraînement.

Et maintenant ?

Ce corpus géant ouvre la voie à des travaux de linguistique historique, de philologie ou d’histoire des textes qui étaient jusqu’ici hors de portée, faute de matière exploitable en quantité suffisante. Pour l’ancien français seul, le volume de textes disponibles se trouve multiplié par quarante. Les chercheurs devraient maintenant affiner les outils pour réduire le taux d’erreur, notamment sur les écritures cursives les plus tardives. Une version étendue du projet, couvrant jusqu’à l’époque contemporaine, est également en préparation.

Selon Thibault Clérice, les erreurs produites par l’algorithme, comme un « ri » transcrit en « n » ou l’inverse, restent préférables à un mot inventé au milieu du texte. « On préfère une erreur de transcription à une hallucination, car au moins, elle est identifiable et peut être corrigée manuellement par les chercheurs », précise-t-il.

Avec plus de trois milliards de mots désormais accessibles, CoMMA représente une avancée majeure pour la communauté scientifique. Les manuscrits médiévaux, souvent illisibles ou inaccessibles, deviennent exploitables à grande échelle. Reste à voir comment les historiens, linguistes et philologues s’empareront de ce trésor pour faire progresser la connaissance du Moyen Âge.

Ces modèles génèrent du texte par prédiction de séquences de caractères, en s’appuyant sur des régularités linguistiques. Or, le français médiéval ne possédait pas de règles orthographiques stables. Le risque d’inventer des mots plausibles mais inexacts est donc élevé, ce qui rend ces outils peu fiables pour ce type de travail.