L’anglais, pivot de presque toute la traduction automatique ouverte

Traduire du bengali vers le chinois, dans la plupart des projets ouverts de traduction automatique, ne se fait jamais directement. Le texte passe d’abord du bengali vers l’anglais, puis de l’anglais vers le chinois : deux modèles, deux calculs, et une langue intermédiaire que ni la personne qui écrit ni celle qui lit ne parle. Ce détour porte un nom, le pivot, et il n’a rien d’exceptionnel : c’est la règle plutôt que l’exception dès qu’aucune des deux langues en jeu n’est l’anglais.

Ce que montre un registre public de modèles

Le registre que Mozilla publie pour son projet de traduction ouverte, dont s’inspirent plusieurs services de traduction embarquée, ne propose aucune paire directe entre deux langues autres que l’anglais. Chaque paire disponible relie l’anglais à une autre langue, dans un sens ou dans l’autre. Quatre langues de ce registre, l’afrikaans, le biélorusse, le serbo-croate et le norvégien nynorsk, ne vont même que vers l’anglais et jamais dans l’autre sens : ce n’est pas un oubli, c’est exactement ce que Mozilla publie. Traduire entre deux langues quelconques de ce registre qui ne sont pas l’anglais implique donc, mécaniquement, de faire transiter le texte par l’anglais, en deux étapes.

D’où vient cette situation

La raison n’est pas un choix arbitraire, elle tient à la matière première dont se nourrit un système de traduction automatique : des paires de phrases déjà traduites, moissonnées sur le web. Or le web produit, et de très loin, davantage de textes traduits depuis ou vers l’anglais qu’entre deux autres langues prises au hasard. Un rapport déjà traduit à la fois en bengali et en chinois est rarissime à trouver ; un rapport traduit entre le bengali et l’anglais, ou entre le chinois et l’anglais, existe en quantité. L’anglais devient ainsi, par la seule disponibilité des données, le point de passage naturel de la plupart des systèmes.

Une équipe de Facebook AI Research a chiffré précisément ce que coûte ce choix par défaut. Dans un article publié en 2020, elle a construit un système capable de traduire directement entre cent langues, sans jamais passer par l’anglais, en minant à grande échelle des paires de phrases entre langues non anglaises. Résultat : des gains supérieurs à dix points de score BLEU sur les traductions entre deux langues non anglaises, comparé à un système qui pivote par l’anglais. Dix points de BLEU, sur l’échelle habituelle de cette mesure, séparent souvent une traduction pénible d’une traduction fluide.

Le système qu’elle a bâti porte un nom, M2M-100 : la première fois qu’un modèle unique traduisait directement entre cent langues sans jamais transiter par l’anglais, construit en minant des paires de phrases entre langues non anglaises à l’échelle du web plutôt qu’en se contentant des paires impliquant l’anglais, bien plus faciles à réunir. Un tel effort de minage reste rare précisément parce qu’il coûte plus cher, en données comme en calcul, que de s’appuyer sur l’anglais comme intermédiaire déjà abondant.

Ce que cela coûte encore aujourd’hui

La plupart des projets ouverts de traduction automatique, cependant, n’ont pas les moyens de miner des données entre chaque paire de langues possible : construire un système comme celui de cette équipe demande des ressources que peu de projets peuvent réunir. Le linguiste Jörg Tiedemann, qui documente le Tatoeba Translation Challenge utilisé par le projet ouvert OPUS-MT, décrit les méthodes fondées sur un pivot comme une stratégie pratique et largement employée dès que les données parallèles directes entre deux langues manquent, l’anglais servant alors de plaque tournante par défaut plutôt que par choix linguistique.

Le même travail souligne une nuance : toutes les paires de langues ne profitent pas de l’anglais comme intermédiaire de la même manière. Deux langues proches l’une de l’autre, par leur grammaire ou leur vocabulaire, se traduiraient en principe plus fidèlement l’une vers l’autre qu’en passant par une langue aussi éloignée des deux que peut l’être l’anglais. Mais construire ce genre de pivot alternatif suppose, là encore, de disposer de données pour l’entraîner, ce qui ramène à la même rareté.

Chaque étape du pivot ajoute sa propre marge d’erreur à celle de l’étape suivante : une nuance mal rendue en anglais se propage, sans correction possible, dans la langue finale. Deux traductions imparfaites mises bout à bout ne se compensent pas, elles s’additionnent. Cette rareté de données pèse en particulier sur les langues les moins dotées en textes numérisés, un sujet à part entière : voir l’article sur les langues peu dotées.