Tatoeba : pourquoi chaque phrase humaine porte le nom de son auteur

En 2006, une jeune femme nommée Trang Ho cherchait, dans des dictionnaires bilingues allemands, des phrases complètes montrant un mot dans son contexte plutôt qu’une simple entrée isolée. Elle n’en trouvait pas assez. Elle a fini par construire elle-même l’outil qui lui manquait : Tatoeba, une base de phrases écrites et traduites par des volontaires, ouverte à qui veut y contribuer. Deux décennies plus tard, le site rassemble plus de treize millions de phrases dans plus de quatre cents langues, dont soixante-neuf comptent chacune plus de dix mille phrases, géré aujourd’hui par une association française à but non lucratif. Trang Ho en est restée la figure centrale jusqu’en 2022, avant de laisser la direction du projet à un petit groupe de membres expérimentés de la communauté.

Une licence par phrase, pas par site

La plupart des contenus qu’on trouve librement en ligne se réutilisent au mieux sous la réserve de citer un site ou un auteur collectif. Tatoeba fait un choix différent, posé noir sur blanc dans ses conditions d’utilisation : chaque phrase, prise individuellement, reste sous licence Creative Commons avec attribution. Le texte est direct sur ce que cela implique : utiliser, réutiliser, modifier ou redistribuer une phrase n’est permis qu’à la condition de citer le nom de son auteur. Pas le nom du site, celui de la personne qui a écrit ou traduit cette phrase précise.

Cette règle s’applique phrase par phrase parce que c’est ainsi que le corpus est construit : chaque contribution est un geste individuel, signé, et non un texte anonyme aspiré en bloc quelque part sur le web. Un volontaire qui traduit une phrase du japonais vers le portugais laisse sa marque sur cette traduction précise, indépendamment de qui a écrit la phrase japonaise d’origine ou de qui traduira la même phrase vers une trentième langue.

Ce que cela change pour qui réutilise le corpus

Le wiki du projet, destiné à qui veut réutiliser ce corpus dans ses propres outils, insiste sur un point : le travail ne s’arrête pas au téléchargement d’un fichier. Les phrases portent des étiquettes utiles au tri, des notes de qualité laissées par la communauté, et des corrections qui continuent d’arriver en permanence puisque le corpus reste vivant. Le wiki recommande explicitement de documenter la manière dont les phrases ont été choisies pour un usage donné, et de revenir régulièrement chercher les corrections, plutôt que de figer une extraction unique pour toujours.

Concrètement, chaque phrase des jeux de données exportés par Tatoeba porte, à côté de son texte, l’identifiant de la personne qui l’a écrite et un identifiant numérique propre à cette phrase. Cette paire d’identifiants rend l’attribution possible à grande échelle : un projet qui réutilise des dizaines de milliers de phrases peut, pour chacune, remonter jusqu’à son auteur sans avoir à demander une autorisation au cas par cas, tant que le nom qui accompagne la phrase reste visible auprès de qui la lira ensuite.

Utiliser, réutiliser, modifier ou redistribuer une phrase n’est permis qu’à la condition de citer le nom de son auteur.

Le blog du projet rappelle, dès ses premières années, que cette exigence protège le corpus lui-même : accepter uniquement du contenu compatible avec cette licence, et refuser tout texte protégé par un droit d’auteur extérieur qu’un contributeur ne serait pas en mesure de partager, est ce qui permet à l’ensemble de rester légalement redistribuable, y compris à des fins commerciales, sans qu’aucune phrase ne devienne un point faible juridique pour tous les usages qui en dépendent.

Une règle qui distingue l’humain de la machine

Cette attention portée à l’auteur de chaque phrase tient aussi à la nature même de ce que Tatoeba rassemble : des phrases écrites par des personnes, pas produites par un système automatique. Une phrase humaine engage la responsabilité et le style de qui l’a écrite ; elle peut se référencer, se corriger, se discuter avec son auteur. Une sortie de traduction automatique n’a pas cette même nature : elle n’a pas d’auteur au sens où une personne pourrait en répondre, seulement un système qui l’a produite. Garder cette distinction visible, phrase par phrase, est précisément ce qui permet de ne jamais confondre les deux quand un même projet met en présence des exemples humains et une traduction calculée.