Introduction

Le Laal est une langue parlée dans un petit groupe de villages le long de la rivière Bahr Sara, dans la région de Moyen-Chari au sud du Tchad. Avec environ 750 locuteurs restants, elle est classée au niveau 5 de l’échelle UNESCO — “en danger critique d’extinction”.

Ce qui rend le Laal particulièrement remarquable — et urgent à documenter — c’est son statut probable d’isolat linguistique : une langue qui n’appartient à aucune famille connue. Comme le basque en Europe, le Laal pourrait représenter le dernier vestige d’une proto-langue préhistorique du bassin du Lac Tchad.

Ce que nous savons du Laal

La majorité de nos connaissances actuelles sur le Laal provient des travaux de Dr. Florian Lionnet (Princeton) et de Prof. Pascal Boyeldieu (CNRS/LLACAN), qui ont publié les premières descriptions structurées de la langue.

# Exemple : représentation d'un contour tonal en Laal
# H = ton haut, L = ton bas, M = ton moyen, F = ton flottant

tonemes = {
    "HL": "contour descendant (fréquent en position finale)",
    "LH": "contour montant (marqueur aspectuel)",
    "H":  "ton haut simple",
    "L":  "ton bas simple",
}

# Un même segment phonémique avec des tons différents =
# deux mots distincts avec des sens complètement différents

Pourquoi maintenant ?

La dynamique sociolinguistique au Tchad favorise massivement le Sara, le Français et l’Arabe tchadien comme langues de communication inter-ethnique. Les enfants des communautés Laal grandissent en milieu plurilingue et choisissent souvent le Sara comme première langue fonctionnelle.

Sans intervention documentaire active, le Laal pourrait disparaître dans les 20 à 30 prochaines années.

Notre approche : le Projet Laal-Yəw

Le projet Laal-Yəw (candidature Masakhane Lingua Africa 2025) vise à construire la première infrastructure numérique complète pour la langue :

import torch
import geoopt  # bibliothèque pour la géométrie riemannienne en PyTorch

# Espace hyperbolique de Poincaré pour les tons
manifold = geoopt.PoincareBall(c=1.0)

# Un vecteur représentant un contour tonal HL
# dans l'espace euclidien standard
tone_HL_euclidean = torch.tensor([0.3, -0.7, 0.1])

# Projection vers la variété de Poincaré
tone_HL_hyperbolic = manifold.expmap0(tone_HL_euclidean)
print(f"Représentation hyperbolique : {tone_HL_hyperbolic}")

# La distance hyperbolique capture mieux
# les relations hiérarchiques entre contours tonaux

Implications pour l’IA africaine

Le Laal illustre un défi général dans le développement de l’IA pour les langues africaines : la plupart des techniques standard ont été conçues pour des langues bien dotées avec des propriétés typologiques proches de l’anglais ou du mandarin.

Les solutions que nous développons pour le Laal — représentations tonales non-euclidiennes, transfert d’apprentissage cross-lingue, governance communautaire des données — ont vocation à bénéficier à toutes les langues tchadiennes et, plus largement, à la communauté AfricaNLP.

Conclusion

Documenter le Laal, ce n’est pas seulement sauver une langue. C’est préserver une façon unique de conceptualiser le temps, l’espace, les relations sociales et le monde naturel. C’est contribuer à notre compréhension collective de la diversité cognitive humaine.

Et c’est prouver que des chercheurs basés au Tchad, avec des partenaires internationaux mais une gouvernance locale, peuvent produire une science de classe mondiale sur leurs propres langues.

Le code du projet Laal-Yəw sera disponible sur GitHub au fur et à mesure de son avancement. Les corpus audio seront déposés sur ELAR/SOAS sous licence CC-BY-SA.

Contexte

Wav2Vec 2.0 (Baevski et al., 2020) est l’un des modèles ASR les plus influents de la dernière décennie. Son architecture d’auto-supervision — apprendre des représentations de la parole à partir d’audio brut sans transcriptions — en fait un candidat naturel pour les langues faiblement dotées comme le Sara ou le Laal.

Pourtant, nos expériences préliminaires sur le corpus Kalam-na montrent des taux d’erreur de mots (WER) initiaux de 68–74%, bien supérieurs aux résultats obtenus sur des langues comme le swahili (~32%) ou le wolof (~41%) avec des approches similaires.

Pourquoi ? Et comment y remédier ?

Le problème des tons

Le Sara Ngambaye (comme d’autres langues tchadiennes) est une langue à tons grammaticaux : le ton d’une syllabe change le sens du mot ou sa fonction grammaticale, pas seulement son expressivité.

# Exemples Sara Ngambaye (transcription simplifiée)
# H = haut, L = bas

exemples_tonals = {
    "kùl (LL)": "charbon",
    "kúl (HH)": "réunion",
    "kúl (HL)": "appeler (impératif)",
    "màng (LL)": "eau",
    "máng (HH)": "manguier",
}

Le problème : Wav2Vec 2.0 pré-entraîné sur wav2vec2-large-xlsr-53 a été exposé à des langues où la prosodie (hauteur de la voix) encode l’émotion ou l’emphase — pas la grammaire. Le modèle apprend donc à ignorer une information que le Sara utilise comme distincteur phonémique fondamental.

Notre pipeline d’adaptation

from datasets import load_dataset, Audio
from transformers import Wav2Vec2Processor

# Chargement du corpus Kalam-na (Sara Ngambaye)
dataset = load_dataset(
    "Chad-AI-Network/kalam-na",
    "ngambaye",
    split="train"
)

# Rééchantillonnage à 16kHz (requis par Wav2Vec 2.0)
dataset = dataset.cast_column("audio", Audio(sampling_rate=16_000))

processor = Wav2Vec2Processor.from_pretrained(
    "facebook/wav2vec2-large-xlsr-53"
)

def preprocess(batch):
    audio = batch["audio"]
    batch["input_values"] = processor(
        audio["array"],
        sampling_rate=audio["sampling_rate"],
        return_tensors="pt"
    ).input_values[0]
    # Encodage tonal dans les labels : on ajoute les diacritiques
    batch["labels"] = processor.tokenizer(
        batch["transcription_with_tones"]
    ).input_ids
    return batch

dataset = dataset.map(preprocess, remove_columns=dataset.column_names)

# Vocabulaire Sara Ngambaye étendu
VOCAB_SARA = {
    # Voyelles sans ton
    "a", "e", "ɛ", "i", "o", "ɔ", "u",
    # Voyelles avec ton haut (accent aigu)
    "á", "é", "ɛ́", "í", "ó", "ɔ́", "ú",
    # Voyelles avec ton bas (accent grave)
    "à", "è", "ɛ̀", "ì", "ò", "ɔ̀", "ù",
    # Consonnes spécifiques
    "ŋ", "ɲ", "gb", "kp",
    # Tokens spéciaux
    "[PAD]", "[UNK]", "|",  # | = séparateur de mots
}

from transformers import (
    Wav2Vec2ForCTC,
    Wav2Vec2CTCTokenizer,
    TrainingArguments,
    Trainer
)
import torch

model = Wav2Vec2ForCTC.from_pretrained(
    "facebook/wav2vec2-large-xlsr-53",
    attention_dropout=0.1,
    hidden_dropout=0.1,
    feat_proj_dropout=0.0,
    mask_time_prob=0.05,
    layerdrop=0.1,
    ctc_loss_reduction="mean",
    pad_token_id=processor.tokenizer.pad_token_id,
    vocab_size=len(processor.tokenizer),
)

# Geler le feature extractor CNN les 10 premières époques
model.freeze_feature_encoder()

training_args = TrainingArguments(
    output_dir="./wav2vec2-sara-ngambaye",
    group_by_length=True,
    per_device_train_batch_size=16,
    gradient_accumulation_steps=2,
    num_train_epochs=30,
    fp16=True,
    learning_rate=3e-4,
    warmup_steps=500,
    evaluation_strategy="steps",
    eval_steps=400,
    save_steps=400,
    logging_steps=100,
    load_best_model_at_end=True,
    metric_for_best_model="wer",
    greater_is_better=False,
)

Résultats préliminaires

Prochaines étapes

1. Cross-lingual transfer entre dialectes Sara (Ngambaye → Kaba → Mbaye) via un modèle multi-dialecte partagé
2. Intégration d’un module tonal dédié en aval du CTC pour post-correction des erreurs tonales
3. Évaluation sur le Laal — en cours de constitution du corpus audio

Code disponible sur GitHub/Chad-AI-Network. Corpus Kalam-na bientôt sur HuggingFace.

Le contexte : une ruée vers les langues africaines

Depuis 2022, il y a eu une prolifération remarquable d’initiatives Big Tech autour des langues africaines :

• Microsoft LINGUA Africa (en partenariat avec la Fondation Gates et Masakhane)
• Meta MMS (Massively Multilingual Speech) — 1100+ langues dont plusieurs dizaines africaines
• Google MMS et le programme Woolaroo
• OpenAI qui commence à s’y intéresser via des partenariats NGO

Ces initiatives ne sont pas toutes identiques, et certaines ont produit des résultats genuinement utiles. Mais elles partagent une structure économique commune qui mérite examen critique.

La mécanique de l’extraction

Quand une grande entreprise technologique finance la collecte de données linguistiques en Afrique, voici ce qui se passe typiquement :

Ce que la communauté donne : - Le temps des locuteurs (souvent bénévole ou sous-rémunéré) - L’accès à des connaissances culturelles irremplaçables - La légitimité scientifique des partenaires locaux - Les données elles-mêmes

Ce que l’entreprise garde : - La propriété ou le contrôle effectif des modèles entraînés - Le droit de commercialiser les applications dérivées - La réputation académique associée aux publications - La capacité de déprécier l’accès aux modèles à tout moment

C’est une forme de néo-extractivisme numérique — différent dans ses mécanismes du colonialisme classique, mais similaire dans sa logique de captation de valeur.

Notre ligne directrice : 4 questions avant tout engagement

Au Chad AI Network, avant d’accepter tout financement externe (Big Tech ou autre), nous posons systématiquement ces quatre questions :

Ce que nous acceptons

Notre position n’est pas “zéro partenariat externe”. C’est “partenariat à nos conditions”.

La voie alternative : financement diversifié

Notre stratégie de financement repose sur cinq piliers pour éviter la dépendance à un seul acteur :

1. Fondations académiques (Masakhane Lingua Africa, ELDP, DoBeS)
2. Compute grants (HuggingFace, Google TPU Research Cloud, Microsoft AFMF)
3. Financements institutionnels tchadiens (CNRS-Tchad, Ministère de l’Enseignement Supérieur)
4. Coopération internationale (IRD, DAAD, British Council)
5. Communauté (Substack, GitHub Sponsors pour les outils open-source)

Conclusion

La ruée vers les langues africaines par les grandes entreprises technologiques n’est pas une mauvaise nouvelle en soi. C’est une opportunité — à condition que les communautés africaines définissent les termes de l’engagement.

Notre travail au Chad AI Network est de construire suffisamment de capacités locales, de données ouvertes et d’infrastructure souveraine pour être en position de négociation — pas de dépendance — vis-à-vis de tout partenaire externe.

Ces positions sont celles du Chad AI Network et engagent uniquement son fondateur. Des discussions informées et contradictoires sont les bienvenues via email.