Transcription en yoruba : tons, diacritiques et la voie à suivre

Le yoruba est l'une des langues les plus parlées d'Afrique, avec environ 50 millions de locuteurs dans le sud-ouest du Nigeria, au Bénin, au Togo, ainsi qu'une importante diaspora au Royaume-Uni, aux États-Unis et au Brésil. La demande de transcription est réelle : les chaînes Nollywood en yoruba génèrent désormais des millions de vues par jour sur YouTube, et les podcasts en yoruba se sont multipliés sur toutes les grandes plateformes. Pourtant, à mi-2026, la transcription en yoruba occupe une position inconfortable : techniquement dans le périmètre des grands moteurs ASR, mais pas assez fiable ni précise pour un usage en production.

Voici un compte rendu honnête des raisons de cette situation, de l'état d'avancement de la recherche et de ce que vous pouvez réellement faire aujourd'hui.

Le système à trois tons n'est pas une note de bas de page

Le yoruba est tonal d'une manière qui détermine directement le sens, et pas seulement la prononciation. La langue utilise trois tons de registre :

• Ton haut, marqué par un accent aigu : á
• Ton bas, marqué par un accent grave : à
• Ton moyen, laissé sans marque

Une illustration classique : ọ́kọ̀ (haut-bas) signifie « mari », ọ̀kọ̀ (bas-bas) signifie « houe », et ọkọ̀ (moyen-bas) signifie « véhicule ». À l'oral, la distinction est la hauteur tonale. À l'écrit, ce sont les diacritiques. Retirez les marques et vous effondrez le sens.

Au-delà des marques tonales, le yoruba standard utilise des diacritiques souscrites pour les voyelles ouvertes et une consonne palato-alvéolaire : ẹ (e ouvert, comme dans « pet »), ọ (o ouvert, comme dans « off ») et ṣ (proche du « sh » anglais). Les marques tonales se superposent à celles-ci : ẹ́, ẹ̀, ọ́, ọ̀. Cette orthographe a été normalisée lors d'une conférence tenue à Lagos en 1875, organisée par des missionnaires et des savants locaux, et cette norme s'est maintenue.

Une transcription de yoruba de qualité professionnelle doit préserver chaque diacritique. Une transcription sans elles est techniquement lisible mais appauvrie sémantiquement, l'équivalent de retirer toute ponctuation d'un texte juridique anglais.

Pourquoi l'ASR peine précisément avec les diacritiques tonales

Le problème ne se limite pas au caractère « peu doté en ressources ». Il est architectural.

Une étude de 2026 publiée à l'ACL a révélé que les modèles ASR actuels basés sur les transformers produisent en réalité des taux d'erreur plus faibles sur du texte yoruba dont les marques tonales ont été retirées que sur du texte entièrement diacritisé. Les auteurs attribuent cela à trois facteurs : le comportement de tokenisation (la plupart des tokenizers ont été conçus pour les écritures européennes et scindent les caractères diacritisés de façon imprévisible), une représentation insuffisante des indices acoustiques tonals dans les données de pré-entraînement, et l'absence de modélisation tonale dans les objectifs sous-jacents des modèles.

C'est une découverte contre-intuitive. Cela signifie que les modèles ne se contentent pas d'échouer à marquer les tons : ils sont activement perturbés par la présence des marques dans le texte de référence pendant l'entraînement. Résoudre correctement la transcription du yoruba exige de repenser la manière dont les diacritiques tonales sont tokenisées, et pas simplement d'ajouter davantage d'audio en yoruba.

Pour une explication de la raison pour laquelle ce schéma apparaît dans plusieurs langues tonales peu dotées en ressources, voir pourquoi l'IA peine avec les langues à faibles ressources.

Où en sont les chiffres

L'article sur le jeu de données NaijaVoices (Interspeech 2025) fournit le benchmark public le plus clair pour l'ASR yoruba sur des modèles non affinés :

Un WER supérieur à 100 % signifie que le modèle produit plus d'erreurs de mots qu'il n'y a de mots de référence, généralement à cause de texte halluciné ou de phrases répétées. Whisper Large à 106 % de base produit essentiellement du bruit sur un audio yoruba propre.

Les résultats après affinage sont là où les choses deviennent vraiment intéressantes. L'affinage de Whisper Small sur NaijaVoices fait chuter le taux d'erreur d'environ 260 points de pourcentage. C'est une amélioration spectaculaire, même si un WER de 58 % reste loin de la fourchette inférieure à 15 % typique de l'anglais prêt pour la production. L'écart entre « nettement meilleur » et « utilisable sans relecture humaine » demeure important.

Pour situer ces taux d'erreur par rapport à d'autres langues et services, voir la précision de transcription expliquée.

La fragmentation dialectale aggrave le problème

L'ASR du yoruba standard, médiocre comme il est, surpasse encore celui des dialectes yoruba d'une marge mesurable.

Des recherches testant MMS et SeamlessM4T en configuration zéro-shot ont trouvé un écart moyen de 12 points de WER entre le yoruba standard et les dialectes régionaux. Chiffres précis : yoruba standard à 72,50 de WER, dialecte Ifẹ̀ à 85,38, dialecte Ìlàjẹ à 83,79.

Le yoruba compte au moins cinq groupements régionaux — Nord-Ouest (Oyo, Ogun), Nord-Est (Kwara), Centre, Sud-Ouest et Sud-Est — chacun avec des différences phonologiques, lexicales et consonantiques. Le dialecte ijebu, parlé autour de l'État d'Ogun, présente des alternances consonantiques et des distinctions vocaliques documentées qui n'apparaissent pas dans la forme écrite standard. Un modèle entraîné sur de la lecture de nouvelles à Lagos ne gérera pas une interview enregistrée à Ekiti ou Ondo sans perte de précision substantielle.

Lorsque l'affinage adapté aux dialectes a été appliqué avec seulement 800 instances d'entraînement par dialecte, les chercheurs ont obtenu une réduction du WER d'environ 20 points. De petites quantités de données peuvent changer la donne, mais seulement si quelqu'un collecte et étiquette d'abord de l'audio spécifique aux dialectes.

L'alternance codique dans la parole de Lagos

Le yoruba urbain de Lagos ne reste pas dans une seule langue par phrase. Les locuteurs passent en cours de phrase entre le yoruba, l'anglais et le pidgin nigérian. Une phrase peut s'ouvrir en yoruba, insérer un terme technique anglais et se clore par une expression pidgin, le tout grammaticalement cohérent pour le locuteur.

Un article ACL de 2025 sur l'alternance codique yoruba-anglais a révélé que l'affinage de modèles ASR monolingues sur le corpus YECS (120 heures de parole naturellement alternée produite par 140 locuteurs bilingues) permettait de réduire le WER de plus de 20 % sur l'audio alterné tout en maintenant des performances compétitives sur le yoruba standard. Les modèles monolingues affinés étaient moins coûteux en calcul que les alternatives multilingues et comblaient malgré tout l'essentiel de l'écart.

À retenir concrètement : un modèle multilingue générique gérera partiellement les segments anglais d'une parole alternée mais échouera sur les portions yoruba et les transitions. Un contenu enregistré en yoruba formel, à locuteur unique et diacritisé sera mieux transcrit que la parole conversationnelle de Lagos, non parce que le yoruba de Lagos serait « incorrect », mais parce que les modèles ASR sont entraînés sur le premier et non sur le second.

Pour en savoir plus sur l'effet de l'alternance codique sur la précision selon les langues, voir la transcription pour les locuteurs non natifs de l'anglais.

Efforts communautaires de jeux de données : ce qui existe

La situation des ressources pour le yoruba est meilleure qu'il y a cinq ans. Plusieurs jeux de données concrets sont désormais publiquement disponibles :

ÌròyìnSpeech (LREC 2024) : 42 heures de parole en yoruba entièrement diacritisée provenant de 80 locuteurs bénévoles, tirées de l'actualité et de l'écriture créative. Publié sous licence CC-BY-4.0, ce qui signifie qu'il peut être utilisé pour l'entraînement commercial de modèles. C'est notable car le texte de référence diacritisé le rend utile pour l'étude spécifique du marquage tonal.

NaijaVoices (Interspeech 2025) : 606,94 heures de parole en yoruba provenant de 1 768 locuteurs, dans le cadre d'un jeu de données de 1 800 heures couvrant plusieurs langues nigérianes. C'est actuellement le plus grand corpus ouvert de parole en yoruba. La diversité des locuteurs constitue un pas significatif vers la couverture dialectale.

Corpus YECS : 120 heures de parole alternée yoruba-anglais de haute qualité, 99 930 paires audio-texte validées, provenant de 140 locuteurs bilingues démographiquement diversifiés. Conçu spécifiquement pour le problème de l'alternance codique.

Masakhane (la communauté africaine de NLP issue du terrain, plus de 1 000 participants dans 30 pays africains) s'est fixé comme objectif annoncé pour 2025 de collecter 500 heures de parole pour cinq langues sous-représentées. Que le yoruba figure dans cette cohorte n'est pas confirmé publiquement au moment où nous écrivons ces lignes, mais l'organisation a déjà soutenu des travaux NLP sur le yoruba via ses initiatives de benchmarks et de jeux de données.

Le tableau cumulé : plus de 700 heures de parole ouverte en yoruba existent désormais à travers plusieurs collections. C'est une fondation exploitable pour l'affinage. La contrainte n'est plus l'absence de données, mais l'alignement entre l'audio et les transcriptions de référence entièrement diacritisées, ainsi que l'absence de couverture dialectale équilibrée à grande échelle.

Ce qu'exigera réellement un yoruba de qualité professionnelle

Amener le yoruba dans la fourchette de précision de 85-90 % nécessaire pour une transcription pratique légèrement éditée exige que tous les éléments suivants se produisent ensemble :

1. Une tokenisation sensible aux tons. Les modèles actuels doivent être réentraînés ou affinés avec des tokenizers qui traitent les caractères yoruba diacritisés comme des unités uniques, et non comme un caractère de base accompagné d'une marque combinante. C'est un problème de pré-entraînement, pas un simple correctif d'affinage.

2. Des données de référence diacritisées à grande échelle. Les données du domaine de l'actualité (ce que fournit ÌròyìnSpeech) sont un début. Ce sont les données conversationnelles et dialectalement diversifiées à grande échelle qui combleront l'écart entre les performances en laboratoire et l'audio du monde réel.

3. La gestion de l'alternance codique intégrée d'emblée. Pour le contenu de Lagos surtout, un modèle qui traite les transitions yoruba-anglais comme une erreur à minimiser sous-performera toujours sur le matériau réel que chercheurs et journalistes ont besoin de transcrire.

4. La couverture dialectale. Une pénalité de 12 points de WER pour les dialectes signifie qu'un modèle médiocre sur le yoruba standard est en réalité mauvais sur la parole régionale. Une plus grande diversité de locuteurs dans les données d'entraînement est nécessaire, pas optionnelle.

Le paysage de la recherche en 2026 suggère que les quatre axes sont travaillés simultanément, ce qui est une meilleure situation qu'il y a trois ans, quand la fondation des jeux de données elle-même constituait le goulot d'étranglement.

Comparer ce qui existe aujourd'hui

Pour un contexte comparatif connexe, voir les meilleures API de conversion parole-texte en 2026.

Recommandations pratiques pour 2026

Si vous devez transcrire de l'audio en yoruba dès maintenant :

Pour la recherche et les brouillons : Soumettez avec le code de langue « yo » via une API qui achemine vers Whisper ou un point de contrôle affiné. La sortie sera un texte yoruba partiellement correct, souvent avec des marques tonales manquantes et quelques segments hallucinés. Prévoyez une passe de relecture avec un locuteur yoruba fluent, en particulier pour tout nom propre, toponyme ou terme où le ton change le sens.

Pour un usage formel, juridique ou broadcast : La transcription en yoruba par IA seule n'en est pas encore là. La transcription humaine par un transcripteur certifié en yoruba demeure la voie précise. Utilisez la sortie IA comme premier brouillon approximatif pour alléger la charge du transcripteur, pas comme un produit fini.

Pour le contenu ouest-africain où le yoruba n'est pas strictement requis : La transcription en haoussa fonctionne aujourd'hui à une précision de niveau production. De nombreux créateurs de contenu nigérians travaillent dans les deux langues, et pour un contenu où la langue peut varier, le haoussa est l'option actuelle la plus propre.

Mon analyse : le yoruba a franchi le seuil qui va de « le modèle ignore que cette langue existe » à « le modèle produit quelque chose de reconnaissable ». L'écart entre cela et le niveau production reste considérable. L'élan de recherche et le volume de données de 2025-2026 constituent le meilleur signal à ce jour que cet écart se refermera, mais la réponse honnête aujourd'hui est que toute transcription en yoruba produite par un moteur IA a besoin d'un humain compétent dans la boucle.

Si vous avez juste besoin d'une transcription propre sans bot de réunion ni intégrations complexes, ConvertAudioToText prend en charge le yoruba via API et vous fournit la sortie brute à retravailler. C'est un point de départ, pas une solution achevée pour cette langue.

FAQ

Whisper prend-il en charge le yoruba ?

Whisper inclut le yoruba sous le code de langue « yo », et ce depuis large-v3. Mais un support nominal n'est pas un support réel. Le WER de base de Whisper Large sur le yoruba dépasse 100 %, autrement dit il y a plus de mots faux que de mots justes avant tout affinage. Après affinage sur le jeu de données NaijaVoices, Whisper Small redescend à environ 58 % de WER, ce qui est mieux mais reste très éloigné de la qualité broadcast ou juridique.

Pourquoi le yoruba met-il la reconnaissance vocale plus à mal que les autres langues africaines ?

Trois raisons qui se superposent. D'abord, le yoruba est une langue à trois tons où la hauteur change le sens des mots, et les tokenizers ASR actuels n'ont pas été conçus autour des diacritiques. Une étude ACL de 2026 a montré que les modèles produisent en réalité des taux d'erreur plus faibles sur du texte dépourvu de tons que sur du texte entièrement diacritisé, car les diacritiques elles-mêmes cassent la tokenisation. Ensuite, le yoruba compte au moins cinq groupements dialectaux régionaux présentant des différences phonologiques mesurables ; un modèle entraîné sur le yoruba standard affiche un écart de WER d'environ 12 points sur des dialectes comme Ifẹ̀ et Ìlàjẹ. Enfin, la parole urbaine de Lagos alterne massivement avec l'anglais en pleine phrase, et la plupart des modèles gèrent l'une ou l'autre langue, pas le mélange.

Quels jeux de données communautaires existent pour la parole en yoruba ?

Plusieurs jeux vérifiés existent à mi-2026. ÌròyìnSpeech (publié à LREC 2024) contient 42 heures de yoruba entièrement diacritisé provenant de 80 locuteurs bénévoles, diffusé sous licence CC-BY-4.0. NaijaVoices (Interspeech 2025) ajoute 606 heures de parole en yoruba avec 1 768 locuteurs, le plus grand ensemble ouvert à ce jour. Le corpus YECS apporte 120 heures de parole yoruba-anglais naturellement alternée, produite par 140 locuteurs bilingues. Masakhane, l'organisation communautaire de NLP, vise en 2025 à collecter 500 heures pour cinq langues africaines sous-représentées, le yoruba figurant parmi les cibles.

Faut-il utiliser dès maintenant des outils de transcription en yoruba ou attendre ?

Pour une recherche informelle ou un contenu où un brouillon approximatif suivi d'une édition manuelle est acceptable, utiliser Whisper avec le code de langue « yo » est un point de départ viable dès aujourd'hui. Prévoyez une passe d'édition complète par un locuteur fluent, en particulier pour les marques tonales et les noms propres. Pour la diffusion, le juridique ou l'édition formelle, la précision n'y est pas encore. Si votre contenu le permet, la transcription en haoussa est actuellement prête pour la production avec une meilleure précision et couvre un large recouvrement des flux de travail de contenu ouest-africains.

Sources

• Tone in Yoruba ASR: Evaluating the Impact of Tone Recognition on Transformer-Based ASR Models (ACL 2026)
• ÒWE-Voice: Evaluation of Monolingual and Multilingual ASR Using Yoruba Proverb Speech (AfricaNLP 2026)
• Voices Unheard: NLP Resources and Models for Yorùbá Regional Dialects (EMNLP 2024)
• The NaijaVoices Dataset (Interspeech 2025)
• ÌròyìnSpeech: A Multi-purpose Yorùbá Speech Corpus (LREC 2024)
• Fine-Tuning Monolingual ASR for Yoruba-English Code-Switching (CALCS 2025)
• Automatic Speech Recognition for African Low-Resource Languages: A Systematic Review (2025)
• Communauté Masakhane
• Langue yoruba, Wikipédia
• Tokenizer OpenAI Whisper, GitHub