Le dire correctement : désambiguïser les hétérophones portugais pour la TTS

Quand une voix de synthèse lit « Tenho sede », un auditeur portugais s’attend à entendre soif. Mais la même orthographe exactement, sede, peut aussi signifier siège social — et les deux se prononcent avec des voyelles différentes. Dites-le avec la mauvaise voyelle et la voix ne sonne pas seulement bizarrement ; elle prononce un mot différent à voix haute. Pour quelqu’un qui dépend de la TTS pour lui lire l’écran, c’est la frontière entre l’intelligible et le déroutant.

C’est un problème de front-end — l’étape graphème vers phonème qui décide quels sons un mot représente, bien avant qu’un vocodeur neuronal ne transforme ces sons en audio. Aucune quantité de qualité de vocodeur n’y remédie. Si le front-end choisit la mauvaise prononciation, la voix articule le mauvais mot, nettement.

Homographes hétérophones : même orthographe, son différent, sens différent

Le portugais européen regorge de mots orthographiés à l’identique mais prononcés avec une qualité de voyelle différente — une voyelle ouverte contre une voyelle fermée — où le bon choix dépend du sens, pas seulement de la grammaire. Quelques exemples :

sede — soif (e fermé, ˈsedɨ) contre siège social / siège (e ouvert, ˈsɛdɨ). Les deux sont des noms.
forma — moule / plat de cuisson (o fermé, ˈfoɾmɐ, écrit fôrma) contre forme / façon (o ouvert, ˈfɔɾmɐ).
molho — sauce (o fermé) contre botte / fagot (o ouvert).
corte — cour royale (o fermé) contre une coupe (o ouvert).

Un système de TTS naïf s’engage sur une seule prononciation par orthographe. Il lit donc soif avec la voyelle de siège social — à chaque fois — et l’auditeur entend le mauvais mot.

Pourquoi « il suffit d’étiqueter la catégorie grammaticale » ne fonctionne pas

La solution évidente est de faire tourner un étiqueteur morphosyntaxique (POS) sur la phrase et de choisir la prononciation selon la catégorie grammaticale. Cela aide pour certaines paires, mais cela échoue par construction dès que deux sens partagent la même catégorie grammaticale.

Reprenons sede. Soif et siège social sont tous deux des noms. Un étiqueteur POS les étiquette de manière identique — il n’y a aucun signal grammatical pour les distinguer — de sorte qu’il ne peut jamais que deviner la lecture la plus fréquente. Nous avons mesuré exactement cela : sur notre ensemble de test, spaCy comme Stanza obtiennent 0 % sur le sens soif de sede. Ils choisissent toujours siège social. Le même plafond structurel apparaît sur corte (coupe contre cour), forma (moule contre forme) et molho (sauce contre botte) : quand le sens se scinde à l’intérieur d’une même catégorie grammaticale, la grammaire ne peut pas le voir.

Le jeu de données : étiqueter le sens, pas la grammaire

Nous avons donc construit un jeu de données ouvert qui étiquette la chose qui compte vraiment — le sens. bifonia-pt-homographs compte 56 891 phrases en portugais européen couvrant 27 homographes hétérophones. Chaque phrase est étiquetée avec le mot, son sens, sa catégorie grammaticale, sa prononciation IPA, et une forme à diacritiques restaurés (par exemple sêde contre séde) qui rend la lecture voulue non ambiguë sur la page.

La clé de regroupement est le sens — c’est tout l’intérêt. Un enregistrement unique ressemble à ceci :

{
  "word": "sede",
  "sense": "thirst",
  "pos": "NOUN",
  "ipa": "ˈsedɨ",
  "sentence": "Depois da corrida tinha tanta sede que bebi um litro de água."
}

Les prononciations ont été vérifiées par rapport au dictionnaire infopédia (Porto Editora) plutôt que devinées, et les partitions train/test sont stratifiées par (word, meaning) de sorte qu’un modèle en aval — un BiLSTM, disons — voie chaque sens dans les deux moitiés. Il est publié sur Hugging Face sous TigreGotico/bifonia-pt-homographs.

Jusqu’à quel point peut-on le résoudre ?

Avec des données étiquetées par sens, nous avons pu mesurer comment différentes approches s’en tirent pour choisir le bon sens — et donc la bonne prononciation :

Approche	Justesse
Toujours deviner le sens le plus fréquent	≈53 %
POS spaCy → sens	≈66 %
POS Stanza → sens	≈75 %
Résolveur de règles + sens de `bifonia`	≈94 %

Les approches fondées sur le POS plafonnent exactement où l’on s’y attend : elles peuvent aiguiller par la grammaire mais jamais par le sens, si bien que les scissions à l’intérieur d’une catégorie de noms restent hors de portée. Notre résolveur — la bibliothèque bifonia, légère et entièrement sans dépendances — atteint ≈94 %, et surtout atteint 100 % sur le cas sede/soif sur lequel les étiqueteurs POS obtiennent 0 %.

Le point saillant n’est pas seulement le chiffre. C’est qu’un composant petit, rapide et entièrement ouvert bat des étiqueteurs POS neuronaux lourds sur cette tâche — parce qu’il résout le sens, pas seulement la grammaire. Pas de GPU, pas de téléchargement de modèle, pas d’appel réseau.

Pourquoi c’est important

Une prononciation correcte est fondamentale, pas cosmétique. Les lecteurs d’écran et les assistants vocaux sont la manière dont les personnes aveugles et les utilisateurs en tout-vocal lisent le monde, et un front-end qui prononce mal des mots courants dégrade silencieusement chaque phrase qu’il touche. Corriger la désambiguïsation des hétérophones à la source signifie que la voix dit ce que le texte veut dire.

Parce que le jeu de données est ouvert et que le résolveur est minuscule et forkable, quiconque construit un front-end de TTS portugais peut réussir cela sans un modèle géant — et la même approche se transpose proprement à une langue apparentée comme le galicien, où la distinction voyelle ouverte/fermée crée le même piège. Les données étiquetées font aussi double emploi : c’est exactement ce dont on a besoin pour entraîner des modèles statistiques compacts, comme un classifieur par mot, pour les équipes qui disposent du corpus et veulent un résolveur appris aux côtés du résolveur fondé sur des règles.

Essayez-le

Le jeu de données est sur Hugging Face à TigreGotico/bifonia-pt-homographs, et le résolveur vit à bifonia. Il s’insère dans le travail plus large sur la phonétique portugaise derrière le NLP classique pour le portugais et la pile graphème vers IPA pour plus de 350 langues — des pièces petites et déterministes qui font prononcer une langue à une voix comme ses locuteurs le font réellement.