Déchiffrer une page de latin du XII^e siècle demande des années de formation, et transcrire un manuscrit de plusieurs centaines de pages peut occuper un chercheur pendant des années. Des équipes de l'Inria et des philologues ont mis au point une chaîne de reconnaissance automatique qui a traité 32 763 manuscrits médiévaux en quatre mois.

Le résultat, baptisé CoMMA (pour Corpus of Multilingual Medieval Archives), est librement consultable et téléchargeable en ligne, avec les transcriptions affichées à côté des pages numérisées.

Un défi que l'écriture ancienne rend redoutable

La reconnaissance d'écriture manuscrite constitue déjà un exercice délicat pour une machine. Appliquée aux documents anciens, elle devient un casse-tête. Une même lettre, un même mot varient énormément selon les époques et le type de document.

Thibault Clérice, chercheur de l'équipe ALMAnaCH au centre parisien de l'Inria, résume la difficulté : des notes de cours ou des documents administratifs griffonnés à la hâte seront toujours plus coriaces qu'un beau manuscrit régulier, copié pour un noble ou un roi.

S'ajoute le problème des abréviations, omniprésentes dans les textes médiévaux. En latin, le pic se situe entre 35 et 40 % de mots abrégés au XIV^e siècle. En ancien français, la proportion oscille entre 7 et 12 %. Dans certains documents très techniques, un traité de médecine par exemple, la moitié seulement des lettres figurent réellement sur la page.

Pourquoi les grands modèles de langage ont été écartés

Face à un tel matériau, GPT, Mistral ou Gemini se révèlent mal armés. Ces systèmes génèrent du texte par prédiction de tokens, ces séquences de caractères qui servent d'unités de base aux modèles de langage. Ils s'appuient donc sur les régularités d'une langue.

Or le français médiéval ne connaît pas encore de règles orthographiques. Le modèle n'a tout simplement rien de stable sur quoi s'appuyer, et le risque de le voir inventer un mot plausible à la place d'un mot réel devient considérable.

L'équipe a donc changé de perspective : la reconnaissance de caractères relève selon elle de l'interprétation graphique bien plus que de l'interprétation linguistique. L'analyse porte sur le signe individuel, un accent comptant pour un caractère à part entière. Un « à » représente ainsi deux signes à reconnaître.

Deux cents mille lignes transcrites à la main

Cette approche a donné naissance au projet CATMuS (pour Consistent Approaches to Transcribing Manuscripts), lancé au début des années 2020 à l'initiative d'Ariane Pinche, chargée de recherche au CNRS. Objectif : bâtir un corpus d'apprentissage cohérent avant même de songer à entraîner un algorithme.

Pendant plusieurs années, l'équipe a transcrit à la main 200 000 lignes issues de 300 manuscrits différents, en 11 langues, couvrant du IX^e au XVI^e siècle. Une autre version de CATMuS couvre la période allant du XVI^e au XXI^e siècle. Les documents ont été choisis non pas selon les sujets de recherche des uns et des autres, mais pour maximiser la diversité du jeu de données.

La règle appliquée tient en un mot : ne rien corriger. Les abréviations n'ont pas été résolues, l'orthographe n'a pas été rectifiée puisqu'il n'en existait pas, et même les erreurs de copiste comme l'inversion de deux lettres ont été conservées. En revanche, la transcription de phénomènes particuliers, abréviations, numéros suscrits ou ratures, a été standardisée.

L'algorithme a ensuite été entraîné à partir d'outils open source existants, Kraken et eScriptorium, qui ne reposent pas sur des modèles de langue. Ce choix évite les hallucinations. Il produit d'autres types d'erreurs, un « ri » transcrit en « n » ou l'inverse, que Thibault Clérice dit préférer à un mot inventé au milieu du texte.

Des transcriptions brutes, avec leur taux d'erreur affiché

CoMMA a consisté à appliquer ce modèle à un volume massif de manuscrits déjà numérisés, provenant de Gallica, de la bibliothèque en ligne ARCA de l'Institut de recherche et d'histoire des textes du CNRS, de la plateforme suisse E-Codices, de la bibliothèque bodléienne d'Oxford et de la bibliothèque de l'État de Bavière à Munich.

La plateforme livre les transcriptions telles quelles, sans relecture ni correction après coup. Les chercheurs ont évalué le taux d'erreur moyen à 9,7 %, en vérifiant trois lignes consécutives dans 670 manuscrits.

Chaque document affiche dans ses métadonnées le pourcentage de lignes correctement reconnues. Le score peut chuter très bas, mais dépasse souvent 80 voire 90 %. La dégradation suit une logique claire : plus l'écriture devient cursive, dans les manuscrits tardifs du corpus, plus les résultats se détériorent. Ce type de graphie reste en effet très peu représenté dans les données d'entraînement.

Rapporté à l'échelle, l'ensemble représente un corpus de plus de trois milliards de mots, principalement en latin et en ancien français. Pour l'ancien français seul, le volume de textes disponibles se trouve multiplié par quarante par rapport à la situation antérieure. De quoi ouvrir des travaux de linguistique historique, de philologie ou d'histoire des textes qui étaient jusqu'ici hors de portée, faute de matière exploitable en quantité suffisante.