32 763 manuscrits médiévaux déchiffrés sans grands modèles d’IA

En quatre mois, des équipes de l’Inria et de philologues ont transcrit 32 763 manuscrits médiévaux, un volume qui aurait pris des années à des chercheurs isolés. Le projet, baptisé CoMMA, met en ligne des transcriptions brutes à côté des pages numérisées et change l’échelle du travail sur les textes anciens. Son choix le plus notable est aussi le plus contre-intuitif : GPT, Mistral et Gemini ont été écartés. Pour lire du latin du XIIe siècle, mieux vaut parfois un outil moins bavard et plus discipliné.

Pourquoi les modèles de langage n’étaient pas les bons outils

La difficulté ne tient pas seulement à l’âge des documents, mais à leur nature même. L’écriture médiévale varie fortement selon les époques, les scribes et les usages, tandis que les abréviations sont omniprésentes : en latin, elles atteignent 35 à 40 % des mots au XIVe siècle, selon la source. Dans certains traités techniques, à peine la moitié des lettres figure réellement sur la page.

Face à ce matériau, les grands modèles de langage s’exposent à un risque simple : inventer un mot plausible là où le texte attend une lecture précise. L’équipe a donc traité la transcription comme un problème graphique avant d’être linguistique. Un accent compte comme un signe à part entière, et un « à » devient deux caractères à reconnaître. Cette approche réduit les hallucinations, même si elle produit encore des confusions du type « ri » lu « n », ou l’inverse.

Un corpus construit à la main, puis passé à la machine

Le socle de départ s’appelle CATMuS, pour Consistent Approaches to Transcribing Manuscripts. Lancé au début des années 2020 à l’initiative d’Ariane Pinche, chargée de recherche au CNRS, il a servi à fabriquer un jeu d’apprentissage cohérent avant toute phase d’entraînement. Pendant plusieurs années, les équipes ont transcrit à la main 200 000 lignes issues de 300 manuscrits différents, dans 11 langues, du IXe au XVIe siècle.

La règle appliquée était stricte : ne rien corriger. Abréviations, orthographe flottante, inversions de lettres et particularités de copie ont été conservées. En revanche, les notations particulières ont été standardisées, comme les numéros suscrits ou les ratures. L’algorithme a ensuite été entraîné avec Kraken et eScriptorium, deux outils open source qui ne reposent pas sur des modèles de langue.

CoMMA, un accès libre à un corpus géant

CoMMA, pour Corpus of Multilingual Medieval Archives, agrège des manuscrits déjà numérisés venus de Gallica, de l’ARCA de l’IRHT-CNRS, d’E-Codices, de la bibliothèque bodléienne d’Oxford et de la bibliothèque d’État de Bavière à Munich. Les transcriptions sont publiées telles quelles, sans relecture ni correction après coup, avec leur taux d’erreur affiché dans les métadonnées.

Les chercheurs ont évalué un taux d’erreur moyen de 9,7 % en vérifiant trois lignes consécutives dans 670 manuscrits. Le score varie beaucoup selon les documents : il peut être très bas, mais dépasse souvent 80 % voire 90 %. Plus l’écriture devient cursive dans les manuscrits tardifs, plus les résultats se dégradent, car ce type de graphie reste peu représenté dans les données d’entraînement.

Rapporté à l’échelle, l’ensemble dépasse trois milliards de mots, principalement en latin et en ancien français. Pour l’ancien français seul, le volume disponible est multiplié par quarante par rapport à la situation antérieure. Cela ouvre des travaux de linguistique historique, de philologie et d’histoire des textes qui restaient jusque-là hors de portée, faute de matière exploitable en quantité suffisante.