Graphies Arabes et Transcription Automatique : Vers une Reconnaissance Textuelle Haute Précision

Auteur : Chahan Vidal-Gorène

La transcription automatique de textes, qu’il s’agisse de l’OCR (Optical Character Recognition) pour les documents imprimés ou de l’HTR (Handwritten Text Recognition) pour les manuscrits, est désormais bien ancrée dans le domaine des humanités numériques. Elle facilite l’acquisition et la structuration de corpus textuels, atteignant souvent des taux de reconnaissance dépassant les 95%, offrant ainsi une base solide pour des analyses tant quantitatives que qualitatives.

Si ces avancées ont longtemps été limitées aux graphies latines médiévales et modernes – soutenues par des projets de grande envergure comme ECMEN, CREMMA, et HTRomance – les progrès récents dans les modèles de langage multimodaux, comme chatGPT-4o, permettent aujourd’hui de transcrire des documents manuscrits de tout type et époque. DISTAM a investi dans la transcription des graphies manuscrites non latines, avec un accent particulier sur l’arabe, pour soutenir la recherche en études aréales [Lucas 2022].

Ces dernières années, plusieurs ensembles de données pour les manuscrits arabes ont vu le jour, en collaboration avec Calfa (maître d’œuvre pour la création des données et l’entraînement des modèles) :

Année	Nom	Cible	Volume de données	Dépôt
2021	RASAM 1 (Recognition and Analysis of Scripts in Arabic Maghrebi)	Manuscrits Écritures maghrébines	3 manuscrits, 300 pages manuellement transcrites	https://github.com/calfa-co/rasam-dataset
2022	TARIMA	Manuscrits et lithographies Écritures maghrébines	28 documents, 120 pages manuellement transcrites	https://github.com/calfa-co/tarima
2022-2023	Iskandar	Manuscrits Écritures orientales	5 manuscrits, 297 pages manuellement transcrites	https://gitlab.huma-num.fr/lipa/iskandar
2023	RASAM 2	Manuscrits Écritures maghrébines	15 manuscrits, 250 pages manuellement transcrites	https://github.com/calfa-co/rasam-dataset

Les données des projets RASAM 1, RASAM 2, et Iskandar ont été produits lors de hackathons collaboratifs sous l’égide de DISTAM, avec le soutien de la BULAC. Ces corpus retracent les progrès réalisés en matière de transcription automatique pour les écritures arabes :

1. RASAM 1 : Projet pionnier dirigé par Noëmie Lucas, RASAM 1 a posé les bases pour la transcription des manuscrits maghrébins. Trois manuscrits de la BULAC ont été utilisés comme cas d’étude pour illustrer la diversité de l’écriture maghrébine. Les résultats obtenus, avec un taux d’erreur de 4,3% au niveau des caractères, démontrent que des performances comparables aux graphies latines sont possibles. Ce dataset établit notamment un premier cahier des charges de référence pour la transcription des documents en arabe, afin de maximiser leur transcription [Vidal-Gorène et al. 2021].

2. TARIMA : Premier projet d’envergure industrielle pour l’HTR en arabe en France, TARIMA a permis la transcription d’un large éventail de documents manuscrits et lithographiques (plus de 11 000 pages), désormais disponibles dans la bibliothèque numérique de la BULAC, BINA (nouveautés). Les taux d’erreur vont de 6% pour les microfilms endommagés à moins de 1% pour les lithographies, prouvant ainsi la polyvalence du modèle sur des supports variés.

3. Iskandar : Mené dans le cadre du projet ANR LiPoL, Iskandar explore le transfert des techniques de RASAM aux écritures orientales, notamment pour le roman d’Alexandre (Sīrat al-Iskandar). Les taux d’erreur varient de 9% à 4%, aboutissant à la création d’un corpus numérique arabe de 3 800 pages, avec une précision qui rapproche ce corpus des normes occidentales en HTR.

4. RASAM 2 : Sous la direction d’Antoine Perrier, RASAM 2 se fonde sur des recommandations récentes de Vidal-Gorène et al. pour accroître la polyvalence des modèles HTR en arabe, au niveau des architectures de modèles et nombre de données [Lucas et al. 2022]. Ce dataset inclut une grande diversité d’écritures et de qualités de manuscrits. Selon un récent article de Vidal-Gorène et al., RASAM 2 a permis de réduire les taux d’erreur de 40 points dans des contextes d’application en-domaine et hors-domaine, atteignant un seuil de précision inédit [Vidal-Gorène et al. 2024].

Présentation à CHR et Publication de RASAM 2

En 2024, lors de la conférence Computational Humanities Research (CHR) à Aarhus, le dataset RASAM 2 a été présenté dans le cadre d’un article intitulé Enhancing Arabic Maghribi Handwritten Text Recognition with RASAM 2: A Comprehensive Dataset and Benchmarking [Vidal-Gorène et al. 2024]. L’étude s’intéresse à l’applicabilité d’un modèle HTR entraîné avec RASAM 2 sur des données variées, illustrant une stabilité accrue des taux d’erreur, indépendamment de la page, de la graphie, du vocabulaire ou de la langue de transcription, par rapport aux précédents modèles.

Vers une Standardisation et une Extension des Modèles HTR pour l’Arabe

Les corpus RASAM, TARIMA et Iskandar, cumulés, forment aujourd’hui une base solide pour le développement de modèles HTR en graphies arabes. Avec une couverture étendue de styles d’écriture, de périodes et de contextes littéraires, l’HTR en arabe atteint désormais une maturité similaire aux graphies latines, ouvrant de nouvelles perspectives pour les chercheurs en études aréales et les humanités numériques en général.

Ces initiatives, déjà mises en œuvre dans des contextes réels de traitement, illustrent le potentiel considérable de l’automatisation dans la transcription des graphies non latines. Elles marquent une avancée significative pour l’intégration des documents arabes dans les corpus numériques mondiaux, répondant ainsi à un besoin de préservation et d’accessibilité des archives en langue arabe.

La prochaine étape réside dans l’extension des capacités de reconnaissance textuelle manuscrite (HTR) pour l’arabe au sein de chaînes de traitement dédiées à des cas d’usage spécifiques et authentifiés. Cette démarche inclut la création de nouvelles données pour les graphies cursives complexes et les documents d’archives, qui représentent un défi pour rendre les modèles plus polyvalents et adaptables. Si la création d’un modèle générique reste une perspective de long terme, l’utilisation de modèles spécialisés, comme ceux développés dans le cadre des projets TARIMA et Iskandar, assure déjà des taux de reconnaissance élevés et une fiabilité en production, favorisant ainsi leur adoption dans des environnements variés et chaque jour plus riches.

Pour en savoir plus sur les données, modèles et expérimentations

BULAC, Usages, besoins et projets de la communauté scientifique (1/2) – École de printemps du GIS MOMM (https://www.youtube.com/watch?v=J6xZmAnRNMU&t=5534s, et https://www.youtube.com/watch?v=aeal-T-QHR8&t=8103s)

Lucas Noëmie. 2022. OCR/HTR et graphie arabe Les manuscrits arabes à l’heure de la reconnaissance automatique des écritures, 2022. ⟨hal-03822459⟩

Vidal-Gorène, C., Lucas, N., Salah, C., Decours-Perez, A., & Dupin, B. 2021, Septembre. “RASAM–a dataset for the recognition and analysis of scripts in Arabic Maghrebi”. International Conference on Document Analysis and Recognition. Cham: Springer International Publishing. 265-281.

Lucas, N., Salah, C., & Vidal-Gorène, C. 2022. “New Results for the Text Recognition of Arabic Maghribi Manuscripts–Managing an Under-resourced Script”. arXiv preprint arXiv:2211.16147.

Vidal-Gorène, C., Salah, C., Lucas, N., Decours-Perez, A., & Perrier, A. 2024, Décembre. “Enhancing Arabic Maghribi Handwritten Text Recognition with RASAM 2: A Comprehensive Dataset and Benchmarking”. Computational Humanities Research (CHR). <hal-04722622v1>

Pour en savoir plus sur l’interopérabilité des métriques

Au sujet du taux d’erreur, Hodel et al., (2021) proposent une grille pour interpréter les scores d’accuracy, en proposant les seuils suivants :

• | CER < 10% == good (it allows efficient post-processing)
• | CER < 5% == very good (errors are usually focused on rare or unknown words)
• | CER < 2.5% == excellent (but it is usually only reached when the handwriting is very regular)

Hodel, T., Schoch, D., Schneider, C. and Purcell, J. 2021. “General Models for Handwritten Text Recognition: Feasibility and State-of-the Art. German Kurrent as an Example”. Journal of Open Humanities Data, 7(0). 13. <https://doi.org/10.5334/johd.46>.

Voir aussi :  https://alix-tz.github.io/phd/posts/012/

---

---