lectura-g2p 3.0.1

Conversion graphème-phonème du français — G2P + POS + Morpho + Liaison (BiLSTM multi-tâche)

Lectura G2P Unifié

Modèle unifié G2P + POS + Morphologie + Liaison pour le français

Un seul modèle BiLSTM char-level multi-tête avec features lexicales (ONNX INT8) qui prédit simultanément :

• G2P : transcription phonémique IPA (98.5% word accuracy)
• POS : étiquetage morpho-syntaxique — 19 tags (98.5% accuracy)
• Morphologie : genre, nombre, temps, mode, personne, forme verbale (96-99.8%)
• Liaison : prédiction des liaisons obligatoires/facultatives (F1 90.6%)

Quatre backends d'inférence : ONNX Runtime, NumPy, pur Python (zéro dépendance), ou API serveur.

Démarrage rapide

Installation

pip install lectura-g2p             # zéro dépendance (backend pur Python)
pip install lectura-g2p[numpy]      # backend NumPy
pip install lectura-g2p[onnx]       # backend ONNX Runtime (le plus rapide)

Utilisation rapide (factory — recommande)

from lectura_nlp import creer_engine
from lectura_nlp.tokeniseur import tokeniser

# Mode auto : utilise les modeles locaux si presents, sinon l'API
engine = creer_engine()

tokens = tokeniser("Les enfants sont arrives a la maison.")
result = engine.analyser(tokens)

print(result["g2p"])      # ['le', 'ɑ̃fɑ̃', 'sɔ̃', 'aʁive', 'a', 'la', 'mɛzɔ̃']
print(result["pos"])      # ['ART:def', 'NOM', 'AUX', 'VER', 'PRE', 'ART:def', 'NOM']
print(result["liaison"])  # ['Lz', 'none', 'Lt', 'none', 'none', 'none', 'none']
print(result["morpho"])   # {'Number': ['Plur', ...], 'Gender': [...], ...}

Modes disponibles : "auto" (defaut), "local", "api", "onnx", "numpy", "pure".

Mode API (zero config)

Sans modeles locaux, creer_engine() utilise automatiquement l'API Lectura :

engine = creer_engine()  # mode="auto" → API si pas de modeles locaux
# ou explicitement :
engine = creer_engine(mode="api", api_url="https://api.lec-tu-ra.com")

Variables d'environnement : LECTURA_API_URL, LECTURA_API_KEY.

Poids NumPy / Pure Python (optionnel)

Les backends NumPy et Pure Python necessitent les poids JSON depuis GitHub :

curl -L -o unifie_v2_weights.json \
  https://github.com/maxcarriere/lectura-modules/raw/main/G2P/modeles_numpy/unifie_v2_weights.json

engine = creer_engine(mode="numpy")
result = engine.analyser(tokeniser("Bonjour le monde."))

Backends d'inférence

Backend	Dépendances	Vitesse	Usage
API	aucune	~100 ms/phrase	Defaut (Niveau 1), zero config
ONNX Runtime	onnxruntime	~2 ms/phrase	Production locale
NumPy	numpy	~50 ms/phrase	Leger
Pur Python	aucune	~200 ms/phrase	Embarque, portabilite max

Les backends locaux (ONNX, NumPy, Pure) produisent des résultats identiques.

Benchmarks (dev set, modele V2 avec features lexicales)

Tâche	Métrique	Score
G2P	Word Accuracy	98.5%
G2P	PER (Phone Error Rate)	0.5%
POS	Accuracy	98.5%
Liaison	Macro F1	90.6%
Morpho — Number	Accuracy	96.4%
Morpho — Gender	Accuracy	98.3%
Morpho — VerbForm	Accuracy	99.6%
Morpho — Mood	Accuracy	99.8%
Morpho — Tense	Accuracy	99.8%
Morpho — Person	Accuracy	99.7%

Voir EVALUATION.md pour les résultats détaillés.

API

tokeniser(text) -> list[str]

Tokenise une phrase française (gestion apostrophes, ponctuation, contractions).

creer_engine(mode, api_url, api_key, lexicon_path)

Factory pour creer un engine d'inference. Modes : "auto", "local", "api", "onnx", "numpy", "pure".

engine.analyser(tokens, *, use_lex=True) -> dict

Analyse une liste de tokens et retourne un dictionnaire :

• tokens : liste des tokens d'entrée
• g2p : transcription IPA par token
• pos : étiquette POS par token
• liaison : label liaison par token (none, Lz, Lt, Ln, Lr, Lp)
• morpho : dict de listes par trait (Number, Gender, VerbForm, Mood, Tense, Person)

Le parametre use_lex=False desactive les features lexicales (utile pour le benchmarking).

corriger_g2p(mot, ipa) -> str

Applique la table de corrections puis les règles (ex+consonne, ex+voyelle, yod).

appliquer_liaison(tokens, phones, liaisons) -> list[str]

Applique les consonnes de liaison entre tokens consécutifs.

Architecture du modèle (V2)

Phrase → Char Embedding (64d) → Shared BiLSTM (2×160h → 320d)
                                        │
                    ┌───────────────────┼───────────────────┐
                    ↓                                       ↓
              G2P Head (per-char)         Word repr (320d) + Lex Features (24d)
              Linear(320→40)                        │
                                          Word BiLSTM (128h → 256d)
                                                │
                                    ┌───┬───┬───┬───┬───┬───┬───┐
                                   POS Num Gen VF  Mood Tns Per Liaison

• Entrée : séquence de caractères avec <BOS>, <SEP>, <EOS>
• Lex Features : 24d par mot (21 POS one-hot + known + n_candidates + unambiguous)
• G2P : prédiction par caractère avec labels _CONT (continuation)
• Têtes mot : représentation mot = fwd[dernier_char] || bwd[premier_char] + lex_proj(24→24)

Limites connues

• Le G2P est évalué en contexte phrastique ; la performance sur mots isolés hors-vocabulaire est plus basse (~92%)
• La liaison Lp est très rare dans les données d'entraînement (F1 = 66.7%)
• Les noms propres et néologismes peuvent produire des transcriptions approximatives
• Le modèle ne gère pas les homographes contextuels complexes (ex: "fils" = /fis/ vs /fil/)

Licence

Double licence :

• AGPL-3.0 — usage libre (voir LICENCE.txt)
• Licence commerciale — usage proprietaire (voir LICENCE-COMMERCIALE.md)

Voir aussi ATTRIBUTION.md pour les credits.