lectura-graphemiseur 4.1.0

Graphémiseur neural du français (IPA → orthographe) — P2G + POS + Morpho (BiLSTM multi-tâche)

Lectura Graphemiseur

Graphemiseur neural du francais : P2G + POS + Morphologie (IPA → orthographe)

Anciennement lectura-p2g (pip) / lectura_p2g (import). Renomme lectura-graphemiseur / lectura_graphemiseur a partir de la v4.0.0.

Un seul modele BiLSTM char-level multi-tete V6 avec word feedback et phone_lex_features (ONNX INT8) qui predit simultanement :

• P2G : transcription IPA vers orthographe (90.95% word accuracy, pipeline complet avec formules)
• POS : etiquetage morpho-syntaxique — 19 tags (98.3% accuracy)
• Morphologie : genre, nombre, temps, mode, personne, forme verbale (94.7-99.7%)

Le score P2G inclut la reconnaissance de formules (nombres, sigles, dates) via lectura_formules.

Quatre backends d'inference : ONNX Runtime, NumPy, pur Python (zero dependance), ou API serveur.

Demarrage rapide

Installation

pip install lectura-graphemiseur             # zero dependance (backend pur Python)
pip install lectura-graphemiseur[numpy]      # backend NumPy
pip install lectura-graphemiseur[onnx]       # backend ONNX Runtime (le plus rapide)

Utilisation rapide (factory — recommande)

from lectura_graphemiseur import creer_engine

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

result = engine.analyser(["le", "ɑ̃fɑ̃", "sɔ̃", "aʁive", "a", "la", "mɛzɔ̃"])

print(result["ortho"])   # ['les', 'enfants', 'sont', 'arrives', 'a', 'la', 'maison']
print(result["pos"])     # ['ART:def', 'NOM', 'AUX', 'VER', 'PRE', 'ART:def', 'NOM']
print(result["morpho"])  # {'Number': ['Plur', '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.

Modeles locaux (licence commerciale)

Pour utiliser l'inference locale sans API, achetez les modeles sur https://www.lec-tu-ra.com/solutions/services/

Installez les modeles dans ~/.lectura/models/p2g/ :

mkdir -p ~/.lectura/models/p2g
cp unifie_p2g_v6_int8.onnx unifie_p2g_v6_vocab.json phone_lexicon.db ~/.lectura/models/p2g/

Ou via variable d'environnement :

export LECTURA_MODELS_DIR=/path/to/models

creer_engine() detecte automatiquement les modeles locaux. Le fichier phone_lexicon.db (lexique phonetique) est utilise par le modele V6 pour les phone_lex_features et le lex_select. Sans ce fichier, le modele fonctionne en mode degrade (features = zeros).

Poids NumPy / Pure Python (optionnel)

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

curl -L -o unifie_p2g_v3_weights.json \
  https://github.com/maxcarriere/lectura-modules/raw/main/Graphemiseur/modeles_numpy/unifie_p2g_v3_weights.json

engine = creer_engine(mode="numpy")
result = engine.analyser(["bɔ̃ʒuʁ", "lə", "mɔ̃d"])

Backends d'inference

Backend	Dependances	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 resultats identiques.

Pipeline V6 (raw → lex_select → post-traitement)

Le pipeline complet applique trois etapes successives :

1. Raw : prediction brute du modele BiLSTM (82.32% word accuracy)
2. Lex_select : selection lexicale par phone_lexicon — le modele choisit parmi les candidats phonetiquement compatibles (87.33%)
3. Post-traitement :
   • Formules : reconnaissance deterministe de nombres, sigles, dates via lectura_formules
   • Coherence morpho : accord ortho-morpho (pluriel, feminin, conjugaison)
   • Accents : correction a/a, ou/ou par POS
   • → 90.95% word accuracy (pipeline complet)

Phone_lex_features (V6)

Le modele V6 utilise un vecteur de 28 dimensions par mot (phone_lex_features), construit a partir du phone_lexicon.db :

• 19d : POS one-hot (candidats POS du lexique phonetique)
• 3d : features morphologiques (genre, nombre)
• 6d : features lexicales (known, n_candidates, unambiguous, top_freq, has_verb, has_nom)

Le phone_lexicon.db est detecte automatiquement dans le dossier modeles. Sans lexique, le modele fonctionne normalement (features = zeros).

Benchmarks (dev set, modele V6 pipeline complet)

Tache	Metrique	Score
P2G	Word Accuracy (pipeline complet)	90.95%
POS	Accuracy	98.3%
Morpho — Number	Accuracy	94.7%
Morpho — Gender	Accuracy	97.6%
Morpho — VerbForm	Accuracy	99.5%
Morpho — Mood	Accuracy	99.7%
Morpho — Tense	Accuracy	99.7%
Morpho — Person	Accuracy	99.6%

Voir EVALUATION.md pour les resultats detailles et la comparaison v1/v2/v3/v6.

API

creer_engine(mode, models_dir, api_url, api_key, lexicon_path)

Factory pour creer un engine d'inference. Modes : "auto", "local", "api", "onnx", "numpy", "pure". models_dir permet de specifier le dossier des modeles (sinon cascade automatique).

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

Analyse une liste de mots IPA et retourne un dictionnaire :

• ipa_words : liste des mots IPA d'entree
• ortho : orthographe reconstruite par mot
• pos : etiquette POS par mot
• 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).

tokeniser_ipa(text) -> list[str]

Tokenise une phrase IPA (split sur espaces).

corriger_phrase_v3(ortho_words, pos_tags, morpho_features, ..., ipa_words=None) -> list[str]

Pipeline post-traitement V6 complet : formules (via ipa_words) + coherence morpho + accents. Le parametre ipa_words active la reconnaissance de formules (nombres, sigles).

corriger_phrase_v2(ortho_words, pos_tags, lexique) -> list[str]

Post-traitement contextuel inter-mots : accord determinant-nom, sujet-verbe.

Architecture du modele (V6)

Phrase IPA → Char Embedding (64d) → Shared BiLSTM (2×160h → 320d)
                                          │
                  ┌───────────────────────┼────────────────────┐
                  ↓                                             ↓
        Word representations                Word repr (320d) + Phone Lex Features (28d)
        (fwd[last] || bwd[first])                          │
                                                 Word BiLSTM (192h → 384d)
                                                       │
                                         ┌─────────────┼──────────────┐
                                         ↓             ↓              ↓
                                        POS       Morpho (×6)    Word Feedback
                                                                 (broadcast → char)
                                                                      │
                                                                      ↓
                                                           P2G Head (704d → 1198)
                                                           char_out + word_out

• Entree : sequence de caracteres IPA avec <BOS>, <SEP>, <EOS>
• Phone Lex Features : 28d par mot (19 POS one-hot + 3 morpho + 6 lex features)
• Lex Select : selection parmi candidats phonetiques du phone_lexicon
• Word Feedback : les representations mot sont diffusees aux positions char correspondantes
• P2G : prediction par caractere IPA avec labels _CONT (continuation pour marques combinantes)

Limites connues

• Le P2G est intrinsequement ambigu pour les homophones (est/et, a/a, ses/ces) — resolution partielle par le contexte phrastique
• Les marques morphologiques muettes (-s pluriel, -e feminin) restent la principale source d'erreur (~30%)
• Le modele ne gere pas la ponctuation ni la casse (entree = IPA pur)
• Performance sur mots hors-vocabulaire plus basse qu'en contexte

Licence

Ce module est distribue sous licence AGPL-3.0 (non commerciale) — voir LICENCE.txt.

Pour un usage commercial, contacter [e-mail].

Voir aussi ATTRIBUTION.md pour les credits.