Graphemiseur

Présentation

Brique atomique P2G : à partir d’une transcription phonétique IPA, reconstruit l’orthographe française. Un seul modèle BiLSTM char-level multi-tête V7 avec attention cross word-char et lex_select (3.2M paramètres, ONNX INT8 = 4.4 Mo).

Quatre backends d’inférence : API (zero config), ONNX Runtime, NumPy, ou pur Python (zéro dépendance).

Brique vs Pipeline : Le Graphémiseur est le modèle core (IPA → orthographe brute). Pour le pipeline complet P2G (avec formules, noms propres, entités), voir lectura-p2g.

Exemple de code

from lectura_graphemiseur import creer_engine

engine = creer_engine()   # mode API par défaut (zero config)

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']

Essayer en ligne

Architecture du modèle (V7)

Le P2G V7 ajoute un mécanisme d’attention cross word-char : les représentations de mots issues des têtes POS/Morpho sont projetées vers les positions caractère par attention, améliorant la résolution des ambiguïtés contextuelles. Le lex_select choisit parmi les candidats phonétiquement compatibles du lexique par une tête neuronale dédiée.

Phrase IPA → Char Embedding (64d) → Shared BiLSTM (2x192h → 384d)
                                          |
                  +-----------------------+--------------------+
                  v                                             v
        Word representations              Word repr (384d) + Phone Lex Features (28d)
        (fwd[last] || bwd[first])                          |
                                                 Word BiLSTM (192h → 384d)
                                                       |
                                            +--------------+--------------+
                                           POS        Morpho (x6)    Attention Cross
                                                                    → P2G Head
                                                                    → Lex_Select Head

Phone_lex_features (28d) : le modèle reçoit un vecteur de 28 dimensions par mot, construit à partir du phone_lexicon.db (lexique phonétique SQLite) : 19d POS one-hot + 3d morpho (genre, nombre) + 6d features lexicales. Le lex_select sélectionne la meilleure forme orthographique parmi les candidats phonétiquement compatibles du lexique. Sans phone_lexicon, le modèle fonctionne en mode dégradé (features = zeros).

Installation

# Modèle core (zéro dépendance)
pip install lectura-graphemiseur             # mode API (zero config)
pip install lectura-graphemiseur[onnx]       # backend ONNX Runtime local (~2 ms/phrase)
pip install lectura-graphemiseur[numpy]      # backend NumPy local
pip install lectura-graphemiseur[lexique]    # + lectura-lexique (phone_lex_features)
pip install lectura-graphemiseur[all]        # onnx + numpy + lexique

Par défaut, le module utilise l’API Lectura (aucune configuration nécessaire). Les backends locaux (ONNX, NumPy) nécessitent les modèles pré-entraînés, disponibles sous licence commerciale.

Caractéristiques techniques

• 3.2M paramètres, modèle ONNX INT8 = 4.4 Mo
• 4 backends : API (zero config), ONNX Runtime (~2 ms), NumPy (~50 ms), pur Python (~200 ms)
• Word feedback : les informations POS/morpho enrichissent la prédiction P2G
• Phone_lex_features (28d) : features construites depuis phone_lexicon.db (lexique phonétique SQLite)
• Lex_select : sélection lexicale parmi candidats phonétiques
• Zéro dépendance : le graphémiseur core n’importe pas lectura_formules
• Factory creer_engine() : détection automatique du meilleur backend
• Python 3.10+ avec type hints complets (PEP-561)
• Licence : AGPL-3.0 (non commerciale) — licence commerciale sur demande : nous contacter