Language models and African languages: state of play

L’Afrique concentre près d’un tiers des langues vivantes du monde, selon les recensements linguistiques de référence comme Ethnologue. Une poignée d’entre elles seulement est traitée correctement par les outils d’intelligence artificielle grand public. Le sujet IA et langues africaines n’est pas une curiosité de laboratoire : il décide qui peut utiliser un service public numérique, un assistant bancaire ou une plateforme de santé dans sa langue. Cet état des lieux, arrêté à la fin juillet 2025, fait le point sur ce que l’on sait et sur ce que cela implique pour un projet réel.

Un déséquilibre qui commence dans les données

Un modèle de langage apprend à partir de textes. Or la grande majorité des textes disponibles en ligne est rédigée dans quelques langues, l’anglais en tête. Les grands corpus constitués en aspirant le web reproduisent ce déséquilibre : pour la plupart des langues africaines, il n’existe que très peu de pages, souvent des traductions religieuses ou administratives, parfois de qualité incertaine.

Trois caractéristiques aggravent la situation. Beaucoup de ces langues sont d’abord orales, et leur écriture est récente ou peu pratiquée au quotidien. Leur orthographe varie d’un auteur à l’autre, et parfois d’un pays à l’autre pour une même langue. Enfin, l’usage réel mêle souvent plusieurs langues dans une même phrase : wolof et français à Dakar, lingala et français à Kinshasa, anglais et pidgin à Lagos. Un modèle entraîné sur des textes « purs » comprend mal cette alternance, qui est pourtant la norme dans les conversations.

Ce qui a changé depuis 2019

La situation a sensiblement évolué en quelques années, sous l’effet de trois dynamiques.

Une communauté de recherche africaine structurée. Fondée en 2019, Masakhane réunit des chercheurs et des bénévoles, principalement africains, autour du traitement automatique des langues africaines. Elle a produit des jeux de données ouverts et des bancs d’essai devenus des références : reconnaissance d’entités nommées (MasakhaNER), analyse de sentiments (AfriSenti, retenu pour une compétition internationale en 2023), questions-réponses. D’autres travaux universitaires ont publié des modèles compacts spécialisés, comme AfriBERTa en 2021.

Des financements ciblés sur les données. Des initiatives comme le Lacuna Fund, créé en 2020, financent la constitution de jeux de données étiquetés pour des langues et des contextes peu couverts, avec une attention à la propriété locale des données. Le projet Common Voice de Mozilla a recueilli des enregistrements vocaux en plusieurs langues africaines, dont le kinyarwanda et le swahili, mis à disposition sous licence libre.

Des grands acteurs qui élargissent leur couverture. En 2022, le projet NLLB (« No Language Left Behind ») de Meta a publié un modèle de traduction couvrant deux cents langues, dont plusieurs dizaines de langues africaines. La même année, Google a ajouté vingt-quatre langues à son service de traduction, dont le bambara, l’ewe, le lingala et le twi. En 2024, la société sud-africaine Lelapa AI a présenté InkubaLM, un petit modèle de langage conçu pour plusieurs langues africaines, illustrant une voie différente : des modèles légers, adaptés à des infrastructures modestes.

Sur le plan politique, l’Union africaine a adopté en juillet 2024 une stratégie continentale pour l’intelligence artificielle, qui fait de la préservation et de la valorisation des langues africaines un enjeu explicite.

Ce que montrent les bancs d’essai

Les évaluations publiées par la communauté de recherche convergent sur un point : les grands modèles généralistes obtiennent en langues africaines des résultats nettement inférieurs à ceux qu’ils obtiennent en anglais ou en français, sur les mêmes tâches. Les bancs d’essai construits spécifiquement, comme IrokoBench publié en 2024, mesurent cet écart sur plusieurs langues et plusieurs types de questions. L’écart varie beaucoup selon la langue : le swahili, le haoussa ou l’afrikaans s’en sortent mieux que des langues moins écrites.

Une précaution s’impose : les scores automatiques usuels, conçus pour des langues très dotées, sont peu fiables pour des langues à l’orthographe variable. Les évaluations humaines par des locuteurs restent la référence, et elles sont rares, coûteuses et souvent limitées à quelques centaines d’exemples.

Un coût caché : la tokenisation

Un modèle ne lit pas des mots, mais des fragments appelés jetons. Le découpage en jetons est appris sur les corpus d’entraînement : il est efficace pour les langues fréquentes et morcelle beaucoup plus les autres. Des travaux publiés en 2023 ont montré que, pour un même contenu, le nombre de jetons peut varier très fortement d’une langue à l’autre.

Les conséquences sont concrètes. Les services facturés au jeton coûtent davantage pour un même texte en langue peu dotée. Le modèle « voit » moins de texte dans sa fenêtre de contexte. Les réponses sont plus lentes. Pour un service public à fort volume, ce surcoût entre dans le calcul, au même titre que la qualité.

Le cas particulier de l’Afrique francophone

Les langues les mieux couvertes par la recherche sont surtout parlées en Afrique de l’Est et australe (swahili, amharique, zoulou, afrikaans) et au Nigeria (haoussa, yoruba, igbo), où l’anglais sert de langue pivot. Les langues des pays francophones, comme le wolof, le bambara, le mooré, le fon, le lingala, le kikongo, le sango ou le malgache, sont en moyenne moins dotées en corpus annotés et en bancs d’essai.

Cette situation tient en partie à l’histoire administrative : dans beaucoup de pays francophones, les textes officiels, les formulaires et les contenus des services publics n’existent qu’en français. Il y a donc peu de textes parallèles, pourtant précieux pour entraîner et évaluer la traduction. Elle tient aussi à la place de l’oral : une grande partie des échanges quotidiens en langue nationale se fait au téléphone, par message vocal ou à la radio, rarement par écrit.

C’est aussi une opportunité. Les administrations et les opérateurs disposent souvent de ressources inexploitées : enregistrements de centres d’appels, émissions de radio publiques, documents de sensibilisation traduits pour des campagnes de santé ou d’état civil. Constituées avec les autorisations nécessaires et les garanties de protection des données, ces ressources peuvent alimenter des jeux d’évaluation de bonne qualité, et parfois des corpus d’adaptation.

Évaluer avant de choisir

Faute de classements fiables, l’évaluation sur ses propres cas devient l’étape centrale d’un projet. Elle ne demande pas des moyens considérables. Quelques centaines d’exemples représentatifs suffisent souvent pour départager des options : questions réellement posées par les usagers, documents réellement traduits, messages vocaux réellement reçus. Chaque exemple est évalué par au moins deux locuteurs, idéalement de régions ou de générations différentes, selon une grille explicite : le sens est-il exact, la réponse est-elle compréhensible, le registre est-il acceptable, y a-t-il une erreur qui pourrait induire l’usager en erreur ?

Cette évaluation a un deuxième intérêt : elle sert de référence dans la durée. Lorsqu’un fournisseur publie une nouvelle version de son modèle, ou qu’un modèle ouvert plus léger apparaît, le même jeu de test permet de savoir en quelques jours si le changement améliore réellement le service.

Ce que cela implique pour un projet réel

Pour une administration, une banque, un opérateur de santé ou une entreprise qui veut servir ses usagers dans une langue africaine, les travaux disponibles suggèrent quelques principes.

• Partir de l’usage et du canal : pour beaucoup de publics, la voix (téléphone, message audio) compte davantage que l’écrit.
• Construire tôt un jeu de test à partir de vrais échanges, validé par plusieurs locuteurs de régions différentes.
• Comparer plusieurs architectures sur ce jeu de test : modèle généraliste seul, modèle combiné à une traduction, modèle spécialisé.
• Garder un humain dans la boucle pour les décisions qui engagent l’usager (santé, droits, argent), et prévoir un repli vers un agent.
• Traiter les données vocales et textuelles recueillies comme des données personnelles, avec une base légale, une durée de conservation et, si elles servent à améliorer un modèle, un accord explicite.
• Prévoir la question de la propriété : un corpus constitué avec des communautés locales devrait leur bénéficier aussi.

Le cadre juridique compte. La convention de l’Union africaine sur la cybersécurité et la protection des données à caractère personnel, dite convention de Malabo, est entrée en vigueur en 2023, et de nombreux pays disposent de leur propre loi sur les données personnelles. Un projet qui envoie des enregistrements vocaux vers un service hébergé hors du pays doit vérifier ce que ces textes autorisent.

Les questions ouvertes

Plusieurs points restent mal établis à ce jour. On sait peu de choses, de façon rigoureuse, sur la qualité des modèles dans les variantes urbaines mêlées de français ou d’anglais, pourtant majoritaires dans certains usages. Les évaluations portent surtout sur des tâches de laboratoire, beaucoup moins sur des services réels utilisés par des publics peu familiers du numérique. La question des licences et du partage de la valeur tirée des corpus communautaires n’a pas de réponse stabilisée. Enfin, l’arbitrage entre grands modèles hébergés à distance et petits modèles exécutables localement, sur un téléphone ou un serveur national, dépendra autant de la souveraineté et du coût que de la performance.

Pour une organisation, la conclusion est pragmatique : la technologie progresse vite, mais aucun classement général ne remplace un test sur ses propres cas, dans la langue et le registre de ses usagers. C’est la démarche que nous suivons dans notre offre IA d’entreprise et dans nos travaux de recherche et développement : un jeu de test d’abord, une architecture ensuite.

1. Ethnologue, Languages of the World, SIL International (recensement des langues par région).
2. Masakhane, communauté de recherche sur le traitement automatique des langues africaines, travaux MasakhaNER (2021) et AfriSenti (2023).
3. NLLB Team, « No Language Left Behind: Scaling Human-Centered Machine Translation », Meta AI, 2022.
4. Petrov A. et al., « Language Model Tokenizers Introduce Unfairness Between Languages », NeurIPS, 2023.
5. Adelani D. et al., IrokoBench, banc d’essai pour les langues africaines, 2024.
6. Union africaine, Stratégie continentale pour l’intelligence artificielle, juillet 2024.
7. Union africaine, Convention sur la cybersécurité et la protection des données à caractère personnel (Malabo, 2014), entrée en vigueur en 2023.

Pour approfondir : IA d’entreprise · Automatisation des processus

Questions fréquentes

Les grands modèles de langage comprennent-ils les langues africaines ?

Certains, en partie. Les langues les mieux dotées en textes, comme le swahili, sont traitées de façon utilisable pour des tâches simples ; beaucoup d'autres le sont mal ou pas du tout. La qualité varie fortement selon la langue, la tâche (traduction, résumé, réponse à une question) et le registre. Seul un test sur vos propres cas, évalué par des locuteurs, permet de conclure.

Faut-il entraîner un modèle spécifique pour une langue africaine ?

Rarement en premier. Il est souvent plus efficace de combiner un modèle existant avec une couche de traduction, de reconnaissance vocale ou d'adaptation sur un petit corpus de qualité, puis de mesurer. L'entraînement d'un modèle dédié se justifie pour des usages à fort volume, ou lorsque la souveraineté des données l'exige.

Pourquoi la reconnaissance vocale est-elle si importante ?

Parce que beaucoup de langues africaines sont surtout parlées, que leur orthographe n'est pas toujours stabilisée, et qu'une partie des usagers lit difficilement. Un service vocal, par téléphone ou par message audio, touche un public qu'un service écrit n'atteint pas.

Comment évaluer un modèle dans une langue peu dotée ?

En construisant un petit jeu de test représentatif de vos cas réels, validé par plusieurs locuteurs, avec des critères explicites (exactitude, compréhension, ton, absence de contresens). Les scores automatiques usuels sont peu fiables pour ces langues et ne doivent pas être utilisés seuls.