Pun Intended: Multi-Agent Translation of Wordplay with Contrastive Learning and Phonetic-Semantic Embeddings for CLEF JOKER 2025 Task 2

Imaginez que vous essayiez de traduire une blague d'une langue à une autre, mais que la blague repose sur un mot qui possède deux sens à la fois. En anglais, on pourrait dire : « I'm reading a book on anti-gravity. It's impossible to put down! » (Je lis un livre sur l'anti-gravité. Il est impossible de le lâcher !). L'humour provient de l'expression « put down », qui signifie à la fois « arrêter de tenir » et « poser sur une surface ». Si vous traduisez cela littéralement en français, vous perdez le double sens, et la blague meurt. C'est le monde complexe des « jeux de mots », un type de calembour où un seul mot porte deux significations ou ressemble à un autre mot. Pendant des décennies, les ordinateurs ont été très mauvais dans ce domaine car ils sont entraînés pour être littéraux, comme un robot qui suit une recette à la lettre mais n'a aucun sens de l'humour. Ils essaient de remplacer les mots un pour un, ce qui détruit souvent la chute. Mais et si nous pouvions apprendre aux ordinateurs à être moins comme des robots et plus comme des humoristes, comprenant que parfois, il faut briser les règles de la traduction pour maintenir la blague en vie ?

Ce document, intitulé « Pun Intended », est un rapport d'une équipe de chercheurs de Georgia Tech qui a participé à une compétition appelée CLEF JOKER 2025. Leur objectif était de traduire des jeux de mots anglais en français en utilisant les cerveaux informatiques les plus puissants et les plus récents (appelés Modèles de Langage Étendus ou LLM). Au lieu de simplement demander à l'ordinateur de « traduire », ils ont construit un système en trois étapes conçu pour capturer l'esprit de la blague plutôt que de simples définitions de dictionnaire.

D'abord, ils ont testé une approche de « base », demandant simplement à différents modèles d'IA de générer des jeux de mots français et en utilisant une seconde IA pour agir comme juge, vérifiant si le résultat était réellement une blague ou juste une phrase ennuyeuse. C'était comme demander à un groupe d'amis de raconter une blague et demander à un ami de hocher la tête si c'était drôle. Bien que cela ait fonctionné de manière acceptable, les blagues s'éloignaient souvent trop de l'histoire originale.

Pour faire mieux, ils ont construit un pipeline de « chaîne de pensée guidée ». Considérez cela comme le fait de donner à l'ordinateur une carte et une boussole. Ils ont appris à l'IA à identifier d'abord le mot délicat, puis à chercher ses deux significations différentes, et enfin à utiliser un outil mathématique spécial appelé « plongements phonético-sémantiques » (phonetic-semantic embeddings). Cet outil est comme une oreille super sensible combinée à un dictionnaire ; il aide l'ordinateur à trouver des mots français qui non seulement signifient les bonnes choses, mais qui ont aussi une sonorité similaire aux mots anglais originaux. C'est comme essayer de trouver un mot français qui sonne comme « cat » (chat) mais qui signifie « dog » (chien), juste pour voir si l'on peut en tirer un jeu de mots.

Enfin, ils ont ajouté un système « multi-agents ». Imaginez un panel de quatre juges différents, chacun ayant une tâche spécifique : l'un vérifie si le sens est correct, l'autre vérifie si la traduction semble naturelle, le troisième vérifie l'émotion et le quatrième vérifie si elle semble authentique. Ces juges ne se contentaient pas de donner une note ; ils donna pas de commentaires. Si la blague n'était pas tout à fait drôle ou si la traduction était maladroite, le système la réécrivait et essayait à nouveau, jusqu'à cinq fois, jusqu'à ce que le panel soit satisfait.

Les résultats ont été fascinants. Lorsque les chercheurs ont utilisé des tests informatiques standards (qui mesurent à quel point la nouvelle phrase correspond mot pour mot à l'ancienne), leur système a obtenu un score assez bas. C'est parce que leur système évitait intentionnellement les traductions littérales pour maintenir l'humour vivant. Cependant, lorsque de vrais experts parlant couramment français ont lu les blagues, l'équipe a terminé première et deuxième sur 51 équipes. Les humains ont adoré les blagues car elles étaient réellement drôles et faisaient sens en français, même si elles ne ressemblaient pas exactement aux originaux anglais.

Le document suggère que pour traduire avec succès les jeux de mots, nous devons cesser d'essayer d'être des traducteurs parfaits et commencer à être des partenaires créatifs. Les chercheurs ont découvert que si les derniers modèles d'IA sont excellents pour repérer où se trouve un jeu de mots, ils ont besoin d'aide pour trouver les bons mots français qui sonnent et signifient les bonnes choses. En combinant un « guide » qui observe les sons et les sens, et un « panel » de juges qui affinent la blague, ils ont prouvé que les ordinateurs peuvent apprendre à raconter des blagues qui fonctionnent à travers les langues. Ils n'ont pas résolu le problème de la traduction parfaite de chaque jeu de mots, mais ils ont prouvé que passer de l'objectif de « l'exactitude littérale » à celui de « l'équivalence amusante » est la bonne voie à suivre.