Tarab: A Multi-Dialect Corpus of Arabic Lyrics and Poetry
Ce papier présente Tarab, le plus grand corpus ouvert de textes créatifs en arabe, comprenant 2,56 millions de vers et plus de 13,5 millions de tokens couvrant la poésie et les paroles de chansons à travers quatorze siècles, plusieurs dialectes régionaux et l'arabe standard, le tout enrichi de métadonnées structurées pour des analyses linguistiques et stylistiques comparatives.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous êtes un explorateur linguistique cherchant à cartographier un vaste océan de mots. Jusqu'à présent, les cartes que nous avions de la langue arabe étaient comme des cartes de l'océan Atlantique : elles montraient bien les grands navires officiels (la langue des journaux, de la télévision et de Wikipédia, appelée Arabe Standard Moderne), mais elles ignoraient presque totalement les petites îles colorées, les rivières locales et les chants des pêcheurs qui racontent l'histoire du peuple.
C'est exactement ce que propose Tarab, un nouveau trésor numérique présenté par Mo El-Haj.
Voici une explication simple de ce projet, avec quelques images pour mieux comprendre :
1. Qu'est-ce que le corpus Tarab ?
Imaginez une immense bibliothèque magique qui ne contient pas seulement des livres sérieux, mais aussi des partitions de chansons et des recueils de poèmes.
- La taille : C'est gigantesque. Il contient plus de 2,5 millions de vers (lignes de texte) et plus de 13,5 millions de mots. C'est comme si vous aviez empilé des millions de pages de chansons et de poèmes.
- Le nom : "Tarab" est un mot arabe qui décrit ce moment de pure extase musicale, quand une chanson vous fait frissonner de joie ou de tristesse. Le corpus porte ce nom car il capture l'émotion et l'âme de la création arabe.
2. Pourquoi est-ce si spécial ? (La différence avec les autres)
Avant Tarab, si vous vouliez étudier l'arabe pour l'informatique (l'Intelligence Artificielle), vous aviez deux choix :
- Soit vous preniez des textes de journaux (très formels, un peu rigides).
- Soit vous preniez des tweets ou des commentaires (très informels, mais souvent désordonnés).
Le problème ? Personne n'avait jamais mélangé les chansons et les poèmes dans un seul endroit. C'est comme si on avait étudié la cuisine française uniquement avec des livres de recettes de grand-mère, sans jamais goûter aux plats de rue ou aux menus de restaurants modernes.
Tarab, lui, est un grand buffet où l'on trouve :
- Des classiques anciens (des poèmes vieux de 14 siècles, depuis l'époque pré-islamique).
- Des chansons pop modernes.
- Des dialectes régionaux (l'arabe égyptien, libanais, du Golfe, marocain, etc.).
3. Comment est-ce organisé ? (La recette du chef)
Pour que cette bibliothèque soit utile aux ordinateurs, les chercheurs ont utilisé une astuce intelligente : ils ont tout découpé en vers.
- Imaginez que chaque ligne d'une chanson ou d'un poème est une brique.
- Chaque brique est étiquetée avec une étiquette précise : "Ceci est une chanson égyptienne", "Ceci est un poème de l'époque abbasside", "Ceci est en arabe marocain".
- Cela permet de comparer des pommes et des poires, mais de manière ordonnée. On peut voir comment un mot change quand on passe d'une chanson de Beyrouth à un poème de Bagdad.
4. Ce qu'on y découvre (Le voyage)
En regardant ce trésor, les chercheurs ont vu des choses fascinantes :
- La diversité des accents : L'arabe n'est pas un bloc uniforme. Dans ce corpus, on entend clairement la différence entre l'arabe du Golfe (qui dit "Où es-tu ?" d'une certaine façon) et l'arabe du Maghreb (qui dit "Pourquoi ?" avec un autre son). C'est comme entendre différentes langues sœurs qui se parlent.
- Le mélange des langues : Dans les chansons modernes, on entend parfois du français ou de l'anglais mélangé à l'arabe (comme dire "Mon amour" ou "Baby"), ce qui reflète la réalité de la vie aujourd'hui.
- Les géants de la culture : Le corpus contient les œuvres de légendes de la musique (comme Fairuz ou Mohammed Abdel Wahab) et de grands poètes historiques (comme Al-Maarri). C'est un hommage vivant à 14 siècles de créativité.
5. À quoi ça sert ? (Le but du jeu)
Pourquoi faire tout cela ?
- Pour les ordinateurs : Aujourd'hui, si vous demandez à un traducteur automatique de traduire une chanson égyptienne, il fait souvent des erreurs car il n'a jamais "lu" assez de chansons. Tarab va aider les IA à comprendre l'arabe tel qu'il est vraiment parlé et chanté, avec ses émotions et ses dialectes.
- Pour les chercheurs : C'est une mine d'or pour étudier comment la langue a changé au fil du temps, comment les gens expriment leurs sentiments, et comment la culture arabe a évolué.
En résumé
Le corpus Tarab est comme un musée virtuel géant qui ouvre ses portes à tout le monde. Il ne se contente pas de montrer les statues officielles (la langue classique), il fait aussi danser les musiciens de rue (les dialectes et les chansons). Il permet de voir l'arabe non pas comme une langue figée dans un livre, mais comme un fleuve vivant, qui coule, change de couleur et de goût selon la région et l'époque.
Et la meilleure nouvelle ? Ce trésor est gratuit et ouvert à tous sur une plateforme appelée HuggingFace, prêt à être exploré par n'importe qui, du chercheur au simple curieux.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.