Le Cameroun compte environ 280 langues, dont 94 menacées de disparition faute de transmission, rappelait Cameroon Tribune lors du lancement à Douala, le 25 juin 2026, de Bibala, une application d’apprentissage des langues locales. Pour que les assistants vocaux, les traducteurs automatiques ou les correcteurs orthographiques prennent en charge ces langues, il faut d’abord des données : des textes, des traductions alignées phrase par phrase et des enregistrements transcrits.
Pourquoi les données manquent
Les grands modèles d’intelligence artificielle apprennent à partir de quantités massives de textes disponibles en ligne. Les langues camerounaises en produisent peu, et leurs orthographes ne sont pas toujours stabilisées. Un système de reconnaissance vocale doit aussi entendre des locuteurs variés, avec leurs accents et leurs tons, et disposer de la transcription exacte de ce qu’ils disent. Constituer ces ressources demande un travail long, souvent bénévole.
NTeALan et les dictionnaires collaboratifs
Basée à Douala, l’association NTeALan (New Technologies for African Languages), lancée comme projet en 2017, développe des plateformes ouvertes de construction collaborative de dictionnaires. Son premier bilan publié en mars 2021 sur arXiv faisait état, au 5 février 2021, de 18 dictionnaires totalisant 32 090 articles, soit plus de 108 000 mots uniques, et de plus de 135 contributeurs. Plus de dix dictionnaires avaient été lancés par des étudiants de master du département des langues africaines de l’université de Douala. Les données sont accessibles par une interface de programmation publique.
Des voix pour la reconnaissance vocale
Le projet Mozilla Common Voice invite des volontaires à lire et valider des phrases pour constituer des corpus vocaux ouverts. Sa liste publique des langues ouvre la contribution en basaa, boulou, douala, ewondo, ghomala’, medumba, bamoun (shüpamom), fulfulde de l’Adamaoua et pidgin camerounais. Chaque langue avance au rythme de sa communauté de contributeurs.
Des corpus de recherche sous conditions
D’autres ressources sont diffusées avec des restrictions. Publié le 20 janvier 2026 sur la plateforme Mozilla Data Collective par l’Institute of African Digital Humanities, un jeu de données en ewondo issu de l’Atlas linguistique du Cameroun (ALCAM) réunit 494 entrées lexicales et phrases avec leurs équivalents français, et 438 extraits audio lus par une locutrice native. Sa licence le réserve à la recherche et à l’enseignement, et interdit le clonage de voix comme l’entraînement d’IA générative. Ce choix illustre une question montante : qui contrôle les données d’une langue, et au profit de qui ?
Photographie d’illustration issue de la photothèque du site. Elle ne documente pas les personnes, lieux ou événements cités. Crédits photos.
Tous les articles · Intelligence artificielle



