Parcours d'apprentissage en ligneParcours d'apprentissage en ligne

What changed recently

Three developments have made speech technology more viable as an alternative to typing in professional work:

• A jump in quality. Models trained at scale, such as Whisper (Radford et al., 2023, trained on 680,000 hours of audio), come close to human accuracy on clear audio. The previous generation of systems needed to be trained per speaker and tolerated noise badly.
• Free and built in. Word, PowerPoint and Google Docs include dictation at no extra cost; buying specialized software such as Dragon and training it for hours is no longer necessary, though it can still mean noticeably higher quality or more functionality.
• Multilingual coverage. A usably good performance can now be obtained for an increasing number of languages, whereas this used to only be the case for US English.

From speech to text

Input: audio.
Output: written text.
It is what you most commonly think of as speech technology, and what you use to:

• dictate a text;
• display live captions during a presentation;
• transcribe the recording of a meeting.

Representative technologies: Whisper, Dragon, Word’s dictation, Google voice typing.Product pages: Whisper, Dragon, Word’s dictation, Google voice typing.

From text to speech

Input: written text.
Output: audio.
It is what you use for:

• screen readers, for accessibility;
• audiobook production;
• video dubbing;
• voice assistance (GPS, virtual assistants).

Representative technologies: Google TTS, Amazon Polly, Microsoft Azure TTS, ElevenLabs.Product pages: Google Cloud Text-to-Speech, Amazon Polly, Azure AI Speech, ElevenLabs. This module does not go into it in detail, but it is an essential component of speech-to-speech translation systems.

From speech to speech

Input: audio in language A.
Output: audio in language B.
It is what you use for:

• automatic interpreting in a meeting;
• translating a video with dubbing.

Representative technologies: KUDO AI, HeyGen, the Microsoft Teams interpreter, Google Translate in conversation mode.Product pages: KUDO, HeyGen, Google Translate.

Ce qui a changé récemment

Trois évolutions font des technologies de la parole une solution de rechange plus viable à la frappe dans le travail professionnel :

• Un saut qualitatif. Les modèles entraînés à grande échelle, comme Whisper (Radford et al., 2023, entraîné sur 680 000 heures d’audio), approchent la précision humaine sur de l’audio clair. Les systèmes de la génération précédente exigeaient un entraînement par locuteur et toléraient mal le bruit.
• Gratuité et intégration. Word, PowerPoint et Google Docs intègrent la dictée sans frais supplémentaires ; il n’est plus nécessaire d’acheter un logiciel spécialisé comme Dragon et de l’entraîner pendant des heures, même si cela peut encore apporter une qualité nettement meilleure ou plus de fonctionnalités.
• Couverture multilingue. On obtient maintenant une performance utilisable pour un nombre croissant de langues, alors que ce n’était longtemps le cas que pour l’anglais états-unien.

De la parole au texte

Entrée : audio.
Sortie : texte écrit.
C’est ce à quoi on pense d’abord quand on parle de technologies de la parole. Exemples d’utilisation :

• dicter un texte ;
• afficher des sous-titres en direct pendant une présentation ;
• transcrire l’enregistrement d’une réunion.

Technologies représentatives : Whisper, Dragon, la dictée de Word, la saisie vocale de Google.Pages des produits : Whisper, Dragon, la dictée de Word, la saisie vocale de Google.

Du texte à la parole

Entrée : texte écrit.
Sortie : audio.
Exemples d’utilisation :

• lecteurs d’écran pour l’accessibilité ;
• production de livres audio ;
• doublage de vidéos ;
• assistance vocale (GPS, assistants virtuels).

Technologies représentatives : Google TTS, Amazon Polly, Microsoft Azure TTS, ElevenLabs.Pages des produits : Google Cloud Text-to-Speech, Amazon Polly, Azure AI Speech, ElevenLabs. Ce module ne l’explore pas en détail, mais elle est une composante essentielle des systèmes de traduction parole à parole.

De la parole à la parole

Entrée : audio en langue A.
Sortie : audio en langue B.
Exemples d’utilisation :

• interprétation automatique en réunion ;
• traduction d’une vidéo avec doublage.

Technologies représentatives : KUDO AI, HeyGen, l’interprète de Microsoft Teams, Google Traduction en mode conversation.Pages des produits : KUDO, HeyGen, Google Traduction.

Two technical routes

Speech-to-speech translation speech-to-speech translation (S2ST)traduction parole à parole speechparole The conversion of spoken input in one language into spoken output in another language, either by chaining speech recognition, machine translation and speech synthesis (cascade) or by a single end-to-end model.Conversion d'un énoncé oral dans une langue en énoncé oral dans une autre langue, soit en enchaînant reconnaissance de la parole, traduction automatique et synthèse de la parole (cascade), soit par un modèle unique de bout en bout. can be built in two ways: passing through written text or not. An important consideration in that choice, and in choosing any speech technology, is latency.

The cascade approach

FR audio → FR text → EN text → EN audio

The system chains three modules: speech recognition automatic speech recognition (ASR)reconnaissance automatique de la parole (RAP) speechparole Technology that analyses the human voice captured by a microphone and transcribes it into machine-readable text; also called speech-to-text (STT).Technologie qui analyse la voix humaine captée au moyen d'un microphone pour la transcrire sous la forme d'un texte exploitable par une machine ; aussi appelée transcription de la parole en texte (angl. speech-to-text, STT). , machine translation, then speech synthesis speech synthesis (TTS)synthèse de la parole speechparole The generation of artificial speech from written text (text-to-speech), combining linguistic processing to derive a pronounceable phonetic form with signal processing to render it as audio; the inverse of automatic speech recognition.Production de parole artificielle à partir de n'importe quel texte (angl. text-to-speech, TTS), combinant un traitement linguistique, qui transforme le texte en une forme phonétique prononçable, et un traitement du signal, qui transforme cette forme en son ; l'inverse de la reconnaissance automatique de la parole. .

• Advantages: a modular architecture; each stage can use the best model available, and each stage produces a result you can inspect and correct before the next one runs. When you are evaluating a system rather than working under time pressure, that is what lets you see which stage is failing and needs work.
• Drawbacks: unless you intervene, each stage works from what the one before it produced, so errors accumulate. Machine translation that is excellent on written text does worse here, because what it is translating is a transcription that may already be wrong. Latency grows with each stage, and prosodic elements (intonation, emphasis) are lost on the way through the text.

The end-to-end approach

FR audio → [single model] → EN audio

A single model turns the source audio directly into target audio.

• Advantages: the voice and the style can be preserved; lower latency.
• Drawbacks: still under development, and available for few language pairs. Training one directly takes hundreds of hours of the same utterances spoken in both languages, which exists for few pairs, where a cascade reuses recognition, translation and synthesis trained separately (Diwan et al., 2024).

Most current consumer tools work as a cascade; voice cloning still lets them keep a voice close to the original.

Deux chemins techniques

La traduction parole à parole speech-to-speech translation (S2ST)traduction parole à parole speechparole The conversion of spoken input in one language into spoken output in another language, either by chaining speech recognition, machine translation and speech synthesis (cascade) or by a single end-to-end model.Conversion d'un énoncé oral dans une langue en énoncé oral dans une autre langue, soit en enchaînant reconnaissance de la parole, traduction automatique et synthèse de la parole (cascade), soit par un modèle unique de bout en bout. peut se construire de deux façons : en passant par le texte écrit ou non. Une considération importante dans ce choix, et dans le choix d’une technologie de la parole en général, est la latence.

L’approche en cascade

Audio FR → Texte FR → Texte EN → Audio EN

Le système enchaîne trois modules : reconnaissance de la parole automatic speech recognition (ASR)reconnaissance automatique de la parole (RAP) speechparole Technology that analyses the human voice captured by a microphone and transcribes it into machine-readable text; also called speech-to-text (STT).Technologie qui analyse la voix humaine captée au moyen d'un microphone pour la transcrire sous la forme d'un texte exploitable par une machine ; aussi appelée transcription de la parole en texte (angl. speech-to-text, STT). , traduction automatique, puis synthèse de la parole speech synthesis (TTS)synthèse de la parole speechparole The generation of artificial speech from written text (text-to-speech), combining linguistic processing to derive a pronounceable phonetic form with signal processing to render it as audio; the inverse of automatic speech recognition.Production de parole artificielle à partir de n'importe quel texte (angl. text-to-speech, TTS), combinant un traitement linguistique, qui transforme le texte en une forme phonétique prononçable, et un traitement du signal, qui transforme cette forme en son ; l'inverse de la reconnaissance automatique de la parole. .

• Avantages : architecture modulaire ; chaque étape peut utiliser le meilleur modèle disponible, et chaque étape produit un résultat qu’on peut examiner et corriger avant que la suivante s’exécute. Quand on évalue un système plutôt que de travailler sous la pression du temps, c’est ce qui permet de voir quelle étape échoue et demande du travail.
• Inconvénients : à moins d’intervenir, chaque étape travaille à partir de ce que la précédente a produit, si bien que les erreurs s’additionnent. Une traduction automatique excellente sur du texte écrit fera moins bien ici, parce que ce qu’elle traduit est une transcription parfois déjà fautive. La latence augmente à chaque étape, et les éléments prosodiques (intonation, emphase) se perdent au passage par le texte.

L’approche de bout en bout

Audio FR → [modèle unique] → Audio EN

Un seul modèle transforme directement l’audio source en audio cible.

• Avantages : préservation possible de la voix et du style ; latence réduite.
• Inconvénients : encore en développement, et disponible pour peu de paires de langues. L’entraîner directement demande des centaines d’heures des mêmes énoncés prononcés dans les deux langues, ce qui n’existe que pour quelques paires, alors qu’une cascade réutilise la reconnaissance, la traduction et la synthèse entraînées séparément (Diwan et al., 2024).

La plupart des outils grand public actuels fonctionnent en cascade ; le clonage vocal leur permet malgré tout de conserver une voix proche de l’original.

Word error rate

To evaluate a recognition system objectively, researchers and practitioners mainly use word error rate.

The metric counts three kinds of error:

• Substitutions: one word replaced by another (“contract” becomes “contact”);
• Deletions: a word of the reference missing from the transcription;
• Insertions: a word added that was not in the original.

The formula: WER = (S + D + I) / N × 100, where N is the total number of words in the human reference gold standardétalon de référence evaluationévaluation The best available reference dataset, annotation, measurement or procedure against which a system's results are evaluated.Meilleur jeu de données, annotation, mesure ou procédure de référence disponible pour évaluer les résultats d'un système. .

What does a rate of 5% actually mean?

A WER of 5% means that on average one word in twenty is wrong. But errors do not all have the same impact. Take a text of 20 words:

Original: “The contract stipulates an amount of twenty million dollars, payable before 15 March 2025, and late payment will incur penalties.”

Transcription: “The contract stipulates an amount of twenty billion dollars, payable before 15 March 2025, and late payment will incur penalties.”

A single error, so a WER of 5%, and the meaning of the document changes completely. WER measures how often errors occur, not how much they matter. This is why numerical metrics are not enough on their own: the impact of the errors has to be judged in the professional setting they are meant for. Weighting errors by importance, on named entities for instance, predicts how useful a system will be for a given task better than a raw WER does (Galibert et al., 2016).

Performance by condition

Current systems reach very different levels depending on the conditions (Radford et al., 2023; Koenecke et al., 2020):

• Ideal conditions (clear audio, a single speaker, standard vocabulary): text that is generally readable with few visible errors; it still has to be reread for figures, proper nouns and acronyms.
• Real-world conditions (background noise, accents, terminology): quality fluctuates a great deal.
• Difficult conditions (several speakers, heavy noise, specialized language): errors become frequent and unstable. Assigning speaker turns remains fragile, and terminology and names go on causing trouble despite the progress made.

Le taux d’erreur de mots

Pour évaluer objectivement un système de reconnaissance, chercheurs et professionnels utilisent principalement le taux d’erreur de mots.

La métrique compte trois types d’erreurs :

• Substitutions : un mot remplacé par un autre (« contrat » → « contact ») ;
• Suppressions : un mot de la référence absent de la transcription ;
• Insertions : un mot ajouté qui n’était pas dans l’original.

La formule : WER = (S + D + I) / N × 100, où N est le nombre total de mots de la référence gold standardétalon de référence evaluationévaluation The best available reference dataset, annotation, measurement or procedure against which a system's results are evaluated.Meilleur jeu de données, annotation, mesure ou procédure de référence disponible pour évaluer les résultats d'un système. humaine.

Que signifie concrètement un taux de 5 % ?

Un WER de 5 % veut dire qu’en moyenne, un mot sur vingt est erroné. Mais toutes les erreurs n’ont pas le même impact. Exemple avec un texte de 20 mots :

Original : « Le contrat stipule un montant de vingt millions de dollars, payable avant le 15 mars 2025, sous peine de pénalités. »

Transcription : « Le contrat stipule un montant de vingt milliards de dollars, payable avant le 15 mars 2025, sous peine de pénalités. »

Une seule erreur, donc un WER de 5 %, et le sens du document change complètement. Le WER mesure la fréquence des erreurs, pas leur gravité. C’est pourquoi les métriques chiffrées ne suffisent pas : il faut évaluer l’impact des erreurs dans le contexte professionnel visé. Pondérer les erreurs selon leur importance, par exemple sur les entités nommées, prédit mieux l’utilité d’un système pour une tâche donnée qu’un WER brut (Galibert et al., 2016).

La performance selon les conditions

Les systèmes actuels atteignent des niveaux très différents selon les conditions (Radford et al., 2023 ; Koenecke et al., 2020) :

• Conditions optimales (audio clair, locuteur unique, vocabulaire standard) : texte en général lisible avec peu d’erreurs visibles ; une relecture reste nécessaire pour les chiffres, les noms propres et les sigles.
• Conditions réelles (bruit ambiant, accents, terminologie) : la qualité fluctue fortement.
• Conditions difficiles (plusieurs locuteurs, bruit important, langue spécialisée) : les erreurs deviennent fréquentes et instables. L’attribution des tours de parole reste fragile, et la terminologie et les noms continuent de poser problème malgré les progrès.

In speech recognition

Recognition systems can work in two modes, and the mode affects performance:

• Live (real time): the system transcribes as you speak, favouring speed at the cost of accuracy. Without the full context of the sentence, it makes more errors, especially on homophones and punctuation.
• Offline: the system analyzes the complete recording before transcribing, which allows better accuracy through the availability of surrounding context.

In speech translation

Machine speech translation has not caught up with people. In the short speech-to-text task of the 2026 evaluation campaign, the best system ranked behind the human reference gold standardétalon de référence evaluationévaluation The best available reference dataset, annotation, measurement or procedure against which a system's results are evaluated.Meilleur jeu de données, annotation, mesure ou procédure de référence disponible pour évaluer les résultats d'un système. in both language directions (Adelani et al., 2026).

The International Conference on Spoken Language Translation (IWSLT) runs an annual evaluation campaign: the teams that enter are set the same task on the same data and scored the same way (this is called a shared task shared tasktâche partagée evaluationévaluation A public evaluation exercise in which every participating team is given the same task, the same data and the same scoring, so that their systems can be compared directly.Exercice d'évaluation public où toutes les équipes participantes reçoivent la même tâche, les mêmes données et la même notation, de sorte que leurs systèmes se comparent directement. in academia).iwslt.org The 2026 campaign ran ten tasks at once, from offline and low-resource speech-to-text translation through model compression, subtitling and simultaneous translation to speech-to-speech translation for Indic and for African and Celtic languages, cross-lingual voice cloning, instruction-following speech processing, and the scoring metrics themselves; more than thirty teams took part.

The simultaneous task is where the trade-off is measured. Systems are sorted into a low-latency group of 0 to 2 seconds and a high-latency one of 2 to 4, and the longer a system waits for more context, the better the translation and the later it arrives (Adelani et al., 2026).

En reconnaissance de la parole

Les systèmes de reconnaissance peuvent fonctionner selon deux modes qui influencent la performance :

• En direct (temps réel) : le système transcrit au fur et à mesure, en privilégiant la rapidité au détriment de la précision. Sans le contexte complet de la phrase, il fait plus d’erreurs, en particulier sur les homophones et la ponctuation.
• En différé : le système analyse l’enregistrement complet avant de transcrire, ce qui permet une meilleure précision grâce à la disponibilité du contexte environnant.

En traduction de la parole

La traduction automatique de la parole n’a pas rattrapé l’humain. Dans la tâche courte de traduction de la parole vers le texte de la campagne 2026, le meilleur système se classait derrière la référence gold standardétalon de référence evaluationévaluation The best available reference dataset, annotation, measurement or procedure against which a system's results are evaluated.Meilleur jeu de données, annotation, mesure ou procédure de référence disponible pour évaluer les résultats d'un système. humaine dans les deux directions de langues (Adelani et al., 2026).

La conférence IWSLT (International Conference on Spoken Language Translation) mène une campagne d’évaluation annuelle : les équipes inscrites reçoivent la même tâche, les mêmes données et la même notation (on parle de tâche partagée shared tasktâche partagée evaluationévaluation A public evaluation exercise in which every participating team is given the same task, the same data and the same scoring, so that their systems can be compared directly.Exercice d'évaluation public où toutes les équipes participantes reçoivent la même tâche, les mêmes données et la même notation, de sorte que leurs systèmes se comparent directement. dans la recherche).iwslt.org La campagne de 2026 en a mené dix à la fois, de la traduction de la parole vers le texte, en langues bien dotées comme peu dotées, à la compression de modèles, au sous-titrage, à la traduction simultanée, à la traduction parole à parole pour les langues indiennes puis africaines et celtiques, au clonage vocal interlangue, au traitement de la parole suivant des instructions et aux métriques d’évaluation elles-mêmes ; plus de trente équipes y ont participé.

C’est la tâche de traduction simultanée qui mesure le compromis. Les systèmes sont répartis entre un régime de faible latence, de 0 à 2 secondes, et un régime de latence élevée, de 2 à 4, et plus un système attend pour disposer de contexte, meilleure est la traduction et plus elle arrive tard (Adelani et al., 2026).

Three groups of factors

The differences in performance from one situation to another are not random. Three groups of factors account for them, and most of them leave you some room to act.

Signal quality

Assigning each segment to the right speaker remains an open problem, particularly where voices overlap (O’Shaughnessy, 2025): expect to carefully reread any transcription of a meeting.

Linguistic content and style

The differences between speakers are not symmetrical: Koenecke et al. (2020) document, across five commercial systems, an error rate almost twice as high for African American speakers as for white speakers. Testing a system with the accents and varieties it will actually be used with is part of evaluating it.

Processing mode and the chain

Trois groupes de facteurs

Les écarts de performance observés d’une situation à l’autre ne sont pas aléatoires. Trois groupes de facteurs les expliquent, et la plupart offrent une marge de manœuvre concrète.

La qualité du signal

Attribuer chaque segment au bon locuteur reste un problème ouvert, particulièrement quand les voix se chevauchent (O’Shaughnessy, 2025) : comptez-y une relecture attentive pour toute transcription de réunion.

Le contenu linguistique et le style

Les écarts selon les locuteurs ne sont pas symétriques : Koenecke et al. (2020) documentent, pour cinq systèmes commerciaux, un taux d’erreur presque deux fois plus élevé pour les locuteurs afro-américains que pour les locuteurs blancs. Tester un système avec les accents et variétés réellement visés fait partie de l’évaluation.

Le mode de fonctionnement et la chaîne de traitement

Three use cases

Translation

• Dictated translation. Dictating a first draft can be faster than typing it, and it lowers the risk of musculoskeletal disorders. Wang and Sun (2023) found, however, that the time saved on drafting moved to revision, so a net saving is not guaranteed. Part of that revision repairs the system and part of it is the translator’s own: the study ties revision time to sight translation skill, that is, to how readily a finished sentence can be produced on the spot, where writing lets you shape it as you go. Only the first part shrinks as recognition improves, and it has improved since 2023, so the balance may have shifted, which is not the same as saying the finding is no longer true.
• Spoken post-editing. Correcting machine translation segments by voice rather than by keyboard can be an ergonomic variant of post-editing post-editingpostédition machine translationtraduction automatique The human correction of raw machine translation output; the counterpart, for machine translation, of revision in human translation.Correction humaine de la sortie brute d'une traduction automatique ; l'équivalent, pour la traduction automatique, de l'étape de révision en traduction humaine. . It comes with a steep learning curve, though: this way of working takes getting used to.

Watch for: numbers, proper nouns, punctuation and capitalization remain the most likely errors in a dictated transcription.

Interpreting

• Computer-assisted interpreting (CAI) tools. What any one of them does varies, and no tool has every feature, but between them they cover the whole assignment rather than its terminology alone. Before it, a tool may pull terms out of the documents you are sent, build a glossary from them, drill you on it, and propose translations for terms in context. During it, the glossary is a glance away on a second screen or a tablet, and some tools also listen to the original speech: transcribing it, highlighting numbers as they are spoken, and surfacing the glossary entry for a term as it comes up. Where the audio is processed, on your own machine or in the cloud, is a choice some of them let you make, and it decides what leaves a confidential meeting. InterpretBank is one of the established ones (Fantinuoli, 2016).interpretbank.com
• Live subtitling. Captions are produced as the speaker talks, either in the speaker’s own language, which is an accessibility measure, or translated for a multilingual audience. What decides whether it works is practical: latency latencylatence speechparole The delay between an input and the system's response; in live speech recognition and interpreting, the time between the spoken words and their displayed transcription or translation.Délai entre une entrée et la réponse du système ; en reconnaissance de la parole en direct et en interprétation, temps qui s'écoule entre les mots prononcés et l'affichage de leur transcription ou de leur traduction. , microphone quality and a stable connection.

Multimedia content production

• Automatic subtitling. Educational and promotional video is captioned automatically, which is now ordinary rather than exceptional, because in several jurisdictions accessibility is a legal requirement rather than a courtesy. Ontario is a concrete case: since 2021, public sector bodies and organisations of fifty or more people must conform to WCAG 2.0 Level AA on their websites, which requires captions on prerecorded video. Live captions are explicitly excluded from that requirement, which is worth knowing before assuming the two are treated alike.Ontario’s guidance: How to make websites accessible.
• Video translation with dubbing. The speaker’s voice can be cloned so that the translated track still sounds like them, and some tools go further and resynchronize the lips onto the target language. Where both are done, the result plays as though the video had been recorded in that language rather than translated into it.

Quality remains uneven, so ideally a person checks the output before anything is published.

A critical perspective

• Not necessarily faster. Speed of dictation does not guarantee a net gain in productivity.
• Metrics vs. real impact. An “acceptable” error rate can hide serious errors on amounts, names or acronyms; qualitative evaluation in context remains indispensable.
• Fairness and inclusion. Systems have to be tested with the accents and language varieties they will actually be used with: Koenecke et al. (2020) document marked differences in performance between groups of speakers.
• Data confidentiality. Distinguish the systems that process audio locally, on the device, from those that send it to remote servers; that choice decides what happens to the texts you dictate and the voices you record.

Trois cas d’usage

Traduction

• Dictée de traduction. Dicter un premier jet peut aller plus vite que le taper, et réduit les risques de troubles musculosquelettiques. Wang et Sun (2023) ont cependant constaté que le temps gagné à la rédaction repartait dans la révision, si bien que le gain net n’est pas garanti. Une partie de cette révision répare le système, l’autre revient au traducteur : l’étude relie le temps de révision à l’aptitude à la traduction à vue, c’est-à-dire à la facilité avec laquelle une phrase aboutie se formule sur-le-champ, là où l’écrit permet de la façonner en cours de route. Seule la première partie diminue à mesure que la reconnaissance progresse, et elle a progressé depuis 2023 : l’équilibre a pu se déplacer, ce qui ne veut pas dire que le constat ne tient plus.
• Postédition vocale. Corriger des segments de traduction automatique à la voix plutôt qu’au clavier peut être une variante ergonomique de la postédition post-editingpostédition machine translationtraduction automatique The human correction of raw machine translation output; the counterpart, for machine translation, of revision in human translation.Correction humaine de la sortie brute d'une traduction automatique ; l'équivalent, pour la traduction automatique, de l'étape de révision en traduction humaine. . L’apprentissage est cependant exigeant : cette façon de travailler demande de s’y habituer.

Points de vigilance : les nombres, les noms propres, la ponctuation et la casse restent les erreurs les plus probables d’une transcription dictée.

Interprétation

• Outils d’interprétation assistée par ordinateur (angl. computer-assisted interpreting, CAI). Ce que fait tel ou tel outil varie, et aucun ne réunit toutes les fonctions, mais ensemble elles accompagnent toute la prestation et pas seulement sa terminologie. En amont, un outil peut extraire les termes des documents reçus, en constituer un glossaire, vous le faire mémoriser et proposer des traductions de termes en contexte. Pendant la prestation, le glossaire se consulte d’un coup d’œil sur un second écran ou une tablette, et certains outils écoutent aussi le discours original : ils le transcrivent, mettent les nombres en évidence à mesure qu’ils sont prononcés et font apparaître l’entrée de glossaire d’un terme quand il arrive. Le lieu du traitement de l’audio, votre machine ou le nuage, est un choix que certains vous laissent, et il décide de ce qui sort d’une réunion confidentielle. InterpretBank est l’un des plus établis (Fantinuoli, 2016).interpretbank.com Ces outils sont conçus pour soutenir une interprète plutôt que pour la remplacer, ce qui ne veut pas dire qu’aucun remplacement n’a lieu.
• Sous-titrage en direct. Les sous-titres se produisent au fil du discours, soit dans la langue de l’oratrice, ce qui relève de l’accessibilité, soit traduits pour un auditoire multilingue. Ce qui décide du résultat est pratique : la latence latencylatence speechparole The delay between an input and the system's response; in live speech recognition and interpreting, the time between the spoken words and their displayed transcription or translation.Délai entre une entrée et la réponse du système ; en reconnaissance de la parole en direct et en interprétation, temps qui s'écoule entre les mots prononcés et l'affichage de leur transcription ou de leur traduction. , la qualité du micro et la stabilité de la connexion.

Création de contenu multimédia

• Sous-titrage automatique. Les vidéos éducatives et promotionnelles se sous-titrent automatiquement, ce qui est devenu courant plutôt qu’exceptionnel, parce que plusieurs législations font de l’accessibilité une obligation et non une politesse. L’Ontario en est un cas concret : depuis 2021, les organismes du secteur public et les organisations de cinquante personnes ou plus doivent respecter le niveau AA des WCAG 2.0 sur leurs sites, ce qui exige le sous-titrage des vidéos préenregistrées. Le sous-titrage en direct est explicitement exclu de cette obligation, ce qui vaut la peine d’être su avant de supposer que les deux sont traités pareil.Les indications de l’Ontario : How to make websites accessible.
• Traduction vidéo avec doublage. La voix de l’oratrice peut être clonée pour que la piste traduite lui ressemble encore, et certains outils vont plus loin en resynchronisant les lèvres sur la langue cible. Quand les deux sont faits, le résultat passe comme une vidéo tournée dans cette langue plutôt que traduite vers elle.

La qualité reste variable, si bien qu’idéalement une personne vérifie le résultat avant toute diffusion.

Perspective critique

• Pas nécessairement plus rapide. La vitesse de dictée ne garantit pas un gain de productivité net.
• Métriques contre impact réel. Un taux d’erreur « acceptable » peut masquer des erreurs graves sur les montants, les noms ou les sigles ; l’évaluation qualitative en contexte reste indispensable.
• Équité et inclusion. Les systèmes doivent être testés avec les accents et variétés linguistiques réellement visés : Koenecke et al. (2020) documentent des écarts de performance marqués selon les groupes de locuteurs.
• Confidentialité des données. Distinguez les systèmes qui traitent l’audio localement, sur l’appareil, de ceux qui l’envoient sur des serveurs distants ; le choix engage la confidentialité des textes dictés et des voix enregistrées.

An industrial pump manufacturer, our fictional client Cascade Pumps Inc., sends you their installation guide to translate into French. The message has four attachments:

• guide-installation.xliff, the content to translate, pulled from the client’s website;
• cascade-pumps_en-fr.tmx, the translation memory translation memory (TM)mémoire de traduction (MT) CAT toolsTAO A bilingual database of previously translated source segments and their corresponding target segments, which a translation-memory system searches to propose exact or similar matches for new source text.Base de données bilingue de segments source déjà traduits et de leurs segments cibles correspondants, dans laquelle un système de mémoire de traduction cherche des correspondances exactes ou similaires pour un nouveau texte source. of the earlier versions;
• cascade-pumps.tbx, the client’s own termbase termbasebase terminologique terminologyterminologie A database of terminological entries organized by concept, grouping the terms of several languages with metadata such as definitions, domains and usage status.Base de données d'entrées terminologiques organisée par concept, contenant les termes de plusieurs langues et des métadonnées comme des définitions, des domaines et des marques d'usage. , which you are expected to follow;
• pump-selection.html, one page of the site their export left out, sent as it stands.

You translate in Wordfast. The client prepared these files in Trados, and the reviser who will receive your translation works in memoQ. Each of the three CAT computer-assisted translation (CAT)traduction assistée par ordinateur (TAO) CAT toolsTAO Software that assists a human translator during the translation process, commonly by dividing texts into segments and providing functions such as translation-memory retrieval, terminology management, consistency checks and file management.Logiciel qui assiste un traducteur humain pendant le processus de traduction, généralement en divisant les textes en segments et en offrant des fonctions comme la recherche en mémoire de traduction, la gestion terminologique, les vérifications de cohérence et la gestion des fichiers. tools keeps its memories and termbases in a format of its own.

The project works anyway, because the first three attachments are in interchange formats interchange formatformat d'échange exchange formatsformats d'échange A documented way of organizing and representing data so that it can be transferred between different systems or applications. In translation technology, TMX is primarily used to exchange translation-memory data, TBX to exchange terminological data, and XLIFF to move localizable content, translations, and related workflow information. A standardized format facilitates interoperability, but successful exchange may still depend on the versions, optional features, and metadata supported by each tool.Manière documentée d'organiser et de représenter des données afin qu'elles puissent être transférées entre différents systèmes ou applications. En technologies de la traduction, TMX sert principalement à échanger des données de mémoire de traduction, TBX à échanger des données terminologiques, et XLIFF à transporter du contenu localisable, ses traductions et les informations de flux de travail associées. Un format normalisé facilite l'interopérabilité, mais la réussite de l'échange peut dépendre des versions, des fonctionnalités facultatives et des métadonnées que prend en charge chaque outil. : standard formats that all three tools can read and write, whichever one produced them. The fourth is the web page itself, as it exists online.

If you were to open the four in a text editor, you would see text with a lot of angle brackets in it. Depending on the editor, the markup may come out coloured the way it is below, or it may not. You are not being asked to open anything here: the four excerpts below are simplified pieces of those files, and they are what the rest of the module teaches you to read.

guide-installation.xliff has the content to translate, split into units. One unit:

<unit id="u12">
    <segment>
        <source>Install the centrifugal pump on a level surface.</source>
    </segment>
</unit>

cascade-pumps_en-fr.tmx is the translation memory, filled with earlier translations. One of them:

<tu>
    <tuv xml:lang="en-CA">
        <seg>Install the pump on a level surface.</seg>
    </tuv>
    <tuv xml:lang="fr-CA">
        <seg>Installez la pompe sur une surface plane.</seg>
    </tuv>
</tu>

cascade-pumps.tbx is the termbase, with one entry per concept. One entry:

<conceptEntry id="c41">
    <langSec xml:lang="en">
        <termSec><term>centrifugal pump</term></termSec>
    </langSec>
    <langSec xml:lang="fr">
        <termSec><term>pompe centrifuge</term></termSec>
    </langSec>
</conceptEntry>

pump-selection.html is the web page itself, as it stands online. Part of that page:

<h2>Selecting a pump</h2>
<p>Match the <strong>flow rate</strong> to the curve in the
   <a href="flow-rates.html">selection table</a>.</p>

The four are built the same way. Every one of them is plain text plain texttexte brut text encodingencodage du texte Text represented as a sequence of characters alone, with no formatting or layout of its own. A plain-text file opens in any text editor, whatever produced it, which is why interchange formats are written this way: markup languages record structure inside plain text, by writing that structure as characters in the text itself.Texte représenté par la seule suite de ses caractères, sans mise en forme ni mise en page propre. Un fichier en texte brut s'ouvre dans n'importe quel éditeur de texte, quel que soit le logiciel qui l'a produit, ce qui explique que les formats d'échange s'écrivent ainsi : les langages de balisage consignent la structure à l'intérieur du texte brut, en l'écrivant sous forme de caractères dans le texte lui-même. , which is why any editor opens them. In every one, the content comes between tags tagbalise markupbalisage A marker that delimits and identifies an element in a markup document, usually working as a pair: an opening tag and a closing tag around the content they label.Marqueur qui délimite et identifie un élément dans un document balisé, fonctionnant généralement par paire : une balise ouvrante et une balise fermante autour du contenu qu'elles désignent. written in angle brackets, and the tag names what the piece is: a segment segmentsegment CAT toolsTAO A portion of translatable content that a CAT tool treats as a discrete unit for translation, alignment, storage and match retrieval.Portion de contenu à traduire qu'un outil de TAO traite comme une unité distincte aux fins de traduction, d'alignement, de stockage et de recherche de correspondances. , a term, a heading. Some tags take attributes attributeattribut XMLXML In XML, a name-value pair written in an element's start-tag or empty-element tag to provide additional information about that element, such as its language, identifier, or creation date.En XML, paire nom-valeur inscrite dans la balise ouvrante d'un élément, ou dans sa balise d'élément vide, pour fournir de l'information supplémentaire sur cet élément, comme sa langue, son identifiant ou sa date de création. , xml:lang="fr-CA" above, which say something about the piece rather than forming part of the text. The first three are XML eXtensible Markup Language (XML)langage de balisage extensible (XML) XMLXML A markup language and W3C standard for storing structured data as plain text: elements delimited by tags, with attributes on them, nested in a hierarchy.Langage de balisage et norme du W3C pour représenter des données structurées en texte brut : des éléments délimités par des balises, dotés d'attributs et imbriqués en hiérarchie. ; the fourth is HTML HyperText Markup Language (HTML)langage HTML (HTML) markupbalisage The markup language of web pages: a vocabulary of elements laid down by a standard, marking headings, paragraphs, links, images and the rest, which a browser renders.Langage de balisage des pages web : un vocabulaire d'éléments fixé par une norme, qui marque les titres, les paragraphes, les liens, les images et le reste, et qu'un navigateur affiche. , a different markup language markup languagelangage de balisage markupbalisage A convention for annotating text with tags that mark its structure or presentation, keeping the annotations distinct from the content itself; HTML and XML are the best-known examples.Convention qui annote un texte avec des balises décrivant sa structure ou sa présentation, en gardant ces annotations distinctes du contenu lui-même ; HTML et XML en sont les exemples les plus connus. built on the same idea.

Reading files like these is what this chapter and this module build up to: what the markup is doing, what each of the three standard formats is for, and what you may change in them without breaking the file.

Un fabricant de pompes industrielles, notre client fictif Cascade Pumps Inc., vous confie la traduction de son guide d’installation vers le français. Le courriel contient quatre pièces jointes :

• guide-installation.xliff, le contenu à traduire, extrait du site web du client ;
• cascade-pumps_en-fr.tmx, la mémoire de traduction translation memory (TM)mémoire de traduction (MT) CAT toolsTAO A bilingual database of previously translated source segments and their corresponding target segments, which a translation-memory system searches to propose exact or similar matches for new source text.Base de données bilingue de segments source déjà traduits et de leurs segments cibles correspondants, dans laquelle un système de mémoire de traduction cherche des correspondances exactes ou similaires pour un nouveau texte source. des versions précédentes ;
• cascade-pumps.tbx, la base terminologique termbasebase terminologique terminologyterminologie A database of terminological entries organized by concept, grouping the terms of several languages with metadata such as definitions, domains and usage status.Base de données d'entrées terminologiques organisée par concept, contenant les termes de plusieurs langues et des métadonnées comme des définitions, des domaines et des marques d'usage. maison, à respecter ;
• pump-selection.html, une page du site que l’exportation a laissée de côté, envoyée telle quelle.

Vous traduisez avec Wordfast. Le client a préparé ces fichiers dans Trados, et la réviseuse à qui vous remettrez votre traduction travaille dans memoQ. Chacun de ces trois outils de TAO computer-assisted translation (CAT)traduction assistée par ordinateur (TAO) CAT toolsTAO Software that assists a human translator during the translation process, commonly by dividing texts into segments and providing functions such as translation-memory retrieval, terminology management, consistency checks and file management.Logiciel qui assiste un traducteur humain pendant le processus de traduction, généralement en divisant les textes en segments et en offrant des fonctions comme la recherche en mémoire de traduction, la gestion terminologique, les vérifications de cohérence et la gestion des fichiers. range ses mémoires et ses bases dans son propre format.

Le projet fonctionne quand même, parce que les trois premières pièces jointes sont dans des formats d’échange interchange formatformat d'échange exchange formatsformats d'échange A documented way of organizing and representing data so that it can be transferred between different systems or applications. In translation technology, TMX is primarily used to exchange translation-memory data, TBX to exchange terminological data, and XLIFF to move localizable content, translations, and related workflow information. A standardized format facilitates interoperability, but successful exchange may still depend on the versions, optional features, and metadata supported by each tool.Manière documentée d'organiser et de représenter des données afin qu'elles puissent être transférées entre différents systèmes ou applications. En technologies de la traduction, TMX sert principalement à échanger des données de mémoire de traduction, TBX à échanger des données terminologiques, et XLIFF à transporter du contenu localisable, ses traductions et les informations de flux de travail associées. Un format normalisé facilite l'interopérabilité, mais la réussite de l'échange peut dépendre des versions, des fonctionnalités facultatives et des métadonnées que prend en charge chaque outil.  : des formats normalisés que les trois outils savent lire et écrire, quel que soit celui qui les a produites. La quatrième est la page web elle-même, telle qu’elle existe en ligne.

Si vous ouvriez les quatre dans un éditeur de texte, vous verriez du texte parsemé de chevrons. Selon l’éditeur, le balisage serait coloré comme ci-dessous, ou non. Vous n’avez rien à ouvrir ici : les quatre extraits ci-dessous sont des morceaux simplifiés de ces fichiers, et c’est à les lire que le reste du module vous mène.

guide-installation.xliff contient le contenu à traduire, découpé en unités. Une unité :

<unit id="u12">
    <segment>
        <source>Install the centrifugal pump on a level surface.</source>
    </segment>
</unit>

cascade-pumps_en-fr.tmx est la mémoire de traduction, remplie de traductions antérieures. L’une d’elles :

<tu>
    <tuv xml:lang="en-CA">
        <seg>Install the pump on a level surface.</seg>
    </tuv>
    <tuv xml:lang="fr-CA">
        <seg>Installez la pompe sur une surface plane.</seg>
    </tuv>
</tu>

cascade-pumps.tbx est la base terminologique, à raison d’une entrée par concept. Une entrée :

<conceptEntry id="c41">
    <langSec xml:lang="en">
        <termSec><term>centrifugal pump</term></termSec>
    </langSec>
    <langSec xml:lang="fr">
        <termSec><term>pompe centrifuge</term></termSec>
    </langSec>
</conceptEntry>

pump-selection.html est la page web elle-même, telle qu’elle existe en ligne. Une partie de cette page :

<h2>Selecting a pump</h2>
<p>Match the <strong>flow rate</strong> to the curve in the
   <a href="flow-rates.html">selection table</a>.</p>

Les quatre sont construits de la même manière. Chacun est du texte brut plain texttexte brut text encodingencodage du texte Text represented as a sequence of characters alone, with no formatting or layout of its own. A plain-text file opens in any text editor, whatever produced it, which is why interchange formats are written this way: markup languages record structure inside plain text, by writing that structure as characters in the text itself.Texte représenté par la seule suite de ses caractères, sans mise en forme ni mise en page propre. Un fichier en texte brut s'ouvre dans n'importe quel éditeur de texte, quel que soit le logiciel qui l'a produit, ce qui explique que les formats d'échange s'écrivent ainsi : les langages de balisage consignent la structure à l'intérieur du texte brut, en l'écrivant sous forme de caractères dans le texte lui-même. , ce qui explique que n’importe quel éditeur les ouvre. Dans chacun, le contenu se place entre des balises tagbalise markupbalisage A marker that delimits and identifies an element in a markup document, usually working as a pair: an opening tag and a closing tag around the content they label.Marqueur qui délimite et identifie un élément dans un document balisé, fonctionnant généralement par paire : une balise ouvrante et une balise fermante autour du contenu qu'elles désignent. écrites au moyen de chevrons, et la balise nomme ce qu’est ce morceau : un segment segmentsegment CAT toolsTAO A portion of translatable content that a CAT tool treats as a discrete unit for translation, alignment, storage and match retrieval.Portion de contenu à traduire qu'un outil de TAO traite comme une unité distincte aux fins de traduction, d'alignement, de stockage et de recherche de correspondances. , un terme, un titre. Certaines balises portent des attributs attributeattribut XMLXML In XML, a name-value pair written in an element's start-tag or empty-element tag to provide additional information about that element, such as its language, identifier, or creation date.En XML, paire nom-valeur inscrite dans la balise ouvrante d'un élément, ou dans sa balise d'élément vide, pour fournir de l'information supplémentaire sur cet élément, comme sa langue, son identifiant ou sa date de création. , ici xml:lang="fr-CA", qui disent quelque chose de ce morceau sans faire partie du texte. Les trois premiers fichiers sont en XML eXtensible Markup Language (XML)langage de balisage extensible (XML) XMLXML A markup language and W3C standard for storing structured data as plain text: elements delimited by tags, with attributes on them, nested in a hierarchy.Langage de balisage et norme du W3C pour représenter des données structurées en texte brut : des éléments délimités par des balises, dotés d'attributs et imbriqués en hiérarchie.  ; le quatrième est en HTML HyperText Markup Language (HTML)langage HTML (HTML) markupbalisage The markup language of web pages: a vocabulary of elements laid down by a standard, marking headings, paragraphs, links, images and the rest, which a browser renders.Langage de balisage des pages web : un vocabulaire d'éléments fixé par une norme, qui marque les titres, les paragraphes, les liens, les images et le reste, et qu'un navigateur affiche. , un autre langage de balisage markup languagelangage de balisage markupbalisage A convention for annotating text with tags that mark its structure or presentation, keeping the annotations distinct from the content itself; HTML and XML are the best-known examples.Convention qui annote un texte avec des balises décrivant sa structure ou sa présentation, en gardant ces annotations distinctes du contenu lui-même ; HTML et XML en sont les exemples les plus connus. bâti sur la même idée.

Lire des fichiers comme ceux-là, c’est ce vers quoi mènent ce chapitre et ce module : ce que fait le balisage, ce que transporte chacun des trois formats normalisés, et ce que vous pouvez y modifier sans casser le fichier.

Several tools, one project

In professional practice you will rarely work with a single CAT computer-assisted translation (CAT)traduction assistée par ordinateur (TAO) CAT toolsTAO Software that assists a human translator during the translation process, commonly by dividing texts into segments and providing functions such as translation-memory retrieval, terminology management, consistency checks and file management.Logiciel qui assiste un traducteur humain pendant le processus de traduction, généralement en divisant les textes en segments et en offrant des fonctions comme la recherche en mémoire de traduction, la gestion terminologique, les vérifications de cohérence et la gestion des fichiers. tool. Your clients work in Trados, your colleagues in memoQ, you perhaps in Wordfast. How do you share your translation memories translation memory (TM)mémoire de traduction (MT) CAT toolsTAO A bilingual database of previously translated source segments and their corresponding target segments, which a translation-memory system searches to propose exact or similar matches for new source text.Base de données bilingue de segments source déjà traduits et de leurs segments cibles correspondants, dans laquelle un système de mémoire de traduction cherche des correspondances exactes ou similaires pour un nouveau texte source. and your termbases termbasebase terminologique terminologyterminologie A database of terminological entries organized by concept, grouping the terms of several languages with metadata such as definitions, domains and usage status.Base de données d'entrées terminologiques organisée par concept, contenant les termes de plusieurs langues et des métadonnées comme des définitions, des domaines et des marques d'usage. across those tools? How does a language service provider get people working together when they do not run the same software?

Internal storage, backup, export

Three things are easy to confuse.

Internal storage belongs to the tool and is optimized for it. A classic local memory in memoQ, for instance, is a folder of files identified by an .mtm file; Trados Studio keeps its own in an .sdltm file. These formats are not meant to be read by other programs, and nothing obliges their vendor to document them or to keep them stable from one version to the next.

A backup copies that internal storage. It protects you against a failure, not against a change of tool.

An interchange export produces a file meant to leave the tool: TMX, TBX, XLIFF. It is the only one of the three that crosses the boundary between programs.A tool does sometimes read a competitor’s format directly: memoQ imports Trados .sdltm files. That stays the exception, and it depends on the vendor’s goodwill.

Without those exports, exchange would not be impossible, but it would happen ad hoc, with a lot of copy-pasting and as much room for error or data loss. The more complex the data, the more problematic such conversions become.

Imagine a very simple bilingual glossary in Excel, where each source term is linked to exactly one target term: two terms per row. Easy enough. But we all know that a glossary rarely stays that simple: you start adding synonyms, cross-references, related terms, definitions, sources, example sentences. The moment the data is more complex than a plain, consistent table with no links in it, you can assume that sharing it becomes more difficult as well.

A standard export can keep what an ad hoc one drops: formatting, metadata metadatamétadonnée datadonnées Structured information that describes, identifies, or provides context for other data. In a marked-up document or translation format, metadata may indicate the language, author, creation date, file type, segment identifier, translation status, subject field, or origin of the content. Metadata may be stored in elements or attributes. It is generally distinguished from the main content to be translated, although some metadata values may themselves require localization.Information structurée qui décrit, identifie ou contextualise d'autres données. Dans un document balisé ou un format de traduction, les métadonnées peuvent indiquer la langue, l'auteur, la date de création, le type de fichier, l'identifiant d'un segment, son état de traduction, le domaine ou la provenance du contenu. Elles peuvent être stockées dans des éléments ou dans des attributs. On les distingue généralement du contenu principal à traduire, même si certaines de leurs valeurs peuvent elles-mêmes devoir être localisées. , links between entries, several languages and several documents in a single file. And it does not have to be redone for every new exchange: the same file goes to any tool that reads the format, so everyone can keep working in the tool they prefer.

Producing the file is only half of the problem. The tool that receives it also has to make sense of what is inside, and exchanging data that the other side can actually use is what these formats are for. That property has a name.

Three formats for three needs

TMX, TBX and XLIFF were developed to solve this problem: the first exchanges translation memories, the second termbases, the third content being translated. All three are built on XML eXtensible Markup Language (XML)langage de balisage extensible (XML) XMLXML A markup language and W3C standard for storing structured data as plain text: elements delimited by tags, with attributes on them, nested in a hierarchy.Langage de balisage et norme du W3C pour représenter des données structurées en texte brut : des éléments délimités par des balises, dotés d'attributs et imbriqués en hiérarchie. .

A tool can claim support for TMX or XLIFF without reading them exactly the way yours does, so what interoperability delivers in practice is a separate question from what the standards define.

Plusieurs outils, un même projet

Dans la pratique professionnelle, vous utiliserez rarement un seul outil de TAO computer-assisted translation (CAT)traduction assistée par ordinateur (TAO) CAT toolsTAO Software that assists a human translator during the translation process, commonly by dividing texts into segments and providing functions such as translation-memory retrieval, terminology management, consistency checks and file management.Logiciel qui assiste un traducteur humain pendant le processus de traduction, généralement en divisant les textes en segments et en offrant des fonctions comme la recherche en mémoire de traduction, la gestion terminologique, les vérifications de cohérence et la gestion des fichiers. . Vos clients travaillent avec Trados, vos collègues avec memoQ, vous peut-être avec Wordfast. Comment partager vos mémoires de traduction translation memory (TM)mémoire de traduction (MT) CAT toolsTAO A bilingual database of previously translated source segments and their corresponding target segments, which a translation-memory system searches to propose exact or similar matches for new source text.Base de données bilingue de segments source déjà traduits et de leurs segments cibles correspondants, dans laquelle un système de mémoire de traduction cherche des correspondances exactes ou similaires pour un nouveau texte source. et vos bases terminologiques termbasebase terminologique terminologyterminologie A database of terminological entries organized by concept, grouping the terms of several languages with metadata such as definitions, domains and usage status.Base de données d'entrées terminologiques organisée par concept, contenant les termes de plusieurs langues et des métadonnées comme des définitions, des domaines et des marques d'usage. entre ces outils ? Comment un fournisseur de services linguistiques fait-il collaborer des personnes qui n’utilisent pas les mêmes logiciels ?

Stockage interne, sauvegarde, export

Trois choses se confondent facilement.

Le stockage interne appartient à l’outil et est optimisé pour lui. Une mémoire locale classique de memoQ, par exemple, est un dossier de fichiers repéré par un fichier .mtm ; Trados Studio range la sienne dans un fichier .sdltm. Ces formats ne sont pas faits pour être lus par d’autres logiciels, et rien n’oblige leur éditeur à les documenter ni à les garder stables d’une version à l’autre.

La sauvegarde copie ce stockage interne. Elle vous protège d’une panne, pas d’un changement d’outil.

L’export d’échange produit un fichier destiné à sortir de l’outil : TMX, TBX, XLIFF. C’est le seul des trois qui traverse la frontière entre logiciels.Il arrive qu’un outil lise directement le format d’un concurrent : memoQ importe les fichiers .sdltm de Trados. Cela reste l’exception, et cela dépend du bon vouloir de l’éditeur.

Sans ces exports, l’échange ne serait pas impossible, mais il se ferait au cas par cas, avec beaucoup de copier-coller et autant d’occasions de se tromper ou de perdre des données. Plus les données sont complexes, plus ces conversions improvisées posent problème.

Imaginez un glossaire bilingue très simple dans Excel, où chaque terme source correspond à exactement un terme cible : deux termes par ligne. Jusque-là, rien de compliqué. Mais nous savons tous qu’un glossaire reste rarement aussi simple : on y ajoute des synonymes, des renvois, des termes apparentés, des définitions, des sources, des exemples d’emploi. Dès que les données dépassent le tableau simple et régulier, sans liens internes, on peut supposer que leur partage devient lui aussi plus difficile.

Un export normalisé peut transporter ce qu’un export improvisé laisse tomber : la mise en forme, les métadonnées metadatamétadonnée datadonnées Structured information that describes, identifies, or provides context for other data. In a marked-up document or translation format, metadata may indicate the language, author, creation date, file type, segment identifier, translation status, subject field, or origin of the content. Metadata may be stored in elements or attributes. It is generally distinguished from the main content to be translated, although some metadata values may themselves require localization.Information structurée qui décrit, identifie ou contextualise d'autres données. Dans un document balisé ou un format de traduction, les métadonnées peuvent indiquer la langue, l'auteur, la date de création, le type de fichier, l'identifiant d'un segment, son état de traduction, le domaine ou la provenance du contenu. Elles peuvent être stockées dans des éléments ou dans des attributs. On les distingue généralement du contenu principal à traduire, même si certaines de leurs valeurs peuvent elles-mêmes devoir être localisées. , les liens entre les entrées, plusieurs langues et plusieurs documents dans un même fichier. Et il n’a pas à être refait à chaque nouvel échange : le même fichier va vers n’importe quel outil qui lit le format, et chacun peut continuer à travailler dans l’outil qu’il préfère.

Produire le fichier ne règle que la moitié du problème. L’outil qui le reçoit doit encore comprendre ce qu’il contient, et échanger des données que l’autre côté peut réellement exploiter, c’est ce à quoi servent ces formats. Cette propriété porte un nom.

Trois formats pour trois besoins

TMX, TBX et XLIFF ont été développés pour résoudre ce problème : le premier échange des mémoires de traduction, le deuxième des bases terminologiques, le troisième du contenu en cours de traduction. Tous trois reposent sur XML eXtensible Markup Language (XML)langage de balisage extensible (XML) XMLXML A markup language and W3C standard for storing structured data as plain text: elements delimited by tags, with attributes on them, nested in a hierarchy.Langage de balisage et norme du W3C pour représenter des données structurées en texte brut : des éléments délimités par des balises, dotés d'attributs et imbriqués en hiérarchie. .

Un outil peut annoncer qu’il prend en charge TMX ou XLIFF sans les lire exactement comme le vôtre : ce que l’interopérabilité donne en pratique est donc une autre question que ce que les normes définissent.

Annotations inside the text

The idea behind markup: the annotations that describe the text (its structure, its role, its metadata metadatamétadonnée datadonnées Structured information that describes, identifies, or provides context for other data. In a marked-up document or translation format, metadata may indicate the language, author, creation date, file type, segment identifier, translation status, subject field, or origin of the content. Metadata may be stored in elements or attributes. It is generally distinguished from the main content to be translated, although some metadata values may themselves require localization.Information structurée qui décrit, identifie ou contextualise d'autres données. Dans un document balisé ou un format de traduction, les métadonnées peuvent indiquer la langue, l'auteur, la date de création, le type de fichier, l'identifiant d'un segment, son état de traduction, le domaine ou la provenance du contenu. Elles peuvent être stockées dans des éléments ou dans des attributs. On les distingue généralement du contenu principal à traduire, même si certaines de leurs valeurs peuvent elles-mêmes devoir être localisées. ) are placed inside the text itself while staying distinguishable from the content. A program reads the same file a human does and can tell which part is content and which part is description.

In the languages this module deals with, an annotation is a tag tagbalise markupbalisage A marker that delimits and identifies an element in a markup document, usually working as a pair: an opening tag and a closing tag around the content they label.Marqueur qui délimite et identifie un élément dans un document balisé, fonctionnant généralement par paire : une balise ouvrante et une balise fermante autour du contenu qu'elles désignent. written between angle brackets, usually one before the text it describes and one after it. Here it is enough to recognize the shape.

XML

XML imposes no vocabulary of its own: each format defines the tags it needs. TMX talks about translation units translation unit (TU)unité de traduction (UT) CAT toolsTAO A record that associates a source-language segment with its target-language equivalent, usually together with relevant metadata.Enregistrement qui associe un segment de la langue source à son équivalent dans la langue cible, généralement accompagné de métadonnées. , TBX about concepts and terms, XLIFF XML Localization Interchange File Format (XLIFF)XML Localization Interchange File Format (XLIFF) exchange formatsformats d'échange The XML-based bilingual format for passing content through a localization workflow: source and target segments travel together with workflow metadata such as translation status, rather than exchanging linguistic resources.Format bilingue fondé sur XML pour faire circuler du contenu dans un flux de localisation : segments source et cible voyagent ensemble, avec des métadonnées de flux de travail comme le statut de traduction, contrairement aux formats d'échange de ressources linguistiques. about files and segments segmentsegment CAT toolsTAO A portion of translatable content that a CAT tool treats as a discrete unit for translation, alignment, storage and match retrieval.Portion de contenu à traduire qu'un outil de TAO traite comme une unité distincte aux fins de traduction, d'alignement, de stockage et de recherche de correspondances. . All three are XML, which is why one chapter on reading XML prepares you for all three.

The sentence from our fictional client, Cascade Pumps Inc., as it travels in their XLIFF file:

<segment>
    <source>Install the centrifugal pump on a level surface.</source>
    <target>Installez la pompe centrifuge sur une surface plane.</target>
</segment>

HTML

HTML is the other markup language you are certain to come across. Web pages are written in it, so any web content that is not a PDF or an image reaches you as HTML. Unlike an XML format, it comes with its tag names already fixed by its standard.

Here is the same sentence as it exists on the client’s website:

<p>Install the <strong>centrifugal pump</strong> on a level surface.</p>
<img src="pump-diagram.png" alt="Cutaway view of a centrifugal pump">

Three things to notice:

• <p> marks a paragraph and <strong> an emphasis. Those names come from the HTML standard; you do not choose them.
• The text to translate is the text between the tags.
• Some of it is inside a tag: alt gives the description of the image, read by people who cannot see it. src, which names the image file, is not translated.

Des annotations dans le texte

L’idée du balisage : les annotations qui décrivent le texte (sa structure, son rôle, ses métadonnées metadatamétadonnée datadonnées Structured information that describes, identifies, or provides context for other data. In a marked-up document or translation format, metadata may indicate the language, author, creation date, file type, segment identifier, translation status, subject field, or origin of the content. Metadata may be stored in elements or attributes. It is generally distinguished from the main content to be translated, although some metadata values may themselves require localization.Information structurée qui décrit, identifie ou contextualise d'autres données. Dans un document balisé ou un format de traduction, les métadonnées peuvent indiquer la langue, l'auteur, la date de création, le type de fichier, l'identifiant d'un segment, son état de traduction, le domaine ou la provenance du contenu. Elles peuvent être stockées dans des éléments ou dans des attributs. On les distingue généralement du contenu principal à traduire, même si certaines de leurs valeurs peuvent elles-mêmes devoir être localisées. ) sont insérées dans le texte lui-même, tout en restant distinguables du contenu. Un programme lit donc le même fichier qu’un humain et sait ce qui est du contenu et ce qui est de la description.

Dans les langages dont traite ce module, une annotation est une balise tagbalise markupbalisage A marker that delimits and identifies an element in a markup document, usually working as a pair: an opening tag and a closing tag around the content they label.Marqueur qui délimite et identifie un élément dans un document balisé, fonctionnant généralement par paire : une balise ouvrante et une balise fermante autour du contenu qu'elles désignent. écrite entre chevrons, en général une avant le texte qu’elle décrit et une après. Il suffit ici d’en reconnaître la forme.

XML

XML n’impose aucun vocabulaire : chaque format définit les balises dont il a besoin. TMX parle d’unités de traduction translation unit (TU)unité de traduction (UT) CAT toolsTAO A record that associates a source-language segment with its target-language equivalent, usually together with relevant metadata.Enregistrement qui associe un segment de la langue source à son équivalent dans la langue cible, généralement accompagné de métadonnées. , TBX de concepts et de termes, XLIFF XML Localization Interchange File Format (XLIFF)XML Localization Interchange File Format (XLIFF) exchange formatsformats d'échange The XML-based bilingual format for passing content through a localization workflow: source and target segments travel together with workflow metadata such as translation status, rather than exchanging linguistic resources.Format bilingue fondé sur XML pour faire circuler du contenu dans un flux de localisation : segments source et cible voyagent ensemble, avec des métadonnées de flux de travail comme le statut de traduction, contrairement aux formats d'échange de ressources linguistiques. de fichiers et de segments segmentsegment CAT toolsTAO A portion of translatable content that a CAT tool treats as a discrete unit for translation, alignment, storage and match retrieval.Portion de contenu à traduire qu'un outil de TAO traite comme une unité distincte aux fins de traduction, d'alignement, de stockage et de recherche de correspondances. . Les trois sont du XML, et c’est pourquoi un seul chapitre sur la lecture du XML vous prépare aux trois.

La phrase de notre client fictif, Cascade Pumps Inc., telle qu’elle voyage dans son fichier XLIFF :

<segment>
    <source>Install the centrifugal pump on a level surface.</source>
    <target>Installez la pompe centrifuge sur une surface plane.</target>
</segment>

HTML

HTML est l’autre langage de balisage que vous rencontrerez à coup sûr. Les pages web sont écrites en HTML ; tout contenu web qui n’est ni un PDF ni une image vous arrive donc sous cette forme. Contrairement à un format XML, ses noms de balises sont déjà fixés par sa norme.

Voici la même phrase telle qu’elle existe sur le site web du client :

<p>Install the <strong>centrifugal pump</strong> on a level surface.</p>
<img src="pump-diagram.png" alt="Cutaway view of a centrifugal pump">

Trois choses à remarquer :

• <p> marque un paragraphe et <strong> une mise en relief. Ces noms viennent de la norme HTML ; vous ne les choisissez pas.
• Le texte à traduire est celui qui se trouve entre les balises.
• Du texte à traduire se trouve aussi dans une balise : alt porte la description de l’image, lue par les personnes qui ne la voient pas. src, qui nomme le fichier image, ne se traduit pas.

Any editor opens it

You can open a TMX, XLIFF or HTML file in Notepad (Windows) or TextEdit (Mac) and see how it is put together. No specialized software is needed, because there is nothing in the file to decode: characters, one after another.

A line break is a character

Among those characters is the one that ends a line. You never see it, but it is in the file like any other, and it is what divides the file into lines. A file with two of them has three lines, whatever it looks like on screen.

Word processors give you a way to see them: the button usually marked ¶, which displays the invisible characters on screen, paragraph marks and line breaks along with spaces and tabs. It changes nothing in the file. It only stops hiding what is already in it.

Word wrap writes nothing

When a line is too long for the window, an editor breaks it so you can read it without scrolling sideways. That break is drawn, not written: the same file wraps differently in a narrower window, in another editor, or at a larger font size, and none of that changes the file.

The two get confused because both look like a new line. The difference shows the moment you count something:

• Line numbers. An editor numbers the lines in the file, not the rows on screen, so line 2 can occupy four rows.
• One record per line. A CSV or TSV file normally puts one record on each line. A record that wraps on screen is still one record, and a stray line break inside one splits it in two, unless the field it falls in is quoted.
• Regular expressions regular expression (regex)expression rationnelle regular expressionsexpressions rationnelles A pattern describing a set of character strings, built from literal characters and metacharacters with special meanings; used to search, filter and transform text by structure rather than by exact wording.Motif décrivant un ensemble de chaînes de caractères, formé de caractères littéraux et de métacaractères à signification spéciale ; sert à chercher, filtrer et transformer du texte selon sa structure plutôt que selon une formulation exacte. . ^ and $ match at a line break in the file, never where the window happens to end. The page on line anchors teaches them.
• XML. A file that arrives on one very long line is intact, which is why what an XML file looks like says the indentation is a convention rather than a requirement.

N’importe quel éditeur l’ouvre

Vous pouvez ouvrir un fichier TMX, XLIFF ou HTML dans le Bloc-notes (Windows) ou TextEdit (Mac) et voir comment il est construit. Aucun logiciel spécialisé n’est nécessaire, parce qu’il n’y a rien à décoder dans le fichier : des caractères, les uns après les autres.

Le saut de ligne est un caractère

Parmi ces caractères, il y en a un qui termine la ligne. Vous ne le voyez jamais, mais il est dans le fichier comme les autres, et c’est lui qui découpe le fichier en lignes. Un fichier qui en compte deux a trois lignes, quelle que soit son allure à l’écran.

Les traitements de texte offrent un moyen de les voir : le bouton marqué ¶ d’ordinaire, qui affiche à l’écran les caractères invisibles, marques de paragraphe et sauts de ligne, mais aussi espaces et tabulations. Il ne change rien au fichier. Il cesse seulement de cacher ce qui s’y trouve déjà.

Le retour à la ligne automatique n’écrit rien

Quand une ligne est trop longue pour la fenêtre, l’éditeur la coupe pour vous éviter de défiler latéralement. Cette coupure est dessinée, pas écrite : le même fichier se replie autrement dans une fenêtre plus étroite, dans un autre éditeur ou avec une police plus grande, et rien de tout cela ne change le fichier.

On confond les deux parce que l’une comme l’autre ressemble à une nouvelle ligne. La différence apparaît dès qu’il faut compter :

• Les numéros de ligne. L’éditeur numérote les lignes du fichier, pas les rangées à l’écran : la ligne 2 peut donc occuper quatre rangées.
• Un enregistrement par ligne. Un fichier CSV ou TSV place normalement un enregistrement par ligne. Un enregistrement qui se replie à l’écran reste un seul enregistrement, et un saut de ligne égaré à l’intérieur le coupe en deux, sauf si le champ où il tombe est entre guillemets.
• Les expressions rationnelles regular expression (regex)expression rationnelle regular expressionsexpressions rationnelles A pattern describing a set of character strings, built from literal characters and metacharacters with special meanings; used to search, filter and transform text by structure rather than by exact wording.Motif décrivant un ensemble de chaînes de caractères, formé de caractères littéraux et de métacaractères à signification spéciale ; sert à chercher, filtrer et transformer du texte selon sa structure plutôt que selon une formulation exacte. . ^ et $ correspondent à un saut de ligne du fichier, jamais à l’endroit où la fenêtre s’arrête. La page sur les ancres de ligne les enseigne.
• XML. Un fichier qui arrive sur une seule très longue ligne est intact, et c’est pourquoi à quoi ressemble le XML présente l’indentation comme une convention et non comme une obligation.

An XML file with no formatting is a wall of plain text: that is the first view in the figure above. In an editor that applies syntax highlighting, and with the indentation its author gave it, the same file becomes far easier to follow while remaining nothing but text: that is the second view. Once you can see the structure those indents mark out, you are looking at a hierarchy, elements elementélément XMLXML The building block of an XML document: an opening tag, the content it delimits and a closing tag, or a single empty-element tag when there is no content.Unité de base d'un document XML : une balise ouvrante, le contenu qu'elle délimite et une balise fermante, ou une seule balise d'élément vide quand il n'y a pas de contenu. nested inside elements, and that is why the same file can be drawn as the tree in the third view.

That structure is made of elements and tags, of the attributes attached to them, and of the hierarchy they build.Every example in this chapter is an excerpt. A complete XML file opens with a declaration, <?xml version="1.0" encoding="UTF-8"?>, taken up on the encoding page.

Un fichier XML sans mise en forme est un mur de texte brut : c’est la première vue de la figure ci-dessus. Dans un éditeur qui applique la coloration syntaxique, et avec l’indentation que son auteur lui a donnée, le même fichier devient bien plus facile à suivre tout en restant du simple texte : c’est la deuxième vue. Dès que vous voyez la structure que ces indentations dessinent, vous avez sous les yeux une hiérarchie, des éléments elementélément XMLXML The building block of an XML document: an opening tag, the content it delimits and a closing tag, or a single empty-element tag when there is no content.Unité de base d'un document XML : une balise ouvrante, le contenu qu'elle délimite et une balise fermante, ou une seule balise d'élément vide quand il n'y a pas de contenu. logés dans d’autres éléments, et c’est elle qui permet de représenter le même fichier par l’arbre de la troisième vue.

Cette structure est faite d’éléments et de balises, des attributs qu’ils portent, et de la hiérarchie qu’ils construisent.Tous les exemples de ce chapitre sont des extraits. Un fichier XML complet s’ouvre par une déclaration, <?xml version="1.0" encoding="UTF-8"?>, reprise à la page sur le codage.

Elements and tags

• <seg> is the opening tag;
• </seg> is the closing tag;
• the text between the two is the element’s content.

Whether text appears inside a tag or between two tags decides what that text is. Between the tags comes the text itself: a segment waiting to be translated, a translation already made, a term in a glossary. A tool puts that on screen, and it gets edited as text. A tag gives a description of it instead: its language, its date, the unit it belongs to. That description makes the file work, and it stays as it is. Both have their exceptions: an HTML alt, seen earlier in this module, lives inside a tag and does get translated, while an XLIFF XML Localization Interchange File Format (XLIFF)XML Localization Interchange File Format (XLIFF) exchange formatsformats d'échange The XML-based bilingual format for passing content through a localization workflow: source and target segments travel together with workflow metadata such as translation status, rather than exchanging linguistic resources.Format bilingue fondé sur XML pour faire circuler du contenu dans un flux de localisation : segments source et cible voyagent ensemble, avec des métadonnées de flux de travail comme le statut de traduction, contrairement aux formats d'échange de ressources linguistiques. <note> comes between tags but is a message to you rather than text to work on.

Attributes

Simplified excerpt from a TMX file:

<tu tuid="41" creationdate="20240915T093000Z">
    <tuv xml:lang="en-CA">
        <seg>Install the pump on a level surface.</seg>
    </tuv>
</tu>

tuid, creationdate and xml:lang are attributes.TMX fixes the date format: year, month, day, a T, then the time in universal time and a Z. 20240915T093000Z reads as 15 September 2024 at 9:30 UTC. Here the text to translate lies between the tags and the metadata metadatamétadonnée datadonnées Structured information that describes, identifies, or provides context for other data. In a marked-up document or translation format, metadata may indicate the language, author, creation date, file type, segment identifier, translation status, subject field, or origin of the content. Metadata may be stored in elements or attributes. It is generally distinguished from the main content to be translated, although some metadata values may themselves require localization.Information structurée qui décrit, identifie ou contextualise d'autres données. Dans un document balisé ou un format de traduction, les métadonnées peuvent indiquer la langue, l'auteur, la date de création, le type de fichier, l'identifiant d'un segment, son état de traduction, le domaine ou la provenance du contenu. Elles peuvent être stockées dans des éléments ou dans des attributs. On les distingue généralement du contenu principal à traduire, même si certaines de leurs valeurs peuvent elles-mêmes devoir être localisées. (identifier, date, language) goes in the attributes. That split is common, and XML does not require it: the standard gives the two forms no particular meaning, and a format can perfectly well keep its metadata in child elements. TBX does.

Empty elements

An element with no content is written as a single tag, closed with a slash:

<ph id="3"/>

ph is short for placeholder.The name comes from XLIFF, where <ph> stands for something in the original document that has no text of its own. TMX has a <ph> too, but there it has the original code as its content instead of standing empty. You will find empty elements mostly inside segments, where they stand in for whatever the original document had at that spot and is not text: a line break, an image, an automatic field. In HTML HyperText Markup Language (HTML)langage HTML (HTML) markupbalisage The markup language of web pages: a vocabulary of elements laid down by a standard, marking headings, paragraphs, links, images and the rest, which a browser renders.Langage de balisage des pages web : un vocabulaire d'éléments fixé par une norme, qui marque les titres, les paragraphes, les liens, les images et le reste, et qu'un navigateur affiche. , <br> and <img> do the same job.

Hierarchy

Elements nest inside one another and form a tree: each element can contain other elements, its children.

<tu>
    <tuv xml:lang="en-CA">
        <seg>Install the pump on a level surface.</seg>
    </tuv>
    <tuv xml:lang="fr-CA">
        <seg>Installez la pompe sur une surface plane.</seg>
    </tuv>
</tu>

A translation unit translation unit (TU)unité de traduction (UT) CAT toolsTAO A record that associates a source-language segment with its target-language equivalent, usually together with relevant metadata.Enregistrement qui associe un segment de la langue source à son équivalent dans la langue cible, généralement accompagné de métadonnées. (tu) contains its language variants (tuv, translation unit variant), which each contain their segment segmentsegment CAT toolsTAO A portion of translatable content that a CAT tool treats as a discrete unit for translation, alignment, storage and match retrieval.Portion de contenu à traduire qu'un outil de TAO traite comme une unité distincte aux fins de traduction, d'alignement, de stockage et de recherche de correspondances. (seg). This nesting is what lets rich structures be represented in a plain text file that machines and humans can both read. Figure 1figure 1 draws exactly this nesting.

Éléments et balises

• <seg> est la balise ouvrante ;
• </seg> est la balise fermante ;
• le texte entre les deux est le contenu de l’élément.

Selon qu’un texte apparaît dans une balise ou entre deux balises, sa nature n’est pas la même. Entre les balises vient le texte lui-même : un segment à traduire, une traduction déjà faite, un terme dans un glossaire. Un outil l’affiche, et il se modifie comme du texte. Une balise donne plutôt une description de ce texte : sa langue, sa date, l’unité à laquelle il appartient. Cette description fait fonctionner le fichier et ne se touche pas. Les deux ont leurs exceptions : un alt HTML, vu plus tôt dans ce module, est dans une balise et se traduit bel et bien, tandis qu’un <note> XLIFF XML Localization Interchange File Format (XLIFF)XML Localization Interchange File Format (XLIFF) exchange formatsformats d'échange The XML-based bilingual format for passing content through a localization workflow: source and target segments travel together with workflow metadata such as translation status, rather than exchanging linguistic resources.Format bilingue fondé sur XML pour faire circuler du contenu dans un flux de localisation : segments source et cible voyagent ensemble, avec des métadonnées de flux de travail comme le statut de traduction, contrairement aux formats d'échange de ressources linguistiques. vient entre des balises mais s’adresse à vous au lieu d’être du texte à traiter.

Attributs

Extrait simplifié d’un fichier TMX :

<tu tuid="41" creationdate="20240915T093000Z">
    <tuv xml:lang="en-CA">
        <seg>Install the pump on a level surface.</seg>
    </tuv>
</tu>

tuid, creationdate et xml:lang sont des attributs.TMX impose le format des dates : année, mois, jour, un T, puis l’heure en temps universel et un Z. 20240915T093000Z se lit « le 15 septembre 2024 à 9 h 30 UTC ». Ici, le texte à traduire est entre les balises et les métadonnées metadatamétadonnée datadonnées Structured information that describes, identifies, or provides context for other data. In a marked-up document or translation format, metadata may indicate the language, author, creation date, file type, segment identifier, translation status, subject field, or origin of the content. Metadata may be stored in elements or attributes. It is generally distinguished from the main content to be translated, although some metadata values may themselves require localization.Information structurée qui décrit, identifie ou contextualise d'autres données. Dans un document balisé ou un format de traduction, les métadonnées peuvent indiquer la langue, l'auteur, la date de création, le type de fichier, l'identifiant d'un segment, son état de traduction, le domaine ou la provenance du contenu. Elles peuvent être stockées dans des éléments ou dans des attributs. On les distingue généralement du contenu principal à traduire, même si certaines de leurs valeurs peuvent elles-mêmes devoir être localisées. (identifiant, date, langue) sont dans les attributs. C’est une répartition fréquente, que XML n’impose pas : la norme n’attribue aucun sens particulier aux deux formes, et un format peut parfaitement ranger ses métadonnées dans des éléments enfants. TBX le fait.

Éléments vides

Un élément sans contenu s’écrit d’une seule balise, fermée par une barre oblique :

<ph id="3"/>

ph est l’abréviation de l’anglais placeholder.Le nom vient de XLIFF, où <ph> tient la place de quelque chose qui, dans le document d’origine, n’a pas de texte propre. TMX a aussi un <ph>, mais il contient le code d’origine au lieu de rester vide. Vous rencontrerez surtout des éléments vides à l’intérieur des segments, où ils remplacent ce que le document d’origine avait à cet endroit et qui n’est pas du texte : un saut de ligne, une image, un champ automatique. En HTML HyperText Markup Language (HTML)langage HTML (HTML) markupbalisage The markup language of web pages: a vocabulary of elements laid down by a standard, marking headings, paragraphs, links, images and the rest, which a browser renders.Langage de balisage des pages web : un vocabulaire d'éléments fixé par une norme, qui marque les titres, les paragraphes, les liens, les images et le reste, et qu'un navigateur affiche. , <br> et <img> jouent le même rôle.

Hiérarchie

Les éléments s’imbriquent les uns dans les autres et forment un arbre : chaque élément peut contenir d’autres éléments, ses enfants.

<tu>
    <tuv xml:lang="en-CA">
        <seg>Install the pump on a level surface.</seg>
    </tuv>
    <tuv xml:lang="fr-CA">
        <seg>Installez la pompe sur une surface plane.</seg>
    </tuv>
</tu>

Une unité de traduction translation unit (TU)unité de traduction (UT) CAT toolsTAO A record that associates a source-language segment with its target-language equivalent, usually together with relevant metadata.Enregistrement qui associe un segment de la langue source à son équivalent dans la langue cible, généralement accompagné de métadonnées. (tu) contient ses variantes de langue (tuv, translation unit variant), et chaque variante son segment segmentsegment CAT toolsTAO A portion of translatable content that a CAT tool treats as a discrete unit for translation, alignment, storage and match retrieval.Portion de contenu à traduire qu'un outil de TAO traite comme une unité distincte aux fins de traduction, d'alignement, de stockage et de recherche de correspondances. (seg). C’est cette imbrication qui permet de représenter des structures riches dans un simple fichier texte, interprétable à la fois par les machines et par les humains. La Figure 1figure 1 dessine exactement cette imbrication.

Strange characters, files that will not open

Two points of syntax turn up in every interchange file. Recognizing them saves you a headache later, over strange characters in the text or a file that no longer opens the way it should.

Reserved characters

Angle brackets delimit tags: a < in text would be read as the start of a tag. XML therefore gives it a replacement spelling, and gives the ampersand one too, since every replacement begins with an ampersand:

>, " and ' have replacement spellings too (>, ", '), required only in certain contexts; tools often write them anyway.

In practice: a company called Smith & Sons appears in the file as Smith & Sons, and the translation is written the same way. Do not replace & with & by hand, you would break the file.

Namespaces

The first tag tagbalise markupbalisage A marker that delimits and identifies an element in a markup document, usually working as a pair: an opening tag and a closing tag around the content they label.Marqueur qui délimite et identifie un élément dans un document balisé, fonctionnant généralement par paire : une balise ouvrante et une balise fermante autour du contenu qu'elles désignent. of an XLIFF XML Localization Interchange File Format (XLIFF)XML Localization Interchange File Format (XLIFF) exchange formatsformats d'échange The XML-based bilingual format for passing content through a localization workflow: source and target segments travel together with workflow metadata such as translation status, rather than exchanging linguistic resources.Format bilingue fondé sur XML pour faire circuler du contenu dans un flux de localisation : segments source et cible voyagent ensemble, avec des métadonnées de flux de travail comme le statut de traduction, contrairement aux formats d'échange de ressources linguistiques. file looks like this:

<xliff xmlns="urn:oasis:names:tc:xliff:document:2.0" version="2.1"
       srcLang="en-CA" trgLang="fr-CA">

xmlns announces that <unit>, <segment> and the other tags that follow are XLIFF’s, and not those of some other format using the same names. A document can declare several namespaces, each marked by a prefix of the form prefix:tag. This is how a tool adds tags of its own to a standard format without colliding with it, and it is also a source of trouble in exchange: a tool that does not know that vocabulary will get nothing out of those tags.

One namespace is declared in advance by the XML standard itself, the one for the xml prefix. That is why xml:lang appears everywhere with no matching declaration in the file.

Caractères étranges, fichiers qui n’ouvrent plus

Deux détails de syntaxe reviennent dans tous les fichiers d’échange. Les reconnaître vous évitera bien des ennuis devant des caractères étranges ou un fichier qui ne s’ouvre plus comme il devrait.

Caractères réservés

Les chevrons délimitent les balises : un < dans du texte serait lu comme le début d’une balise. XML lui prévoit donc une écriture de remplacement, et à l’esperluette aussi, puisque chaque remplacement commence par une esperluette :

>, " et ' ont eux aussi une écriture de remplacement (>, ", '), obligatoire seulement dans certains contextes ; les outils les écrivent souvent par prudence.

En pratique : une entreprise nommée Smith & Sons apparaît dans le fichier sous la forme Smith & Sons, et la traduction s’écrit de la même façon. Ne remplacez pas & par & à la main, vous casseriez le fichier.

Espaces de noms

La première balise tagbalise markupbalisage A marker that delimits and identifies an element in a markup document, usually working as a pair: an opening tag and a closing tag around the content they label.Marqueur qui délimite et identifie un élément dans un document balisé, fonctionnant généralement par paire : une balise ouvrante et une balise fermante autour du contenu qu'elles désignent. d’un fichier XLIFF XML Localization Interchange File Format (XLIFF)XML Localization Interchange File Format (XLIFF) exchange formatsformats d'échange The XML-based bilingual format for passing content through a localization workflow: source and target segments travel together with workflow metadata such as translation status, rather than exchanging linguistic resources.Format bilingue fondé sur XML pour faire circuler du contenu dans un flux de localisation : segments source et cible voyagent ensemble, avec des métadonnées de flux de travail comme le statut de traduction, contrairement aux formats d'échange de ressources linguistiques. ressemble à ceci :

<xliff xmlns="urn:oasis:names:tc:xliff:document:2.0" version="2.1"
       srcLang="en-CA" trgLang="fr-CA">

xmlns annonce que <unit>, <segment> et les autres balises qui suivent sont celles de XLIFF, et non celles d’un autre format qui emploierait les mêmes noms. Un document peut déclarer plusieurs espaces de noms, chacun repéré par un préfixe de la forme prefixe:balise. C’est ainsi qu’un outil ajoute ses propres balises à un format normalisé sans entrer en conflit avec lui, et c’est aussi une source de difficultés à l’échange : un outil qui ne connaît pas ce vocabulaire ne tirera rien de ces balises.

Un espace de noms est déclaré d’avance par la norme XML elle-même, celui du préfixe xml. C’est pourquoi xml:lang apparaît partout sans déclaration correspondante dans le fichier.

From bytes to characters

Plain text and its lines said a file is characters and nothing else. That is true of what the file means; what it stores is bytes, and an encoding is the agreement that turns one back into the other. If the agreement is wrong, the letters come back wrong, which is why this is the problem French text hits first.

The declaration says which one

The very first line of an XML file is its declaration:

<?xml version="1.0" encoding="UTF-8"?>

encoding names the agreement the file was written under. UTF-8 covers accents, non-Latin alphabets and almost everything else, and it is what TMX, TBX and XLIFF use.Some programs, Windows ones above all, start a UTF-8 file with three invisible bytes announcing the encoding, called a byte order mark or BOM. Most tools take it in their stride, but one that does not will show it as  in front of the first character, or trip over a first line that looks perfectly normal on screen. If a file misbehaves only on its first line, this is usually why, and a text editor that offers to save “UTF-8 without BOM” is offering the fix.

When it goes wrong

An accented letter is where the trouble shows, because in UTF-8 it takes two bytes rather than one. Written as UTF-8 and read as if it were an older one-byte encoding, “é” arrives as two letters instead:

A whole file of that is the classic symptom: every accent has turned into two characters, and nothing else has moved. It means the file was written under one agreement and read under another, not that the text was damaged, so opening it again with the right encoding usually brings it back.The other direction is uglier. In a one-byte file opened as UTF-8, the accented bytes make no valid character at all, so they come back as �. Save the file in that state and the original letter is gone for good.

Des octets aux caractères

Le texte brut et ses lignes disait qu’un fichier est fait de caractères et de rien d’autre. C’est vrai de ce que le fichier signifie ; ce qu’il stocke, ce sont des octets, et le codage est la convention qui fait passer des uns aux autres. Si la convention est fausse, les lettres reviennent fausses, et c’est pourquoi le texte français rencontre ce problème avant tout autre.

La déclaration dit laquelle

La toute première ligne d’un fichier XML est sa déclaration :

<?xml version="1.0" encoding="UTF-8"?>

encoding nomme la convention selon laquelle le fichier a été écrit. UTF-8 couvre les accents, les alphabets non latins et à peu près tout le reste, et c’est ce qu’emploient TMX, TBX et XLIFF.Certains logiciels, ceux de Windows au premier chef, font commencer un fichier UTF-8 par trois octets invisibles qui annoncent le codage, ce qu’on appelle une marque d’ordre des octets, ou BOM (byte order mark). La plupart des outils s’en accommodent, mais celui qui ne le fait pas l’affiche sous la forme  devant le premier caractère, ou bute sur une première ligne qui semble pourtant normale à l’écran. Quand un fichier ne pose problème que sur sa première ligne, c’est en général cela, et un éditeur de texte qui propose d’enregistrer en « UTF-8 sans BOM » propose la solution.

Quand cela tourne mal

C’est sur les lettres accentuées que l’ennui se voit, parce qu’en UTF-8 elles occupent deux octets au lieu d’un. Écrit en UTF-8 puis relu comme s’il s’agissait d’un ancien codage à un octet, le « é » arrive sous la forme de deux lettres :

Un fichier entier dans cet état, c’est le symptôme classique : chaque accent s’est transformé en deux caractères, et rien d’autre n’a bougé. Cela veut dire que le fichier a été écrit selon une convention et relu selon une autre, non que le texte a été abîmé : le rouvrir avec le bon codage le rétablit généralement.L’autre sens est plus vilain. Dans un fichier à un octet relu en UTF-8, les octets accentués ne forment aucun caractère valide : ils reviennent sous la forme de �. Enregistrez le fichier dans cet état et la lettre d’origine est perdue pour de bon.

The same sentence in two languages

Back to the sentence from the guide of our fictional client, Cascade Pumps Inc.:

<p>Install the <strong>centrifugal pump</strong> on a level surface.</p>

In French:

<p>Installez la <strong>pompe centrifuge</strong> sur une surface plane.</p>

The text changed, the structure did not. The tags are the same and there are as many of them, and <strong> followed the term it emphasizes, which no longer comes at the same place in the sentence.

What is translated

• Element content, meaning the text between the tags. In TMX, TBX and XLIFF XML Localization Interchange File Format (XLIFF)XML Localization Interchange File Format (XLIFF) exchange formatsformats d'échange The XML-based bilingual format for passing content through a localization workflow: source and target segments travel together with workflow metadata such as translation status, rather than exchanging linguistic resources.Format bilingue fondé sur XML pour faire circuler du contenu dans un flux de localisation : segments source et cible voyagent ensemble, avec des métadonnées de flux de travail comme le statut de traduction, contrairement aux formats d'échange de ressources linguistiques. , that is always where the text to translate is.
• A few attribute values, the ones whose text is meant to be read: in HTML HyperText Markup Language (HTML)langage HTML (HTML) markupbalisage The markup language of web pages: a vocabulary of elements laid down by a standard, marking headings, paragraphs, links, images and the rest, which a browser renders.Langage de balisage des pages web : un vocabulaire d'éléments fixé par une norme, qui marque les titres, les paragraphes, les liens, les images et le reste, et qu'un navigateur affiche. , alt and title.

What is left alone

• Tag tagbalise markupbalisage A marker that delimits and identifies an element in a markup document, usually working as a pair: an opening tag and a closing tag around the content they label.Marqueur qui délimite et identifie un élément dans un document balisé, fonctionnant généralement par paire : une balise ouvrante et une balise fermante autour du contenu qu'elles désignent. names. <p>, <seg>, <term> are part of the format; translating them makes the file unusable.
• Identifiers and language codes. id, tuid, xml:lang connect the elements to each other and tell the tool which language it is reading.
• File names and paths, such as src="pump-diagram.png".
• The header. The tool writes it and uses it.

Inline tags inside the segment

This is the daily point of friction. In your CAT tool these tags do not appear in their XML form: you see small numbered markers to place in the target segment segmentsegment CAT toolsTAO A portion of translatable content that a CAT tool treats as a discrete unit for translation, alignment, storage and match retrieval.Portion de contenu à traduire qu'un outil de TAO traite comme une unité distincte aux fins de traduction, d'alignement, de stockage et de recherche de correspondances. . Three rules:

• every tag in the source segment has to turn up in the target segment;
• an opening tag and its closing tag wrap the matching stretch of text, which can move within the sentence;
• their order can change, their number and their pairing cannot.

Depending on the tool, a missing inline tag gives you a quality-assurance warning, formatting lost in the delivered document, or a file rejected when the original document is rebuilt.Files fail in two different ways, and the words for them are worth knowing. A file that follows XML’s own rules, every tag closed and properly nested, every reserved character reserved charactercaractère réservé markupbalisage A character with a special syntactic function in a programming or markup language. Where it should appear as ordinary text instead, it usually has to be written another way, as a short code standing in for it: in XML, "&" and "<" cannot generally appear literally in text and are written "&amp;" and "&lt;". Whether it counts as reserved depends on the context; it is not necessarily prohibited everywhere in the document.Caractère auquel un langage de programmation ou de balisage attribue une fonction syntaxique particulière. Lorsqu'il doit plutôt apparaître comme texte ordinaire, il faut le plus souvent l'écrire autrement, au moyen d'un code court qui le remplace : en XML, « & » et « < » ne peuvent généralement pas figurer tels quels dans le texte et s'écrivent « &amp; » et « &lt; ». Qu'il soit réservé ou non dépend du contexte ; il n'est pas nécessairement interdit partout dans le document. replaced, is well-formed; break one of those and no program will read it at all. A file that is also built the way its format requires, the right elements in the right places, is valid; break that and the file still opens, but the tool it was meant for refuses it or quietly ignores what it does not expect.

La même phrase en deux langues

Reprenons la phrase du guide de notre client fictif, Cascade Pumps Inc. :

<p>Install the <strong>centrifugal pump</strong> on a level surface.</p>

En français :

<p>Installez la <strong>pompe centrifuge</strong> sur une surface plane.</p>

Le texte a changé, la structure non. Les balises sont les mêmes et en même nombre, et <strong> a suivi le terme qu’il met en relief, lequel n’occupe plus la même place dans la phrase.

Ce qui se traduit

• Le contenu des éléments, c’est-à-dire le texte entre les balises. Dans TMX, TBX et XLIFF XML Localization Interchange File Format (XLIFF)XML Localization Interchange File Format (XLIFF) exchange formatsformats d'échange The XML-based bilingual format for passing content through a localization workflow: source and target segments travel together with workflow metadata such as translation status, rather than exchanging linguistic resources.Format bilingue fondé sur XML pour faire circuler du contenu dans un flux de localisation : segments source et cible voyagent ensemble, avec des métadonnées de flux de travail comme le statut de traduction, contrairement aux formats d'échange de ressources linguistiques. , c’est toujours là que se trouve le texte à traduire.
• Quelques valeurs d’attributs, celles qui portent du texte destiné à être lu : en HTML HyperText Markup Language (HTML)langage HTML (HTML) markupbalisage The markup language of web pages: a vocabulary of elements laid down by a standard, marking headings, paragraphs, links, images and the rest, which a browser renders.Langage de balisage des pages web : un vocabulaire d'éléments fixé par une norme, qui marque les titres, les paragraphes, les liens, les images et le reste, et qu'un navigateur affiche. , alt et title.

Ce qui ne se touche pas

• Les noms de balises tagbalise markupbalisage A marker that delimits and identifies an element in a markup document, usually working as a pair: an opening tag and a closing tag around the content they label.Marqueur qui délimite et identifie un élément dans un document balisé, fonctionnant généralement par paire : une balise ouvrante et une balise fermante autour du contenu qu'elles désignent. . <p>, <seg>, <term> font partie du format ; les traduire rend le fichier inutilisable.
• Les identifiants et les codes de langue. id, tuid, xml:lang relient les éléments entre eux et disent à l’outil quelle langue il lit.
• Les noms de fichiers et les chemins, comme src="pump-diagram.png".
• L’en-tête. L’outil l’écrit et s’en sert.

Les balises internes dans le segment

C’est le point de friction quotidien. Dans votre outil de TAO, ces balises n’apparaissent pas sous leur forme XML : vous voyez de petits marqueurs numérotés, à replacer dans le segment segmentsegment CAT toolsTAO A portion of translatable content that a CAT tool treats as a discrete unit for translation, alignment, storage and match retrieval.Portion de contenu à traduire qu'un outil de TAO traite comme une unité distincte aux fins de traduction, d'alignement, de stockage et de recherche de correspondances. cible. Trois règles :

• toutes les balises du segment source doivent se retrouver dans le segment cible ;
• une balise ouvrante et sa fermante encadrent le passage correspondant, qui peut se déplacer dans la phrase ;
• leur ordre peut changer, leur nombre et leur appariement non.

Selon l’outil, une balise interne manquante donne un avertissement de contrôle qualité, une mise en forme perdue dans le document livré, ou un fichier refusé au moment de reconstruire le document d’origine.Un fichier peut échouer de deux façons, et il vaut la peine de connaître les mots qui les distinguent. Un fichier qui respecte les règles propres à XML, chaque balise fermée et correctement imbriquée, chaque caractère réservé reserved charactercaractère réservé markupbalisage A character with a special syntactic function in a programming or markup language. Where it should appear as ordinary text instead, it usually has to be written another way, as a short code standing in for it: in XML, "&" and "<" cannot generally appear literally in text and are written "&amp;" and "&lt;". Whether it counts as reserved depends on the context; it is not necessarily prohibited everywhere in the document.Caractère auquel un langage de programmation ou de balisage attribue une fonction syntaxique particulière. Lorsqu'il doit plutôt apparaître comme texte ordinaire, il faut le plus souvent l'écrire autrement, au moyen d'un code court qui le remplace : en XML, « & » et « < » ne peuvent généralement pas figurer tels quels dans le texte et s'écrivent « &amp; » et « &lt; ». Qu'il soit réservé ou non dépend du contexte ; il n'est pas nécessairement interdit partout dans le document. remplacé, est bien formé ; enfreignez l’une de ces règles et plus aucun programme ne le lira. Un fichier qui est en plus construit comme son format l’exige, les bons éléments aux bons endroits, est valide ; enfreignez cela et le fichier s’ouvre quand même, mais l’outil auquel il était destiné le refuse ou ignore en silence ce qu’il n’attendait pas.

What a TMX file contains

Main characteristics:

• multilingual: one file can cover any number of languages;
• very widely supported: practically every CAT tool imports and exports TMX;
• simple in structure: a header and a body, with the translation units.

Here is one of the units our fictional client, Cascade Pumps Inc., sends you. Simplified excerpt:

<tu tuid="41" creationdate="20240915T093000Z">
    <tuv xml:lang="en-CA">
        <seg>Install the pump on a level surface.</seg>
    </tuv>
    <tuv xml:lang="fr-CA">
        <seg>Installez la pompe sur une surface plane.</seg>
    </tuv>
</tu>

<tu> (translation unit) is the translation unit; <tuv> (translation unit variant), its variant in a given language; <seg>, the segment itself. Adding a third language means adding a <tuv> to the same <tu>.

The header is where a TMX file keeps its own metadata. It is written by the tool, it is mandatory, and it declares seven things: the tool that produced the file and its version, the segmentation segmentationsegmentation CAT toolsTAO The operation of dividing translatable content into segments, which correspond roughly to sentences, titles and other separate text elements.Opération qui consiste à diviser le contenu à traduire en segments, qui correspondent plus ou moins aux phrases, aux titres et aux autres éléments textuels séparés. used (sentence, paragraph, block), the original format of the data, the source language, the language of the administrative comments, and the data type. A file missing any one of them is not conformant.

Formatting inside segments

When a segment contains formatting, TMX does not drop it: it represents it with inline tags inline tagbalise interne CAT toolsTAO A marker inside a segment standing for formatting or a code of the original document, a bold run or a footnote reference for instance, rather than for text to translate.Marqueur placé à l'intérieur d'un segment qui représente une mise en forme ou un code du document d'origine, par exemple un passage en gras ou un appel de note, et non du texte à traduire. . <bpt> and <ept> mark the start and the end of a paired code, <ph> stands in for a code on its own, and the i attribute attributeattribut XMLXML In XML, a name-value pair written in an element's start-tag or empty-element tag to provide additional information about that element, such as its language, identifier, or creation date.En XML, paire nom-valeur inscrite dans la balise ouvrante d'un élément, ou dans sa balise d'élément vide, pour fournir de l'information supplémentaire sur cet élément, comme sa langue, son identifiant ou sa date de création. says which <ept> closes which <bpt>.

<seg>Install the <bpt i="1">&lt;strong&gt;</bpt>centrifugal pump<ept i="1">&lt;/strong&gt;</ept> on a level surface.</seg>

<bpt> and <ept> contain the code of the tool that wrote the file, here the HTML HyperText Markup Language (HTML)langage HTML (HTML) markupbalisage The markup language of web pages: a vocabulary of elements laid down by a standard, marking headings, paragraphs, links, images and the rest, which a browser renders.Langage de balisage des pages web : un vocabulaire d'éléments fixé par une norme, qui marque les titres, les paragraphes, les liens, les images et le reste, et qu'un navigateur affiche. tag tagbalise markupbalisage A marker that delimits and identifies an element in a markup document, usually working as a pair: an opening tag and a closing tag around the content they label.Marqueur qui délimite et identifie un élément dans un document balisé, fonctionnant généralement par paire : une balise ouvrante et une balise fermante autour du contenu qu'elles désignent. from the client’s site, with its angle brackets replaced as seen earlier in this module. The standard provides these elements elementélément XMLXML The building block of an XML document: an opening tag, the content it delimits and a closing tag, or a single empty-element tag when there is no content.Unité de base d'un document XML : une balise ouvrante, le contenu qu'elle délimite et une balise fermante, ou une seule balise d'élément vide quand il n'y a pas de contenu. so that formatting survives the exchange; what is inside them, on the other hand, depends on the tool, and the last chapter comes back to it.

Ce que contient un fichier TMX

Caractéristiques principales :

• multilingue : un même fichier peut contenir un nombre illimité de langues ;
• très largement pris en charge : pratiquement tous les outils de TAO importent et exportent du TMX ;
• structure simple : un en-tête et un corps, le corps contenant les unités de traduction.

Voici l’une des unités que notre client fictif, Cascade Pumps Inc., vous envoie. Extrait simplifié :

<tu tuid="41" creationdate="20240915T093000Z">
    <tuv xml:lang="en-CA">
        <seg>Install the pump on a level surface.</seg>
    </tuv>
    <tuv xml:lang="fr-CA">
        <seg>Installez la pompe sur une surface plane.</seg>
    </tuv>
</tu>

<tu> (translation unit) est l’unité de traduction ; <tuv> (translation unit variant), sa variante dans une langue donnée ; <seg>, le segment lui-même. Ajouter une troisième langue, c’est ajouter un <tuv> au même <tu>.

L’en-tête est l’endroit où un fichier TMX conserve ses propres métadonnées. C’est l’outil qui l’écrit, il est obligatoire, et il déclare sept choses : l’outil qui a produit le fichier et sa version, la segmentation segmentationsegmentation CAT toolsTAO The operation of dividing translatable content into segments, which correspond roughly to sentences, titles and other separate text elements.Opération qui consiste à diviser le contenu à traduire en segments, qui correspondent plus ou moins aux phrases, aux titres et aux autres éléments textuels séparés. employée (phrase, paragraphe, bloc), le format d’origine des données, la langue source, la langue des commentaires d’administration et le type de données. Un fichier auquel il manque l’une d’elles n’est pas conforme.

La mise en forme dans les segments

Quand un segment contient de la mise en forme, TMX ne la laisse pas tomber : il la représente par des balises internes inline tagbalise interne CAT toolsTAO A marker inside a segment standing for formatting or a code of the original document, a bold run or a footnote reference for instance, rather than for text to translate.Marqueur placé à l'intérieur d'un segment qui représente une mise en forme ou un code du document d'origine, par exemple un passage en gras ou un appel de note, et non du texte à traduire. . <bpt> et <ept> marquent le début et la fin d’un code apparié, <ph> tient la place d’un code isolé, et l’attribut attributeattribut XMLXML In XML, a name-value pair written in an element's start-tag or empty-element tag to provide additional information about that element, such as its language, identifier, or creation date.En XML, paire nom-valeur inscrite dans la balise ouvrante d'un élément, ou dans sa balise d'élément vide, pour fournir de l'information supplémentaire sur cet élément, comme sa langue, son identifiant ou sa date de création. i dit quel <ept> ferme quel <bpt>.

<seg>Install the <bpt i="1">&lt;strong&gt;</bpt>centrifugal pump<ept i="1">&lt;/strong&gt;</ept> on a level surface.</seg>

<bpt> et <ept> contiennent le code de l’outil qui a écrit le fichier, ici la balise tagbalise markupbalisage A marker that delimits and identifies an element in a markup document, usually working as a pair: an opening tag and a closing tag around the content they label.Marqueur qui délimite et identifie un élément dans un document balisé, fonctionnant généralement par paire : une balise ouvrante et une balise fermante autour du contenu qu'elles désignent. HTML HyperText Markup Language (HTML)langage HTML (HTML) markupbalisage The markup language of web pages: a vocabulary of elements laid down by a standard, marking headings, paragraphs, links, images and the rest, which a browser renders.Langage de balisage des pages web : un vocabulaire d'éléments fixé par une norme, qui marque les titres, les paragraphes, les liens, les images et le reste, et qu'un navigateur affiche. du site du client, avec ses chevrons remplacés comme vu plus tôt dans ce module. Ces éléments elementélément XMLXML The building block of an XML document: an opening tag, the content it delimits and a closing tag, or a single empty-element tag when there is no content.Unité de base d'un document XML : une balise ouvrante, le contenu qu'elle délimite et une balise fermante, ou une seule balise d'élément vide quand il n'y a pas de contenu. sont prévus par la norme pour que la mise en forme traverse l’échange ; ce qu’ils transportent à l’intérieur, en revanche, dépend de l’outil, et le dernier chapitre y revient.

What a TBX file contains

The substantive difference from a bilingual term list: TBX is organized by concept, not by pair of terms. An entry describes a notion; under that entry, one section per language; under each language, one or more terms, each with its own labels (part of speech, gender, usage status).

Simplified excerpt from the termbase of our fictional client, Cascade Pumps Inc.:

<conceptEntry id="c41">
    <langSec xml:lang="en">
        <termSec>
            <term>centrifugal pump</term>
            <termNote type="partOfSpeech">noun</termNote>
        </termSec>
    </langSec>
    <langSec xml:lang="fr">
        <descrip type="definition">Pompe qui déplace un fluide au moyen d'une roue en rotation.</descrip>
        <termSec>
            <term>pompe centrifuge</term>
            <termNote type="partOfSpeech">noun</termNote>
            <termNote type="grammaticalGender">feminine</termNote>
        </termSec>
    </langSec>
</conceptEntry>

<conceptEntry> is the entry, meaning the concept; <langSec>, the section for one language; <termSec>, a term and its labels; <termNote> and <descrip> record the grammatical information and the definitions. The complete file adds a <tbx> root, which declares the dialect and the standard’s namespace namespaceespace de noms XMLXML A name, written as a URI, that says which vocabulary an element or attribute belongs to.Nom, écrit sous la forme d'un URI, qui indique à quel vocabulaire appartient un élément ou un attribut. , and a <tbxHeader> header.

Notice that the metadata here goes in elements elementélément XMLXML The building block of an XML document: an opening tag, the content it delimits and a closing tag, or a single empty-element tag when there is no content.Unité de base d'un document XML : une balise ouvrante, le contenu qu'elle délimite et une balise fermante, ou une seule balise d'élément vide quand il n'y a pas de contenu. rather than in attributes attributeattribut XMLXML In XML, a name-value pair written in an element's start-tag or empty-element tag to provide additional information about that element, such as its language, identifier, or creation date.En XML, paire nom-valeur inscrite dans la balise ouvrante d'un élément, ou dans sa balise d'élément vide, pour fournir de l'information supplémentaire sur cet élément, comme sa langue, son identifiant ou sa date de création. : this is the other way of doing it, mentioned earlier in this module.

Dialects

TBX 3 is built as a small core plus modules of data categories, and a dialect is a fixed combination of them, which is what settles the categories a file may use. TBX-Min is the deliberately minimal one, a handful of categories beyond the terms themselves; TBX-Basic is the one a translation project usually wants, with definitions, part of speech, usage status and context. A file names its dialect at the top, so it is the first thing to check when a termbase will not go in.

A tool can therefore advertise “TBX” and read only one dialect, which is where the trouble starts: what it does not recognize it usually leaves behind, so a termbase can arrive with every term intact and its definitions and usage notes gone. That is one of the reasons its adoption remains uneven.

Ce que contient un fichier TBX

La différence de fond avec une liste bilingue de termes : TBX s’organise par concept et non par paire de termes. Une entrée décrit une notion ; sous cette entrée, une section par langue ; sous chaque langue, un ou plusieurs termes, chacun avec ses marques (partie du discours, genre, statut d’usage).

Extrait simplifié de la base terminologique de notre client fictif, Cascade Pumps Inc. :

<conceptEntry id="c41">
    <langSec xml:lang="en">
        <termSec>
            <term>centrifugal pump</term>
            <termNote type="partOfSpeech">noun</termNote>
        </termSec>
    </langSec>
    <langSec xml:lang="fr">
        <descrip type="definition">Pompe qui déplace un fluide au moyen d'une roue en rotation.</descrip>
        <termSec>
            <term>pompe centrifuge</term>
            <termNote type="partOfSpeech">noun</termNote>
            <termNote type="grammaticalGender">feminine</termNote>
        </termSec>
    </langSec>
</conceptEntry>

<conceptEntry> est l’entrée, c’est-à-dire le concept ; <langSec>, la section d’une langue ; <termSec>, un terme et ses marques ; <termNote> et <descrip> portent les informations grammaticales et les définitions. Le fichier complet ajoute une racine <tbx>, qui déclare le dialecte et l’espace de noms namespaceespace de noms XMLXML A name, written as a URI, that says which vocabulary an element or attribute belongs to.Nom, écrit sous la forme d'un URI, qui indique à quel vocabulaire appartient un élément ou un attribut. de la norme, et un en-tête <tbxHeader>.

Remarquez que les métadonnées sont ici dans des éléments elementélément XMLXML The building block of an XML document: an opening tag, the content it delimits and a closing tag, or a single empty-element tag when there is no content.Unité de base d'un document XML : une balise ouvrante, le contenu qu'elle délimite et une balise fermante, ou une seule balise d'élément vide quand il n'y a pas de contenu. , pas dans des attributs attributeattribut XMLXML In XML, a name-value pair written in an element's start-tag or empty-element tag to provide additional information about that element, such as its language, identifier, or creation date.En XML, paire nom-valeur inscrite dans la balise ouvrante d'un élément, ou dans sa balise d'élément vide, pour fournir de l'information supplémentaire sur cet élément, comme sa langue, son identifiant ou sa date de création.  : c’est l’autre façon de faire, mentionnée plus tôt dans ce module.

Dialectes

TBX 3 se compose d’un noyau réduit et de modules de catégories de données, et un dialecte est une combinaison fixée de ces modules, ce qui détermine les catégories qu’un fichier peut employer. TBX-Min est le dialecte délibérément minimal, quelques catégories à peine au-delà des termes eux-mêmes ; TBX-Basic est celui qu’un projet de traduction demande d’ordinaire, avec les définitions, la partie du discours, le statut d’usage et le contexte. Un fichier annonce son dialecte en tête, et c’est donc la première chose à vérifier quand une base terminologique refuse d’entrer.

Un outil peut donc annoncer « TBX » et n’en lire qu’un dialecte, et c’est là que les ennuis commencent : ce qu’il ne reconnaît pas, il le laisse le plus souvent de côté, si bien qu’une base peut arriver avec tous ses termes et sans ses définitions ni ses marques d’usage. C’est l’une des raisons pour lesquelles son adoption reste inégale.

What an XLIFF file contains

XLIFF does not exchange linguistic resources (memories, terms) but content being translated. It is the format of guide-installation.xliff, the first attachment from our fictional client, Cascade Pumps Inc.: the content of their website, extracted for translation and meant to go back.

Main characteristics:

• bilingual: one language pair per file, unlike TMX;
• workflow-oriented: each segment records its status;
• built for the round trip: it takes along what is needed to rebuild the original document.

Simplified excerpt:

<unit id="u12">
    <segment state="translated">
        <source>Install the centrifugal pump on a level surface.</source>
        <target>Installez la pompe centrifuge sur une surface plane.</target>
    </segment>
</unit>

<unit> groups the content of one place in the original document; <segment> pairs a source with a target and gives its status (initial, translated, reviewed, final); <source> and <target> contain the texts. The complete file adds an <xliff> root, which declares the two languages and the standard’s namespace namespaceespace de noms XMLXML A name, written as a URI, that says which vocabulary an element or attribute belongs to.Nom, écrit sous la forme d'un URI, qui indique à quel vocabulaire appartient un élément ou un attribut. , and one <file> element elementélément XMLXML The building block of an XML document: an opening tag, the content it delimits and a closing tag, or a single empty-element tag when there is no content.Unité de base d'un document XML : une balise ouvrante, le contenu qu'elle délimite et une balise fermante, ou une seule balise d'élément vide quand il n'y a pas de contenu. per original file.

XLIFF or TMX?

Both put a source text beside its translation, which is why they get confused, but they answer different questions. A TMX Translation Memory eXchange (TMX)Translation Memory eXchange (TMX) exchange formatsformats d'échange The XML-based standard format for exchanging translation memories between CAT tools: a TMX file contains translation units whose language variants can cover any number of languages.Format normalisé, fondé sur XML, pour échanger des mémoires de traduction entre outils de TAO : un fichier TMX contient des unités de traduction dont les variantes peuvent couvrir un nombre illimité de langues. file is a store of translations already made: its units come from any number of documents and any number of projects, there is no order to read them in and no state of work, one file takes any number of languages, and the whole point is that a tool can search it for matches. An XLIFF file is one document being translated right now: one language pair, the segments in the order they appear in the document, a status on each, and everything the original file needs to be put back together.

The short version: a TMX is what you have translated before, an XLIFF is what you are translating now. The two come together at the end of a job, when the finished segments of an XLIFF go into a memory that a later project exports as TMX. It does not work the other way: a memory is not a document, so there is nothing to rebuild.

The round trip

Taking the text out of a web page, translating it, then rebuilding the page: that is what XLIFF exists to make possible. So there is more in it than sentences. It takes along the inline tags inline tagbalise interne CAT toolsTAO A marker inside a segment standing for formatting or a code of the original document, a bold run or a footnote reference for instance, rather than for text to translate.Marqueur placé à l'intérieur d'un segment qui représente une mise en forme ou un code du document d'origine, par exemple un passage en gras ou un appel de note, et non du texte à traduire. and the codes of the original file, and it can take along the skeleton, meaning whatever in the starting file is not to be translated but has to come back in its place.

The result still depends on the tool: the tool decides what it extracts, what it puts in the skeleton and how it puts everything back together. Two tools starting from the same HTML HyperText Markup Language (HTML)langage HTML (HTML) markupbalisage The markup language of web pages: a vocabulary of elements laid down by a standard, marking headings, paragraphs, links, images and the rest, which a browser renders.Langage de balisage des pages web : un vocabulaire d'éléments fixé par une norme, qui marque les titres, les paragraphes, les liens, les images et le reste, et qu'un navigateur affiche. file do not produce the same XLIFF.

Ce que contient un fichier XLIFF

XLIFF n’échange pas des ressources linguistiques (mémoires, termes) mais du contenu en cours de traduction. C’est le format de guide-installation.xliff, la première pièce jointe de notre client fictif, Cascade Pumps Inc. : le contenu de son site web, extrait pour la traduction et destiné à y retourner.

Caractéristiques principales :

• bilingue : une paire de langues par fichier, contrairement à TMX ;
• orienté flux de travail : chaque segment porte son état d’avancement ;
• fait pour l’aller-retour : il emporte de quoi reconstruire le document de départ.

Extrait simplifié :

<unit id="u12">
    <segment state="translated">
        <source>Install the centrifugal pump on a level surface.</source>
        <target>Installez la pompe centrifuge sur une surface plane.</target>
    </segment>
</unit>

<unit> regroupe le contenu d’un même endroit du document d’origine ; <segment> associe une source à une cible et donne son état (initial, translated, reviewed, final) ; <source> et <target> contiennent les textes. Le fichier complet ajoute une racine <xliff>, qui déclare les deux langues et l’espace de noms namespaceespace de noms XMLXML A name, written as a URI, that says which vocabulary an element or attribute belongs to.Nom, écrit sous la forme d'un URI, qui indique à quel vocabulaire appartient un élément ou un attribut. de la norme, et un élément elementélément XMLXML The building block of an XML document: an opening tag, the content it delimits and a closing tag, or a single empty-element tag when there is no content.Unité de base d'un document XML : une balise ouvrante, le contenu qu'elle délimite et une balise fermante, ou une seule balise d'élément vide quand il n'y a pas de contenu. <file> par fichier d’origine.

XLIFF ou TMX ?

Les deux placent un texte source à côté de sa traduction, d’où la confusion, mais ils ne répondent pas à la même question. Un fichier TMX Translation Memory eXchange (TMX)Translation Memory eXchange (TMX) exchange formatsformats d'échange The XML-based standard format for exchanging translation memories between CAT tools: a TMX file contains translation units whose language variants can cover any number of languages.Format normalisé, fondé sur XML, pour échanger des mémoires de traduction entre outils de TAO : un fichier TMX contient des unités de traduction dont les variantes peuvent couvrir un nombre illimité de langues. est une réserve de traductions déjà faites : ses unités peuvent venir d’un nombre quelconque de documents et de projets, il n’y a ni ordre de lecture ni état d’avancement, un même fichier accepte autant de langues qu’on veut, et tout l’intérêt est qu’un outil puisse y chercher des correspondances. Un fichier XLIFF est un document en cours de traduction : une seule paire de langues, les segments dans l’ordre où ils apparaissent dans le document, un état sur chacun, et tout ce qu’il faut pour reconstruire le fichier d’origine.

En bref : le TMX, c’est ce que vous avez déjà traduit ; le XLIFF, ce que vous traduisez maintenant. Les deux se rejoignent en fin de projet, quand les segments terminés d’un XLIFF entrent dans une mémoire qu’un projet ultérieur exportera en TMX. L’inverse ne marche pas : une mémoire n’est pas un document, il n’y a donc rien à reconstruire.

L’aller-retour

Extraire le texte d’une page web, le traduire, puis reconstruire la page : voilà ce que XLIFF est fait pour permettre. Il ne transporte donc pas que des phrases. Il emporte les balises internes inline tagbalise interne CAT toolsTAO A marker inside a segment standing for formatting or a code of the original document, a bold run or a footnote reference for instance, rather than for text to translate.Marqueur placé à l'intérieur d'un segment qui représente une mise en forme ou un code du document d'origine, par exemple un passage en gras ou un appel de note, et non du texte à traduire. et les codes du fichier d’origine, et il peut emporter le squelette (skeleton), c’est-à-dire ce qui, dans le fichier de départ, n’est pas à traduire mais doit revenir à sa place.

Le résultat dépend malgré tout de l’outil : c’est lui qui décide ce qu’il extrait, ce qu’il range dans le squelette et comment il recolle le tout. Deux outils partant du même fichier HTML HyperText Markup Language (HTML)langage HTML (HTML) markupbalisage The markup language of web pages: a vocabulary of elements laid down by a standard, marking headings, paragraphs, links, images and the rest, which a browser renders.Langage de balisage des pages web : un vocabulaire d'éléments fixé par une norme, qui marque les titres, les paragraphes, les liens, les images et le reste, et qu'un navigateur affiche. ne produisent pas le même XLIFF.

What the standards do not settle

Standards promise interoperability interoperabilityinteropérabilité exchange formatsformats d'échange The ability of two or more systems, applications, or tools to exchange information and make use of what is exchanged.Capacité de deux systèmes, applications ou outils ou plus à échanger de l'information et à exploiter ce qui est échangé. ; the reality is more mixed.

Inline tags from one tool to the next

TMX provides standard inline tags inline tagbalise interne CAT toolsTAO A marker inside a segment standing for formatting or a code of the original document, a bold run or a footnote reference for instance, rather than for text to translate.Marqueur placé à l'intérieur d'un segment qui représente une mise en forme ou un code du document d'origine, par exemple un passage en gras ou un appel de note, et non du texte à traduire. , <bpt>, <ept> and <ph>, precisely so that formatting can travel from one tool to another. Those elements elementélément XMLXML The building block of an XML document: an opening tag, the content it delimits and a closing tag, or a single empty-element tag when there is no content.Unité de base d'un document XML : une balise ouvrante, le contenu qu'elle délimite et une balise fermante, ou une seule balise d'élément vide quand il n'y a pas de contenu. vary in their content, which is the native code of the tool that wrote the file.

<bpt i="1">&lt;strong&gt;</bpt>

Another tool reads the <bpt> tag tagbalise markupbalisage A marker that delimits and identifies an element in a markup document, usually working as a pair: an opening tag and a closing tag around the content they label.Marqueur qui délimite et identifie un élément dans un document balisé, fonctionnant généralement par paire : une balise ouvrante et une balise fermante autour du contenu qu'elles désignent. without trouble, but the code inside it means nothing to it. So it imports it as a generic marker, or as text, or it simplifies it. Segments arrive, formatting arrives more or less, and the way tags are displayed changes from one tool to the next.

The tools know this and ask you about it. When importing a TMX file, memoQ offers different settings depending on where the file comes from: from memoQ, from Trados Translator’s Workbench 2007 or earlier, from somewhere else. In the last two cases you have to tell it to convert <ut> and custom tags into memoQ tags, and its documentation ties that setting to the quality of the matches you get. An import done without those settings lets the segments through but degrades what the memory will give back to you.

Different segmentation

Tools do not cut the text into segments segmentsegment CAT toolsTAO A portion of translatable content that a CAT tool treats as a discrete unit for translation, alignment, storage and match retrieval.Portion de contenu à traduire qu'un outil de TAO traite comme une unité distincte aux fins de traduction, d'alignement, de stockage et de recherche de correspondances. in the same places. Segmentation rules are language-specific, and a good part of them is a list of the abbreviations the tool knows, so that a period after “M.”, “art.” or “etc.” is not read as the end of a sentence. Those lists differ from one tool to the next, and so do the rules around line breaks, headings and list items: the same paragraph can come out as three segments in one tool and four in another. When memories are exchanged, cuts that do not line up lose you matches: the segment you are after exists, but not in the same shape.

Metadata loss

Some information can be lost in the export-import round trip: notes specific to the tool, revision history, quality or status attributes attributeattribut XMLXML In XML, a name-value pair written in an element's start-tag or empty-element tag to provide additional information about that element, such as its language, identifier, or creation date.En XML, paire nom-valeur inscrite dans la balise ouvrante d'un élément, ou dans sa balise d'élément vide, pour fournir de l'information supplémentaire sur cet élément, comme sa langue, son identifiant ou sa date de création. . Whether it survives depends on the two tools involved and on how much each one puts in extensions of its own.

“Compatible” does not mean trouble-free

A tool can advertise support for TMX or XLIFF XML Localization Interchange File Format (XLIFF)XML Localization Interchange File Format (XLIFF) exchange formatsformats d'échange The XML-based bilingual format for passing content through a localization workflow: source and target segments travel together with workflow metadata such as translation status, rather than exchanging linguistic resources.Format bilingue fondé sur XML pour faire circuler du contenu dans un flux de localisation : segments source et cible voyagent ensemble, avec des métadonnées de flux de travail comme le statut de traduction, contrairement aux formats d'échange de ressources linguistiques. while implementing only part of the standard, adding extensions of its own, or reading it differently from another tool. The standard fixes what is written in the file, not what each program does with it.

Ce que les normes ne règlent pas

Les normes promettent l’interopérabilité interoperabilityinteropérabilité exchange formatsformats d'échange The ability of two or more systems, applications, or tools to exchange information and make use of what is exchanged.Capacité de deux systèmes, applications ou outils ou plus à échanger de l'information et à exploiter ce qui est échangé.  ; la réalité est plus nuancée.

Les balises internes d’un outil à l’autre

TMX prévoit des balises internes inline tagbalise interne CAT toolsTAO A marker inside a segment standing for formatting or a code of the original document, a bold run or a footnote reference for instance, rather than for text to translate.Marqueur placé à l'intérieur d'un segment qui représente une mise en forme ou un code du document d'origine, par exemple un passage en gras ou un appel de note, et non du texte à traduire. normalisées, <bpt>, <ept> et <ph>, précisément pour que la mise en forme voyage d’un outil à l’autre. Ces éléments elementélément XMLXML The building block of an XML document: an opening tag, the content it delimits and a closing tag, or a single empty-element tag when there is no content.Unité de base d'un document XML : une balise ouvrante, le contenu qu'elle délimite et une balise fermante, ou une seule balise d'élément vide quand il n'y a pas de contenu. varient par leur contenu, qui est le code natif de l’outil ayant écrit le fichier.

<bpt i="1">&lt;strong&gt;</bpt>

Un autre outil lit sans peine la balise tagbalise markupbalisage A marker that delimits and identifies an element in a markup document, usually working as a pair: an opening tag and a closing tag around the content they label.Marqueur qui délimite et identifie un élément dans un document balisé, fonctionnant généralement par paire : une balise ouvrante et une balise fermante autour du contenu qu'elles désignent. <bpt>, mais le code qu’elle contient ne veut rien dire pour lui. Il l’importe donc comme un marqueur générique, ou comme du texte, ou il le simplifie. Les segments arrivent, la mise en forme arrive plus ou moins, et l’affichage des balises change d’un outil à l’autre.

Les outils le savent et vous le demandent. À l’import d’un fichier TMX, memoQ propose des réglages différents selon la provenance du fichier : venu de memoQ, venu de Trados Translator’s Workbench 2007 ou antérieur, venu d’ailleurs. Dans les deux derniers cas, il faut lui dire de convertir les <ut> et les balises maison en balises memoQ, et sa documentation lie ce réglage à la qualité des correspondances obtenues. Un import fait sans ces réglages laisse passer les segments, mais dégrade ce que la mémoire vous rendra.

Segmentation différente

Les outils ne découpent pas le texte en segments segmentsegment CAT toolsTAO A portion of translatable content that a CAT tool treats as a discrete unit for translation, alignment, storage and match retrieval.Portion de contenu à traduire qu'un outil de TAO traite comme une unité distincte aux fins de traduction, d'alignement, de stockage et de recherche de correspondances. aux mêmes endroits. Les règles de segmentation sont propres à chaque langue, et une bonne part d’entre elles tient dans la liste des abréviations que l’outil connaît, pour qu’un point après « M. », « art. » ou « etc. » ne soit pas lu comme une fin de phrase. Ces listes ne sont pas les mêmes d’un outil à l’autre, ni les règles entourant les retours à la ligne, les titres et les listes : un même paragraphe peut donner trois segments dans un outil et quatre dans un autre. À l’échange de mémoires, des découpages qui ne coïncident pas font perdre des correspondances : le segment cherché existe, mais pas sous la même forme.

Perte de métadonnées

Certaines informations peuvent se perdre à l’aller-retour export-import : les notes propres à l’outil, l’historique de révision, les attributs attributeattribut XMLXML In XML, a name-value pair written in an element's start-tag or empty-element tag to provide additional information about that element, such as its language, identifier, or creation date.En XML, paire nom-valeur inscrite dans la balise ouvrante d'un élément, ou dans sa balise d'élément vide, pour fournir de l'information supplémentaire sur cet élément, comme sa langue, son identifiant ou sa date de création. de qualité ou de statut. Ce qui survit dépend des deux outils en présence et de ce que chacun range dans ses propres extensions.

« Compatible » ne veut pas dire sans problème

Un outil peut annoncer qu’il prend en charge TMX ou XLIFF XML Localization Interchange File Format (XLIFF)XML Localization Interchange File Format (XLIFF) exchange formatsformats d'échange The XML-based bilingual format for passing content through a localization workflow: source and target segments travel together with workflow metadata such as translation status, rather than exchanging linguistic resources.Format bilingue fondé sur XML pour faire circuler du contenu dans un flux de localisation : segments source et cible voyagent ensemble, avec des métadonnées de flux de travail comme le statut de traduction, contrairement aux formats d'échange de ressources linguistiques. tout en n’appliquant qu’une partie de la norme, en y ajoutant ses propres extensions, ou en l’interprétant autrement qu’un autre outil. La norme fixe ce qui est écrit dans le fichier, pas ce que chaque logiciel en fait.

Feeding a model from your own files

Large language models large language model (LLM)grand modèle de langue (GML) language modelsmodèles de langue A neural-network language model, usually based on the transformer architecture, that is trained on very large amounts of text and contains many learned parameters.Modèle de langue à réseau de neurones, habituellement fondé sur l'architecture des transformeurs, entraîné sur de très grandes quantités de texte et comptant de très nombreux paramètres appris. (LLMs) have not made TMX Translation Memory eXchange (TMX)Translation Memory eXchange (TMX) exchange formatsformats d'échange The XML-based standard format for exchanging translation memories between CAT tools: a TMX file contains translation units whose language variants can cover any number of languages.Format normalisé, fondé sur XML, pour échanger des mémoires de traduction entre outils de TAO : un fichier TMX contient des unités de traduction dont les variantes peuvent couvrir un nombre illimité de langues. and TBX TermBase eXchange (TBX)TermBase eXchange (TBX) exchange formatsformats d'échange The XML-based standard (ISO 30042) for exchanging termbases: each concept entry can gather the terms of several languages plus rich metadata such as definitions, part of speech, domain and usage notes.Norme fondée sur XML (ISO 30042) pour échanger des bases terminologiques : chaque entrée conceptuelle peut contenir les termes de plusieurs langues et des métadonnées riches comme des définitions, la partie du discours, le domaine et des notes d'usage. obsolete. The role these files can play has shifted: they can feed the prompts sent to models as well.

• Examples for the prompt promptrequête promptingrequêtes Input given to a generative AI system to specify a task, provide context, or otherwise guide its output.Entrée fournie à un système d'IA générative pour préciser une tâche, donner du contexte ou orienter la sortie. . A workflow proposed by AWS looks in a TMX file for past translations resembling the segment segmentsegment CAT toolsTAO A portion of translatable content that a CAT tool treats as a discrete unit for translation, alignment, storage and match retrieval.Portion de contenu à traduire qu'un outil de TAO traite comme une unité distincte aux fins de traduction, d'alignement, de stockage et de recherche de correspondances. to be translated and puts them in the prompt sent to the model, along with a terminology list. The translations produced follow the client’s style and terminology more closely (Zekpa & Peter, 2025).
• Terminology. A TBX glossary can be used to supply information about terms to be added to prompts for LLMs. A model given them tends to use them more often, without their being imposed on it: a prompt steers, it does not constrain.
• Adaptation and evaluation data. The same files can serve to adapt a machine translation machine translation (MT)traduction automatique (TA) translationtraduction The use of a computer system to produce content in a target language that conveys content expressed in a source language.Utilisation d'un système informatique pour produire, dans une langue cible, un contenu qui rend un contenu exprimé dans une langue source. system, and as a reference against which the translations produced are compared.

When a model writes the format

You can also prompt an LLM to generate text in these formats, or even whole files in them: an XLIFF XML Localization Interchange File Format (XLIFF)XML Localization Interchange File Format (XLIFF) exchange formatsformats d'échange The XML-based bilingual format for passing content through a localization workflow: source and target segments travel together with workflow metadata such as translation status, rather than exchanging linguistic resources.Format bilingue fondé sur XML pour faire circuler du contenu dans un flux de localisation : segments source et cible voyagent ensemble, avec des métadonnées de flux de travail comme le statut de traduction, contrairement aux formats d'échange de ressources linguistiques. file or a TBX entry rather than a sentence. How well that works depends on the standard (the more widely used it is, the better a model tends to be at producing it), on the complexity of the content (how deep the hierarchy goes, how long the text is), and on the model (capabilities differ enormously between models, and even between settings of the same model).

The catch is that these formats are strict. A tag tagbalise markupbalisage A marker that delimits and identifies an element in a markup document, usually working as a pair: an opening tag and a closing tag around the content they label.Marqueur qui délimite et identifie un élément dans un document balisé, fonctionnant généralement par paire : une balise ouvrante et une balise fermante autour du contenu qu'elles désignent. left unclosed, or an ampersand written as itself instead of &, will make the whole file unreadable rather than slightly wrong.

Mistakes that are valid XML in general but wrong for the specific standard are harder to spot. A language code that does not match the one declared, or an attribute attributeattribut XMLXML In XML, a name-value pair written in an element's start-tag or empty-element tag to provide additional information about that element, such as its language, identifier, or creation date.En XML, paire nom-valeur inscrite dans la balise ouvrante d'un élément, ou dans sa balise d'élément vide, pour fournir de l'information supplémentaire sur cet élément, comme sa langue, son identifiant ou sa date de création. the standard does not allow there, gives you a file that still opens but is not as functional as intended. Either way, the minimum check is to open the generated file in a tool built to handle that format, and see whether it opens and behaves as it should.

The value of your linguistic resources does not disappear with LLMs. A clean memory and up-to-date terminology remain what separates a generic translation from one that sounds like the client’s.

Alimenter un modèle avec vos propres fichiers

Les grands modèles de langue large language model (LLM)grand modèle de langue (GML) language modelsmodèles de langue A neural-network language model, usually based on the transformer architecture, that is trained on very large amounts of text and contains many learned parameters.Modèle de langue à réseau de neurones, habituellement fondé sur l'architecture des transformeurs, entraîné sur de très grandes quantités de texte et comptant de très nombreux paramètres appris. (GML) n’ont pas rendu TMX Translation Memory eXchange (TMX)Translation Memory eXchange (TMX) exchange formatsformats d'échange The XML-based standard format for exchanging translation memories between CAT tools: a TMX file contains translation units whose language variants can cover any number of languages.Format normalisé, fondé sur XML, pour échanger des mémoires de traduction entre outils de TAO : un fichier TMX contient des unités de traduction dont les variantes peuvent couvrir un nombre illimité de langues. et TBX TermBase eXchange (TBX)TermBase eXchange (TBX) exchange formatsformats d'échange The XML-based standard (ISO 30042) for exchanging termbases: each concept entry can gather the terms of several languages plus rich metadata such as definitions, part of speech, domain and usage notes.Norme fondée sur XML (ISO 30042) pour échanger des bases terminologiques : chaque entrée conceptuelle peut contenir les termes de plusieurs langues et des métadonnées riches comme des définitions, la partie du discours, le domaine et des notes d'usage. obsolètes. Ce qui a changé, c’est le rôle que ces fichiers peuvent jouer : ils peuvent aussi alimenter les requêtes envoyées aux modèles.

• Des exemples pour la requête promptrequête promptingrequêtes Input given to a generative AI system to specify a task, provide context, or otherwise guide its output.Entrée fournie à un système d'IA générative pour préciser une tâche, donner du contexte ou orienter la sortie. . Un flux proposé par AWS va chercher dans un fichier TMX les traductions passées qui ressemblent au segment segmentsegment CAT toolsTAO A portion of translatable content that a CAT tool treats as a discrete unit for translation, alignment, storage and match retrieval.Portion de contenu à traduire qu'un outil de TAO traite comme une unité distincte aux fins de traduction, d'alignement, de stockage et de recherche de correspondances. à traduire et les insère dans la requête envoyée au modèle, avec une liste terminologique. Les traductions produites suivent davantage le style et la terminologie du client (Zekpa & Peter, 2025).
• De la terminologie. Un glossaire TBX peut servir à fournir de l’information sur les termes à ajouter aux requêtes adressées aux GML. Un modèle à qui on les donne tend à les employer plus souvent, sans qu’on puisse les lui imposer : une requête oriente, elle ne contraint pas.
• Des données d’adaptation et d’évaluation. Les mêmes fichiers peuvent servir à adapter un système de traduction automatique machine translation (MT)traduction automatique (TA) translationtraduction The use of a computer system to produce content in a target language that conveys content expressed in a source language.Utilisation d'un système informatique pour produire, dans une langue cible, un contenu qui rend un contenu exprimé dans une langue source. , et de référence à laquelle comparer les traductions produites.

Quand un modèle écrit le format

Vous pouvez aussi demander à un GML de produire du texte dans ces formats, voire des fichiers entiers : un fichier XLIFF XML Localization Interchange File Format (XLIFF)XML Localization Interchange File Format (XLIFF) exchange formatsformats d'échange The XML-based bilingual format for passing content through a localization workflow: source and target segments travel together with workflow metadata such as translation status, rather than exchanging linguistic resources.Format bilingue fondé sur XML pour faire circuler du contenu dans un flux de localisation : segments source et cible voyagent ensemble, avec des métadonnées de flux de travail comme le statut de traduction, contrairement aux formats d'échange de ressources linguistiques. ou une entrée TBX plutôt qu’une phrase. La qualité du résultat dépend de la norme (plus elle est répandue, mieux un modèle sait la produire), de la complexité du contenu (la profondeur de la hiérarchie, la longueur du texte) et du modèle (les capacités varient énormément d’un modèle à l’autre, et même d’un réglage à l’autre pour un même modèle).

Or ces formats sont stricts. Une balise tagbalise markupbalisage A marker that delimits and identifies an element in a markup document, usually working as a pair: an opening tag and a closing tag around the content they label.Marqueur qui délimite et identifie un élément dans un document balisé, fonctionnant généralement par paire : une balise ouvrante et une balise fermante autour du contenu qu'elles désignent. laissée ouverte, ou une esperluette écrite telle quelle au lieu de &, rendra le fichier entier illisible plutôt qu’un peu fautif.

Les fautes qui sont du XML valide en général mais fausses pour la norme précise se repèrent moins vite. Un code de langue qui ne correspond pas à celui déclaré, ou un attribut attributeattribut XMLXML In XML, a name-value pair written in an element's start-tag or empty-element tag to provide additional information about that element, such as its language, identifier, or creation date.En XML, paire nom-valeur inscrite dans la balise ouvrante d'un élément, ou dans sa balise d'élément vide, pour fournir de l'information supplémentaire sur cet élément, comme sa langue, son identifiant ou sa date de création. que la norme n’admet pas à cet endroit, donne un fichier qui s’ouvre encore mais qui ne fonctionne pas comme prévu. Dans un cas comme dans l’autre, la vérification minimale consiste à ouvrir le fichier produit dans un outil conçu pour ce format, et à voir s’il s’ouvre et se comporte comme il devrait.

La valeur de vos ressources linguistiques ne disparaît pas avec les GML. Une mémoire propre et une terminologie à jour restent ce qui distingue une traduction générique d’une traduction qui ressemble à celle du client.

The corpus as a research instrument

Corpus linguistics uses the word in a demanding sense. Sinclair’s definition is “a collection of pieces of language text in electronic form, selected according to external criteria to represent, as far as possible, a language or language variety as a source of data for linguistic research” (Sinclair, 2004). External criteria means the texts are picked for what they are and where they come from, not for what they happen to say, so that the sample cannot be built to confirm what its builder expects to find in it.

A corpus in that sense is a sample of something, so it can be judged against that something. Biber describes it as “a sample, designed to represent a textual domain in a language”, and gives as examples everyday conversation in English, newspaper editorials, personal email messages and the novels of Charles Dickens (Biber, 2011). There is no fixed recipe, then, for what a corpus should contain: the composition follows the question the corpus has to answer, and a corpus of one author is as legitimate as a corpus of a whole language, provided the target is stated.

Corpora are read in more places than linguistics, and not always in order to describe the language system: corpus stylistics uses the same methods to ask about one author rather than about English (Biber, 2011).

Two examples with very different profiles:

• The Canadian Hansard gathers the parliamentary debates of Canada in English and French, with precise metadata on who is speaking and when (Roukos et al., 1995).
• French Web 2023 (frTenTen23) is a giant web corpus built by crawling: 23.9 billion words from 61 million web pages (Sketch Engine, n.d.). It belongs to the TenTen family, a set of web corpora built for many languages to one shared method (Jakubíček et al., 2013).

The corpus as a practical resource

Professional and technical use often takes a looser definition: a corpus is any set of texts brought together for a precise operational purpose, even when it satisfies no research criterion of representativeness or annotation data annotationannotation des données datadonnées The process of adding labels or other structured information, such as categories, tags, transcriptions, or marked regions, to data so that it can be used to train or evaluate a machine learning system.Processus consistant à ajouter aux données des étiquettes ou d'autres informations structurées, comme des catégories, des balises, des transcriptions ou des zones marquées, pour qu'elles puissent servir à entraîner ou à évaluer un système d'apprentissage automatique. . That is the ordinary sense in specialized translation, in term extraction, in ad hoc language checking, and for the training data training setjeu de données d'entraînement machine learningapprentissage automatique The portion of a dataset used to train a machine-learning model.Portion d'un jeu de données servant à entraîner un modèle d'apprentissage automatique. of models.

The two senses coexist without contradicting each other: how much rigour is needed depends on what the corpus is for. Publishing a study on linguistic variation takes a constructed corpus; checking the terminology of one job takes the client’s file.

Le corpus comme objet scientifique

La linguistique de corpus donne au mot un sens exigeant. La définition de Sinclair est « un ensemble de fragments de texte langagier sous forme électronique, choisis selon des critères externes pour représenter, autant que possible, une langue ou une variété de langue, comme source de données pour la recherche linguistique » (Sinclair, 2004, ma traduction). Des critères externes, cela veut dire que les textes sont retenus pour ce qu’ils sont et pour leur provenance, et non pour ce qu’ils disent, afin que l’échantillon ne puisse pas être constitué de manière à confirmer ce que la personne qui le construit s’attend à y trouver.

Un corpus en ce sens est l’échantillon de quelque chose, et peut donc être jugé par rapport à ce quelque chose. Biber le décrit comme « un échantillon conçu pour représenter un domaine textuel dans une langue », et donne pour exemples la conversation courante en anglais, les éditoriaux de presse, les courriels personnels et les romans de Charles Dickens (Biber, 2011, ma traduction). Il n’existe donc pas de recette fixe de ce qu’un corpus doit contenir : la composition suit la question à laquelle le corpus doit répondre, et un corpus d’un seul auteur est aussi légitime qu’un corpus de toute une langue, pourvu que la cible soit annoncée.

Les corpus se lisent ailleurs qu’en linguistique, et pas toujours pour décrire le système de la langue : la stylistique de corpus emploie les mêmes méthodes pour interroger un auteur plutôt que l’anglais (Biber, 2011).

Deux exemples aux profils très différents :

• Le Hansard canadien regroupe les débats parlementaires du Canada, en anglais et en français, avec des métadonnées précises sur les personnes qui parlent et les dates (Roukos et al., 1995).
• French Web 2023 (frTenTen23) est un corpus web géant construit par moissonnage : 23,9 milliards de mots tirés de 61 millions de pages web (Sketch Engine, s. d.). Il appartient à la famille TenTen, un ensemble de corpus web construits pour de nombreuses langues selon une même méthode (Jakubíček et al., 2013).

Le corpus comme ressource pratique

Les usages professionnels et technologiques adoptent souvent une définition plus souple : on parle de corpus pour n’importe quel ensemble de textes réuni dans un but opérationnel précis, même s’il ne répond pas aux critères scientifiques de représentativité ou d’annotation data annotationannotation des données datadonnées The process of adding labels or other structured information, such as categories, tags, transcriptions, or marked regions, to data so that it can be used to train or evaluate a machine learning system.Processus consistant à ajouter aux données des étiquettes ou d'autres informations structurées, comme des catégories, des balises, des transcriptions ou des zones marquées, pour qu'elles puissent servir à entraîner ou à évaluer un système d'apprentissage automatique. . C’est le sens courant en traduction spécialisée, en extraction terminologique, en exploration linguistique ad hoc, et pour les données d’entraînement training setjeu de données d'entraînement machine learningapprentissage automatique The portion of a dataset used to train a machine-learning model.Portion d'un jeu de données servant à entraîner un modèle d'apprentissage automatique. des modèles.

Les deux sens coexistent sans se contredire : la rigueur exigée dépend de ce qu’on veut faire du corpus. Pour publier une étude sur la variation linguistique, il faut un corpus construit ; pour vérifier la terminologie d’un mandat, le dossier du client suffit.

Two ways of classifying corpora

General or specialized

Specialized corpora are particularly useful in translation to observe the use of terminology and other domain-specific linguistic conventions (Bowker and Pearson, 2002).

Monolingual, comparable or parallel

The two multilingual types complete each other. A parallel corpus allows a segment-by-segment look at the equivalences other translators settled on. A comparable corpus shows how each language natively expresses similar content, with no translation behind it: valuable for checking that a phrase sounds natural rather than calqued.

Deux façons de classer les corpus

Général ou spécialisé

Les corpus spécialisés sont particulièrement utiles en traduction pour observer l’emploi de la terminologie et les autres conventions linguistiques propres à un domaine (Bowker et Pearson, 2002).

Monolingue, comparable ou parallèle

Les deux types multilingues se complètent. Le corpus parallèle permet une analyse segment par segment des équivalences choisies par d’autres traducteurs et traductrices. Le corpus comparable montre comment chaque langue exprime nativement un contenu semblable, sans influence de la traduction : précieux pour vérifier qu’une formulation sonne naturelle, et non calquée.

Observing language rather than imagining it

Suppose you are translating a text for the Belgian parliament. You may wonder whether to write “courriel” or “e-mail”. You may not have a good intuition and need a way to verify. A Google search may not give you a definite answer. But if you consult a corpus of specifically Belgian French texts, relative to your target audience, you can simply check the frequencies of both words. You can even get an idea for whether the choice depends on certain contexts, for instance “e-mail” when in a list of contact information next to “website” and “téléphone”, versus “courriel” more in running text.

Research in linguistics compares frequencies and variants, lexicography bases its dictionary entries on attested usage rather than on one person’s judgment, natural language processing natural language processing (NLP)traitement automatique de la langue (TAL) NLPTAL An interdisciplinary field that develops and studies computational methods for analyzing, processing, and generating human language.Domaine interdisciplinaire qui développe et étudie des méthodes computationnelles pour analyser, traiter et générer le langage humain. trains its tools on annotated corpora, and language teaching draws authentic examples from them.

In translation

For a translator, a corpus is a decision-making tool. Each of the recurring problems of the trade has its corpus use:

Observer la langue plutôt que l’imaginer

Supposons que vous traduisiez un texte pour le Parlement belge. Vous pouvez vous demander s’il faut écrire « courriel » ou « e-mail ». Votre intuition ne vous donne peut-être pas de réponse sûre, et il vous faut un moyen de vérifier. Une recherche Google ne tranchera pas forcément. Mais en consultant un corpus de textes proprement belges, correspondant à votre public cible, vous pouvez simplement comparer les fréquences des deux mots. Vous pouvez même vous faire une idée du rôle que joue le contexte dans ce choix : « e-mail » dans une liste de coordonnées, à côté de « website » et de « téléphone », contre « courriel » plutôt en texte suivi.

La recherche en linguistique compare des fréquences et des variantes, la lexicographie fonde ses articles de dictionnaire sur l’usage attesté plutôt que sur le jugement d’une seule personne, le traitement automatique des langues natural language processing (NLP)traitement automatique de la langue (TAL) NLPTAL An interdisciplinary field that develops and studies computational methods for analyzing, processing, and generating human language.Domaine interdisciplinaire qui développe et étudie des méthodes computationnelles pour analyser, traiter et générer le langage humain. entraîne ses outils sur des corpus annotés, et l’enseignement des langues puise dans les corpus des exemples authentiques.

En traduction

Pour une traductrice ou un traducteur, le corpus est un outil d’aide à la décision. Chaque problème courant du métier a son usage :

What it is

Sketch Engine (sketchengine.eu) is a commercial online corpus analysis tool, used by translators, linguists, lexicographers and NLP specialists (Kilgarriff et al., 2014). Among other things, it lets you:

• search for words or expressions in their real context (concordances concordanceconcordance corporacorpus A display of all occurrences of a word or expression in a corpus, each shown with its surrounding context, typically one occurrence per line with the search word aligned in the middle (the key word in context, or KWIC, format).Affichage de toutes les occurrences d'un mot ou d'une expression dans un corpus, chacune accompagnée de son contexte immédiat, généralement une occurrence par ligne avec le mot cherché aligné au centre (format KWIC, mot-clé en contexte). );
• observe a word’s typical collocations collocationcollocation corporacorpus A combination of words that co-occur more often than chance would predict and form a habitual, semi-fixed pairing, such as heavy rain or commit a crime (rather than strong rain or do a crime).Combinaison de mots qui apparaissent ensemble plus souvent que le hasard ne le laisserait prévoir et qui forment une association habituelle, semi-figée, comme soleil de plomb ou commettre un crime (plutôt que faire un crime). (Word Sketch);
• compare usage between two corpora (keywords);
• analyze frequencies, registers and grammatical constructions.

Why this tool here, and what else exists

This module works in Sketch Engine because my students have access to it: the Université de Montréal subscribes, so you log in with your usual credentials and there is nothing to install or configure. Outside an institutional subscription it is a paid service with a 30-day free trial.

With a browser-based tool that is relatively intuitive, you can learn a lot by simply clicking around and exploring, without worrying about doing something “wrong”. The built-in documentation is where to look first: the small “i” icons beside most fields, and the “LEARN” tabs.

It is one tool among several, and what you learn here transfers. AntConc (Anthony, 2026) is free to download, runs on Windows, macOS and Linux, and does concordances, word lists, collocations and keywords on files you supply yourself. What it does not give you is the other half of this module: a collection of ready-made corpora of billions of words, and a corpus built from the web in a few minutes.

Logging in

On the site, click “Log In”.

Choose “Full Access Login” (the site sometimes skips this step, which is normal), then “Institutional Login”.

Choose your institution from the list, for instance “Université de Montréal”, and log in with your usual credentials.

Ce que c’est

Sketch Engine (sketchengine.eu) est un outil commercial d’analyse de corpus en ligne, utilisé par des traducteurs et traductrices, des linguistes, des lexicographes et des spécialistes du TAL (Kilgarriff et al., 2014). Il permet notamment de :

• chercher des mots ou expressions dans leur contexte réel (concordances concordanceconcordance corporacorpus A display of all occurrences of a word or expression in a corpus, each shown with its surrounding context, typically one occurrence per line with the search word aligned in the middle (the key word in context, or KWIC, format).Affichage de toutes les occurrences d'un mot ou d'une expression dans un corpus, chacune accompagnée de son contexte immédiat, généralement une occurrence par ligne avec le mot cherché aligné au centre (format KWIC, mot-clé en contexte). ) ;
• observer les collocations collocationcollocation corporacorpus A combination of words that co-occur more often than chance would predict and form a habitual, semi-fixed pairing, such as heavy rain or commit a crime (rather than strong rain or do a crime).Combinaison de mots qui apparaissent ensemble plus souvent que le hasard ne le laisserait prévoir et qui forment une association habituelle, semi-figée, comme soleil de plomb ou commettre un crime (plutôt que faire un crime). typiques d’un mot (Word Sketch) ;
• comparer les usages entre deux corpus (mots-clés) ;
• analyser fréquences, registres et constructions grammaticales.

Pourquoi cet outil ici, et ce qui existe à côté

Ce module travaille dans Sketch Engine parce que mes étudiantes et étudiants y ont accès : l’Université de Montréal y est abonnée, vous vous connectez donc avec vos identifiants habituels et il n’y a rien à installer ni à configurer. Hors abonnement institutionnel, c’est un service payant, avec un essai gratuit de 30 jours.

Avec un outil en ligne relativement intuitif, vous pouvez apprendre beaucoup en cliquant un peu partout et en explorant, sans craindre de mal faire. La documentation intégrée est le premier réflexe : les petits « i » à côté de la plupart des champs, et les onglets « LEARN ».

C’est un outil parmi d’autres, et ce que vous y apprenez se transpose. AntConc (Anthony, 2026) est gratuit, fonctionne sous Windows, macOS et Linux, et produit concordances, listes de fréquences, collocations et mots-clés sur les fichiers que vous lui fournissez. Ce qu’il ne donne pas, c’est l’autre moitié de ce module : une collection de corpus prêts à l’emploi de plusieurs milliards de mots, et un corpus construit depuis le web en quelques minutes.

Se connecter

Sur le site, cliquez sur « Log In ».

Choisissez « Full Access Login » (le site saute parfois cette étape, c’est normal), puis « Institutional Login ».

Choisissez votre établissement dans la liste, par exemple « Université de Montréal », et connectez-vous avec vos identifiants habituels.

The starting page

After logging in you land on the starting page: a search box and, if you have used the tool before, your recent corpora.

Finding a corpus

Clicking in “type to search” already suggests a selection of corpora. To see everything, click “ADVANCED SEARCH”.

The full list shows the language, name and size in words of each corpus, with categories on the right: web corpora, spoken language, parallel (multilingual), specialized, diachronic, and so on.

The three dots to the right of a corpus, then “i”, open its detailed record: composition, sources, available annotation data annotationannotation des données datadonnées The process of adding labels or other structured information, such as categories, tags, transcriptions, or marked regions, to data so that it can be used to train or evaluate a machine learning system.Processus consistant à ajouter aux données des étiquettes ou d'autres informations structurées, comme des catégories, des balises, des transcriptions ou des zones marquées, pour qu'elles puissent servir à entraîner ou à évaluer un système d'apprentissage automatique. .

Corpora that come prepared

All these corpora are “prepared” by Sketch Engine: linguistic information is added to them, such as part-of-speech tags part-of-speech tagging (POS tagging)étiquetage morphosyntaxique NLPTAL The task of taking a sequence of tokenized words and a tagset, and assigning to each word one tag naming its grammatical class, such as noun or verb.Tâche qui consiste à prendre une suite de mots segmentés et un jeu d'étiquettes, puis à attribuer à chaque mot une étiquette nommant sa classe grammaticale, par exemple nom ou verbe. and lemmas lemmalemme linguisticslinguistique The base or dictionary form under which the inflected forms of a word are grouped: go, goes, went and gone share the lemma go.Forme de base, ou forme de dictionnaire, sous laquelle sont regroupées les formes fléchies d'un mot : va, allons, allait et allé partagent le lemme aller. . How rich that annotation is varies by language: French and English are very well served, less-resourced languages much less so. The collection covers more than 100 languages and includes enormous, often well-known corpora, such as the TenTen family built from the web (Jakubíček et al., 2013).

Sometimes, though, the corpus you need does not exist yet, and you have to build it.

La page de départ

Après la connexion, vous arrivez sur la page de départ : une barre de recherche et, si vous avez déjà utilisé l’outil, vos corpus récents.

Chercher un corpus

Un clic dans « type to search » propose déjà une sélection de corpus. Pour tout voir, cliquez sur « ADVANCED SEARCH ».

La liste complète affiche la langue, le nom et la taille en mots de chaque corpus, avec des catégories à droite : corpus web, langue parlée, parallèles (multilingues), spécialisés, diachroniques, etc.

Les trois points à droite d’un corpus, puis « i », affichent sa fiche détaillée : composition, sources, annotations data annotationannotation des données datadonnées The process of adding labels or other structured information, such as categories, tags, transcriptions, or marked regions, to data so that it can be used to train or evaluate a machine learning system.Processus consistant à ajouter aux données des étiquettes ou d'autres informations structurées, comme des catégories, des balises, des transcriptions ou des zones marquées, pour qu'elles puissent servir à entraîner ou à évaluer un système d'apprentissage automatique. disponibles.

Des corpus déjà préparés

Tous ces corpus sont « préparés » par Sketch Engine : des informations linguistiques y sont ajoutées, comme les étiquettes morphosyntaxiques part-of-speech tagging (POS tagging)étiquetage morphosyntaxique NLPTAL The task of taking a sequence of tokenized words and a tagset, and assigning to each word one tag naming its grammatical class, such as noun or verb.Tâche qui consiste à prendre une suite de mots segmentés et un jeu d'étiquettes, puis à attribuer à chaque mot une étiquette nommant sa classe grammaticale, par exemple nom ou verbe. et les lemmes lemmalemme linguisticslinguistique The base or dictionary form under which the inflected forms of a word are grouped: go, goes, went and gone share the lemma go.Forme de base, ou forme de dictionnaire, sous laquelle sont regroupées les formes fléchies d'un mot : va, allons, allait et allé partagent le lemme aller. . La richesse de ces annotations varie selon la langue : le français et l’anglais sont très bien dotés, les langues moins dotées le sont moins. La collection couvre plus de 100 langues et inclut des corpus énormes et souvent bien connus, comme la famille TenTen construite à partir du web (Jakubíček et al., 2013).

Parfois, cependant, le corpus dont vous avez besoin n’existe pas encore, et il faut le construire.

The web as raw material

The web is the largest collection of texts ever assembled, and it has served as raw material for corpora for twenty years (Kilgarriff and Grefenstette, 2003). Sketch Engine automates the whole chain: search, download, cleaning and annotation data annotationannotation des données datadonnées The process of adding labels or other structured information, such as categories, tags, transcriptions, or marked regions, to data so that it can be used to train or evaluate a machine learning system.Processus consistant à ajouter aux données des étiquettes ou d'autres informations structurées, comme des catégories, des balises, des transcriptions ou des zones marquées, pour qu'elles puissent servir à entraîner ou à évaluer un système d'apprentissage automatique. .

Starting the build

Click “NEW CORPUS” (the button in the top right corner of the corpus list, or the option at the bottom of the search box).

Give the corpus a name, choose “single language corpus” and French. The description is optional.

What is available depends on the language: “available features” shows what is possible in French. For comparison, a less-resourced language such as Chuj offers far fewer options.

Where the texts come from

Next you choose between uploading your own files (to analyze a corpus you already have) and building a corpus from texts found online. We have no corpus at hand, so: “find texts on the web”. The page also shows your account’s storage space and how much of it you have used.

There are three ways of finding texts:

• “web search”: search online from a few keywords;
• “URLs”: supply a list of addresses to download;
• “website”: download a complete site.

The ”?” beside each option gives more detail. We take “web search”: the tool will query the Bing search engine with different combinations of your keywords.

The settings of the web search can also be adjusted at this step; the defaults are fine for this exercise.

The keywords

What is left is the keywords that will guide the search. I suggest you start from your own expertise and build a corpus on a subject you know well: crochet, manga, figure skating, translation. You will be all the better placed to judge whether the texts it finds are relevant.

Then click GO! and wait a little.

The tool shows how many pages each combination of keywords found. Each line unfolds to show the addresses of the pages; deselect the ones that are not relevant to keep them out of the final corpus.

One more wait while the tool downloads and processes the texts, especially if it found a lot of pages.

Le web comme matière première

Le web est la plus grande collection de textes jamais réunie, et il sert de matière première aux corpus depuis vingt ans (Kilgarriff et Grefenstette, 2003). Sketch Engine automatise toute la chaîne : recherche, téléchargement, nettoyage et annotation data annotationannotation des données datadonnées The process of adding labels or other structured information, such as categories, tags, transcriptions, or marked regions, to data so that it can be used to train or evaluate a machine learning system.Processus consistant à ajouter aux données des étiquettes ou d'autres informations structurées, comme des catégories, des balises, des transcriptions ou des zones marquées, pour qu'elles puissent servir à entraîner ou à évaluer un système d'apprentissage automatique. .

Lancer la création

Cliquez sur « NEW CORPUS » (le bouton dans le coin supérieur droit de la liste des corpus, ou l’option au bas de la barre de recherche).

Donnez un nom au corpus, choisissez « single language corpus » et le français. La description est facultative.

Les fonctionnalités dépendent de la langue : « available features » montre ce qui est possible en français. À titre de comparaison, une langue peu dotée comme le chuj offre beaucoup moins d’options.

La source des textes

Il faut ensuite choisir entre téléverser vos propres fichiers (pour analyser un corpus que vous possédez déjà) et construire un corpus à partir de textes en ligne. Nous n’avons pas de corpus sous la main, donc : « find texts on the web ». La page indique aussi l’espace de stockage de votre compte et ce que vous en avez utilisé.

Pour trouver des textes, trois options :

• « web search » : chercher en ligne à partir de quelques mots-clés ;
• « URLs » : fournir une liste d’adresses à télécharger ;
• « website » : télécharger un site complet.

Les « ? » à côté de chaque option donnent plus de détails. Nous prenons « web search » : l’outil interrogera le moteur de recherche Bing avec différentes combinaisons de vos mots-clés.

Les paramètres de la recherche web se règlent aussi à cette étape ; les valeurs par défaut conviennent pour cet exercice.

Les mots-clés

Reste à définir les mots-clés qui guideront la recherche. Je propose que vous partiez de votre propre expertise et créiez un corpus sur un sujet que vous connaissez bien : le crochet, les mangas, le patinage artistique, la traduction… Vous saurez d’autant mieux juger si les textes récoltés sont pertinents.

Puis cliquez sur GO! et patientez un peu.

L’outil montre combien de pages chaque combinaison de mots-clés a trouvées. Chaque ligne se déplie pour afficher les adresses des pages ; désélectionnez celles qui ne sont pas pertinentes pour les exclure du corpus final.

Une dernière attente pendant que l’outil télécharge et traite les textes, surtout s’il a trouvé beaucoup de pages.

Checking what you collected

Once the corpus is ready, start with its statistics (“corpus details and statistics”). I do not explain each indicator here: the small “i” icons of the interface do it very well.

“Text type analysis” details the text types and the sources the corpus is made of. That is where you see whether what you collected matches what you were after: a corpus on figure skating that draws half its pages from a single online shop is not the one you were looking for.

What the settings control

The defaults were enough to build a first corpus. When the result is not the one you wanted, these are the settings to go back to.

Size or relevance

A slider sets the balance between “size” (quantity) and “relevance”:

• more relevance: the algorithm keeps only the first results of each Bing search, taken to be the most relevant;
• more size: it goes further down the results and takes more texts, but texts that may be less relevant.

Allowlist and denylist

The allowlist names required words: a page enters the corpus only if it contains a minimum number of them. The denylist names words to avoid, with a setting for how strict to be.

These lists mostly serve to disambiguate polysemous keywords. For a corpus on the programming languages “Java” and “Python”, the web also talks about an island and a snake; hence, for example:

• allowlist: programming, developer, code, bug, variable, software;
• denylist: snake, reptile, island, Indonesia.

Capping the size

The web being immense, you can also cap the number of documents and their length, to obtain a smaller corpus.

Managing the corpus

To come back to the corpus, click the Sketch Engine logo in the top left, then “manage corpus”.

There you can download the corpus, extend it with new texts, share it or delete it. You can also create subcorpora, for instance to separate French sites from Canadian ones and compare the two.

Vérifier ce que vous avez récolté

Une fois le corpus prêt, commencez par ses statistiques (« corpus details and statistics »). Je n’explique pas chaque indicateur ici : les petits « i » de l’interface le font très bien.

Le « text type analysis » détaille les types de textes et les sources qui composent le corpus. C’est là que vous voyez si la récolte correspond à ce que vous vouliez : un corpus sur le patinage artistique qui tire la moitié de ses pages d’une seule boutique en ligne n’est pas celui que vous cherchiez.

Ce que contrôlent les paramètres

Les valeurs par défaut suffisaient pour construire un premier corpus. Quand le résultat n’est pas celui que vous vouliez, ce sont ces paramètres qu’il faut reprendre.

Taille ou pertinence

Un curseur règle l’équilibre entre « size » (quantité) et « relevance » (pertinence) :

• plus de pertinence : l’algorithme ne retient que les premiers résultats de chaque recherche Bing, censés être les plus pertinents ;
• plus de taille : il descend plus loin dans les résultats, récolte plus de textes, mais des textes potentiellement moins pertinents.

Allowlist et denylist

L’allowlist énumère des mots obligatoires : une page n’entre dans le corpus que si elle en contient un nombre minimal. La denylist énumère des mots à éviter, avec un réglage plus ou moins strict.

Ces listes servent surtout à désambiguïser des mots-clés polysémiques. Pour un corpus sur les langages de programmation « Java » et « Python », le web parle aussi d’une île et d’un serpent ; d’où, par exemple :

• allowlist : programmation, développeur, code, bogue, variable, logiciel ;
• denylist : serpent, reptile, île, Indonésie.

Plafonner la taille

Le web étant immense, on peut aussi plafonner le nombre de documents et leur longueur pour obtenir un corpus plus petit.

Gérer le corpus

Pour revenir au corpus, cliquez sur le logo Sketch Engine en haut à gauche, puis sur « manage corpus ».

On peut y télécharger le corpus, l’élargir avec de nouveaux textes, le partager ou le supprimer. On peut aussi créer des sous-corpus (« subcorpora »), par exemple pour séparer les sites français des sites canadiens et comparer les deux.

Your own web corpus is unique: nobody else has exactly the same one. So that the exercises have checkable answers, they use a corpus that is already in Sketch Engine and identical for everyone: Gutenberg French 2020, a large corpus of French literary texts built from the ebooks of the Gutenberg project.

Go back to the corpus search and select it.

First exercise: reading those statistics. This corpus contains more tokens token¹occurrence de mot linguisticslinguistique An individual occurrence of a word or another countable element in a text.Apparition individuelle d'un mot ou d'un autre élément dénombrable dans un texte. than “words”, and the gap has an explanation. If you cannot see why, look for it in Sketch Engine rather than guessing: the “i” icons on the statistics screen and the “LEARN” tabs say what each figure counts.

Votre propre corpus web est unique : personne d’autre n’a exactement le même. Pour que les exercices aient des réponses vérifiables, ils utilisent donc un corpus déjà présent dans Sketch Engine, identique pour tout le monde : Gutenberg French 2020, un grand corpus de textes littéraires français construit à partir des livres numériques du projet Gutenberg.

Retournez à la recherche de corpus et sélectionnez-le.

Premier exercice : lire ces statistiques. Ce corpus compte plus de tokens token¹occurrence de mot linguisticslinguistique An individual occurrence of a word or another countable element in a text.Apparition individuelle d'un mot ou d'un autre élément dénombrable dans un texte. que de « words », et l’écart s’explique. Si vous ne voyez pas pourquoi, cherchez-le dans Sketch Engine plutôt que de deviner : les « i » de l’écran des statistiques et les onglets « LEARN » disent ce que chaque chiffre compte.

Producing a frequency list

For this first function I set out the steps; for the ones after it, you explore more on your own.

Go to Wordlist in the left-hand menu.

Wordlist produces the ranking of the most frequent words of a corpus. It is a basic function, and it answers several questions at once: what vocabulary dominates a domain, which words are function words, what the nouns alone look like, what is frequent and what is rare.

The list can count lemmas lemmalemme linguisticslinguistique The base or dictionary form under which the inflected forms of a word are grouped: go, goes, went and gone share the lemma go.Forme de base, ou forme de dictionnaire, sous laquelle sont regroupées les formes fléchies d'un mot : va, allons, allait et allé partagent le lemme aller. rather than forms: in French, “va”, “allons” and “allait” then count together under “aller”.

Start with the “LEARN” tab, which documents the function well.

Go back to “BASIC”, keep the default values (“words”, “all”) and click “GO”.

The result lists every word of the corpus by decreasing frequency. Finding nothing but function words in the top 50 is normal: that is the profile of every language.

Filtering the list

Do the same thing again, selecting “noun” to keep only nouns.

Hardly a surprise for classical literature, but telling: the corpus contains far more “homme” than “femme”, and even more “monsieur” than “femme”.

Another cut, the French verb forms ending in “ée”:

Advanced mode gives more control still: treating capitals as distinctive or not, setting a minimum and a maximum frequency, restricting to a subcorpus or to text types.

Exercises

The three exercises are done in Gutenberg French 2020, with the Wordlist function. Look in the tool first; the answer is checked right in the page.

The last one needs advanced mode, and one detail: the search has to stay case-sensitive.

Produire une liste de fréquences

Pour cette première fonctionnalité, je détaille les étapes ; pour les suivantes, ce sera à vous d’explorer de façon plus autonome.

Naviguez vers Wordlist dans le menu de gauche.

Wordlist produit le classement des mots les plus fréquents d’un corpus. C’est une fonction de base, et elle répond à plusieurs questions à la fois : quel vocabulaire domine un domaine, quels mots sont des mots-outils, à quoi ressemblent les noms seuls, ce qui est fréquent et ce qui est rare.

La liste peut compter les lemmes lemmalemme linguisticslinguistique The base or dictionary form under which the inflected forms of a word are grouped: go, goes, went and gone share the lemma go.Forme de base, ou forme de dictionnaire, sous laquelle sont regroupées les formes fléchies d'un mot : va, allons, allait et allé partagent le lemme aller. plutôt que les formes : « va », « allons » et « allait » comptent alors ensemble sous « aller ».

Commencez par l’onglet « LEARN », qui documente bien la fonction.

Revenez à « BASIC », gardez les valeurs par défaut (« words », « all ») et cliquez sur « GO ».

Le résultat liste tous les mots du corpus par fréquence décroissante. Ne trouver que des mots de fonction dans le top 50 est normal : c’est le profil de toutes les langues.

Filtrer la liste

Refaites la même chose en sélectionnant « noun » pour ne garder que les noms.

Peu surprenant pour de la littérature classique, mais parlant : le corpus contient beaucoup plus de « homme » que de « femme », et même plus de « monsieur » que de « femme ».

Autre découpage, les verbes qui se terminent par « ée » :

Le mode avancé donne encore plus de contrôle : traiter ou non les majuscules comme distinctives, fixer une fréquence minimale et maximale, restreindre à un sous-corpus ou à des types de textes.

Exercices

Les trois exercices se font dans Gutenberg French 2020, avec la fonction Wordlist. Cherchez d’abord dans l’outil ; la réponse se vérifie directement dans la page.

Le dernier demande le mode avancé, et un détail : la recherche doit rester sensible à la casse.

The same function on another corpus

In the Gutenberg corpus, made of literary texts, the five most frequent words are these:

Now change corpus: select United Nations Parallel Corpus (UNPC) - French, the French side of the United Nations parallel corpus parallel corpuscorpus parallèle corporacorpus A corpus of texts in one language together with their translations into one or more other languages, usually aligned sentence by sentence so that each segment can be viewed next to its equivalent.Corpus de textes dans une langue accompagnés de leurs traductions vers une ou plusieurs autres langues, généralement alignés phrase par phrase de façon à afficher chaque segment en regard de son équivalent. (Ziemski et al., 2016), made of official UN texts. Run Wordlist again and look at the top of the list.