eScriptorium : un outil pour la transcription automatique des documents

Le but de l’eScriptorium, dans sa finalité, est de concevoir un outil de production pour des éditions numériques et pour toute la chaîne nécessaire, dont la transcription représente ici la première brique. Nous bénéficions déjà à l’heure actuelle de cette brique, et bientôt, nous aurons aussi l’annotation d’images selon les principes d’Archetype, et l’annotation du texte (par ex. philologique, historique, linguistique) avec TEI.

L’idée est d’utiliser cette brique que nous venons de créer pour entraîner la machine à réaliser des transcriptions automatiques de nos livres et manuscrits écrits dans quasiment toutes les écritures, et ce, à partir d’images numériques. Cela revêt un grand intérêt car nous disposons actuellement de mille – voire de millions de manuscrits, livres, documents numérisés et disponibles en ligne. De ce fait, si vous disposez, par exemple, d’un long document ou d’un important corpus et que vous souhaitez le retranscrire, eScriptorium pourra vous être très utile. Aussi, une transcription même approximative de documents inconnus, peut-être des centaines de documents, pourrait être utile, par exemple dans le but de trouver des témoins d’un texte ou pour faire une comparaison de contenu de différents manuscrits.

Pour commencer, il faut importer les images du/des document(s). Vous pouvez simplement faire glisser les fichiers depuis votre propre ordinateur. Autrement, le site est liée au standard de IIIF (International Image Interoperability Framework) qui est utilisé par plusieurs bibliothèques du monde, et l’Équipex Biblissima y est bien impliquée. Si vos documents sont disponibles sur IIIF, il vous faudra simplement trouver l’adresse IIIF du document, la soumettre à eScriptorium, et le logiciel commencera l’importation de toutes les images automatiquement. Voici une vidéo qui présente l’importation automatique de toutes les images d’un manuscrit à partir de Biblissima Collections :

Evidemment, eScriptorium n’a pas de caractère magique. Nous savons que la mise en page des documents est très diverse, et que vous ne souhaitez pas forcément transcrire une page entière. Le principe d’apprentissage de la machine est donc de créer des exemples pour montrer à la machine ce que vous voulez obtenir en guise de résultat. Vous pouvez donc annoter les images des pages dans eScriptorium, pour que la machine comprenne quelles lignes de texte il lui faut transcrire et quelles sont celles, au contraire, qui n’ont pas d’intérêt pour votre travail. La machine apprendra ensuite à distinguer les pages automatiquement. Voici une vidéo qui montre le système par défaut de reconnaissance des régions dans eScriptorium :

Cette deuxième vidéo montre le processus pour corriger les résultats :

Après avoir repéré les lignes, il est possible de commencer la transcription. Encore une fois, nous savons très bien qu’il existe différentes approches et normes de transcription, est c’est à vous de décider de la norme à utiliser. Tout d’abord, vous devez créer des exemples, écrits à la main, pour montrer à la machine ce que vous voulez obtenir comme résultat, pour qu’elle puisse apprendre vers quoi vous tendez et savoir travailler ensuite automatiquement. Vous pouvez taper le texte à la main, ligne par ligne, ou importer un texte en format XML Page ou ALTO, ou copier-coller un texte une page à la fois comme on peut l’observer dans cette vidéo :

Après avoir montré vos exemples à la machine, cette dernière les apprend, puis elle transcrit le reste de vos documents, produisant une transcription que vous pouvez télécharger en format texte ou XML. Cette vidéo montre comment lancer le processus de transcription automatique :

Voici une vidéo présentant l’exportation des textes et l’entrainement de la machine :

Il est évident que ce processus implique un certain travail dans un premier temps : ceci est chose normale car la magie n’existe pas, et les documents sont compliqués, ce qui les rend d’autant plus intéressants. Si vous disposez d’un document court, ou de nombreux documents courts et très différents les uns des autres, alors il ne sera peut-être pas nécessaire d’utiliser la machine. En revanche, si votre document est long ou votre corpus conséquent, ce logiciel pourrait vous être très utile.

De plus, il existe un autre aspect de ce logiciel : il s’agit de publier et de diffuser des modèles déjà entraînés. Pour donner un exemple, nous sommes en train de créer des machines entraînées à la transcription de l’arabe, de l’hébreu, du syriaque et du latin. Si vos documents sont écrits dans ces écritures, vous pouvez commencer à travailler à partir de ces machines déjà existantes. D’ailleurs, si vos documents sont écrits dans un style d’écriture différent des exemples précédemment cités, ou si vous utilisez une norme différente pour la transcription, vous pouvez tout de même déjà commencer à travailler avec une machine entraînée et la -entraîner selon vos propres besoins. Dans ce cas, vous aurez besoin de beaucoup moins d’exemples rédigés à la main, parce que la machine aura déjà atteint un certain niveau d’entrainement et il suffira alors de l’adapter à vos besoins spécifiques.

Le logiciel est basé sur les recherches de Ben Kiessling, ingénieur dans notre équipe et doctorant en co-tutelle à l’EPHE. Il est l’un des meilleurs experts au monde dans la transcription automatique de manuscrits, surtout pour les écritures dites « non-latines ».

Le logiciel est déjà utilisé par quelques projets comme Vietnamica, un « ERC Advanced Grant » porté par Philippe Papin avec Marc Bui, Sofer Mahir sur la transcription automatique des manuscrits hébraïques médiévaux, et le projet LECTAUREP en collaboration avec INRIA et les Archives nationales. Il est aussi utilisé par le « Open Islamicate Texts Initiative Arabic-script Optical Character Recognition Project » (OpenITI AOCP). Soutenu par le Mellon Foundation, le partenaires du projet sont l’University of Maryland College Park (UMD), Aga Khan University (AKU), Universität Wien (UW), et Northeastern University. Ils utilisent eScriptorium comme un « user-friendly digital text production pipeline with a wide range of new OCR enhancements and expanded text export functionality » dans OpenITI, qui est « a multi-institutional effort to construct the first machine-actionable scholarly corpus of premodern Islamicate texts».

Après Scripta, eScriptorium est désormais soutenu par un projet européen, RESILIENCE dont l’EPHE est partenaire (avec Denis Pelletier, Peter Stokes et autres). Il fait aussi partie du dossier de l’Equipex+ Biblissima+, et bénéficie du soutien du Domaine d’Intérêt Majeur Sciences Texte et Connaissances Nouvelles (DIM STCN), de l’EPHE et d’autres centres dans le but d’acquérir un ordinateur à haute performance pour l’entraînement de la machine au sein du projet ManuscriptologIA. eScriptorium est co-dirigé par Daniel Stökl Ben Ezra et Peter A. Stokes.

Pour aller plus loin, voici quelques liens et publications : 

L’eScriptorium représente le volet numérique du projet Scripta-PSL. Nous remercions Andréas Stauder, Ivan Guermeur, le comité de Scripta et l’IRIS PSL car sans leur soutien le logiciel n’existerait pas, ainsi que RESILIENCE RI pour leur soutien qui débutera à l’été 2020. RESILIENCE et donc eScriptorium bénéficient du soutien du programme cadre de recherche et d’innovation de l’Union européenne Horizon 2020 sous la convention de subvention (Grant Agreement) n° 871127.


Peter A. Stokes

Peter Stokes is directeur d'études en humanités numériques et computationnelles appliquées à l’étude de l’écrit ancien (approximately 'research professor in digital and computational humanities applied to historical writing') at the École Pratique des Hautes Études – Université PSL, Section des Sciences Historiques et Philologiques, in Laboratoire Archéologie et Philologie d’Orient et d’Occident (AOROC, UMR 8546). His current primary research focus is on multigraphism (the use of different scripts or writing-systems), particularly in medieval Europe, combining the fields of palaeography, digital humanities and informatics.

Vous aimerez aussi...

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.