Traitement du langage naturel : comment l’IA comprend ce que vous dites
Le NLP désigne la discipline qui apprend aux machines à lire, écouter, classer et produire du langage humain. Les grands modèles de langage en ont pris la vitrine, sans en couvrir tout le terrain : la tokenisation, les embeddings, la classification, l’extraction d’entités, la traduction et la voix restent des métiers à part, avec leurs propres modèles et leurs propres coûts. Voici ce que le NLP désigne encore, et pourquoi cela change vos choix techniques.
Une entreprise reçoit trois millions d’avis clients par an et veut savoir lesquels sont négatifs. Deux solutions s’offrent à elle. La première envoie chaque avis à un grand modèle de langage par API, la seconde entraîne un petit modèle spécialisé sur quelques milliers d’exemples annotés. Les deux approches relèvent du NLP, elles atteignent une précision comparable, et l’écart de facture se compte en dizaines de fois. Comprendre pourquoi, c’est comprendre ce que le traitement du langage naturel désigne aujourd’hui.
Le NLP, ou Natural Language Processing, couvre l’ensemble des techniques qui permettent à une machine de manipuler du langage. Les grands modèles de langage en sont la réalisation la plus spectaculaire, pas la seule. Cet article parcourt la chaîne complète, de la découpe des mots jusqu’à la synthèse vocale, en s’arrêtant sur le cas du français et des langues peu dotées.
Ce que le NLP désigne, et ce que les LLM en ont absorbé
Le langage humain reste ambigu par construction. La phrase « j’ai vu l’homme avec le télescope » admet deux lectures selon que le télescope sert à voir ou qu’il est tenu par l’homme. Un lecteur tranche grâce au contexte, une machine doit y être amenée. Le NLP décrit les trois couches de ce travail.
La syntaxe analyse la structure de la phrase, le sujet, le verbe, les compléments et leurs dépendances. C’est la grammaire vue par la machine, et elle sert encore à extraire des relations dans un texte juridique ou technique.
La sémantique cherche le sens des mots en contexte. Le terme « avocat » ne désigne pas la même chose dans une salade et dans un tribunal, et cette distinction repose sur des représentations vectorielles que nous détaillons plus bas.
La pragmatique interprète l’intention, l’ironie, l’implicite et le sous-entendu culturel. Elle reste la couche la plus fragile, y compris pour les modèles les plus récents.
Le NLP est le champ de recherche et d’ingénierie. Un LLM en est un outil, très généraliste, entraîné à prédire la suite d’un texte. Dire « NLP » pour parler de ChatGPT reste techniquement juste mais peu informatif, comme dire « informatique » en désignant un smartphone. La distinction compte en pratique : une bonne partie des systèmes NLP en production n’utilise aucun LLM, parce qu’un modèle de 150 millions de paramètres suffit pour trier des tickets et coûte cent fois moins cher.
D’ELIZA aux LLM : soixante ans d’évolution
Le NLP est plus vieux que l’informatique personnelle, et son histoire éclaire ses limites actuelles.
Les années règles, de 1950 à 1990
Les premiers systèmes reposaient sur des règles écrites à la main. ELIZA, programmée au MIT en 1966, imitait un psychothérapeute en repérant des mots-clés et en retournant la phrase de son interlocuteur. La performance impressionnait, alors que le programme appliquait simplement des patrons.
L’ère statistique, de 1990 à 2017
Les chercheurs ont ensuite entraîné des modèles sur de grandes quantités de texte plutôt que d’écrire des règles. Le système apprenait les probabilités du langage, à commencer par celle du mot suivant. La première version de Google Translate, lancée en 2006, illustre cette période.
La bascule Transformer, en 2017
L’article « Attention Is All You Need », publié par des chercheurs de Google en 2017, a introduit l’architecture Transformer. Elle traite la phrase entière d’un coup et calcule le lien entre chaque mot et tous les autres, au lieu de progresser de gauche à droite. Ce mécanisme d’attention porte tous les modèles de langage actuels.
Les LLM, de 2018 à aujourd’hui
BERT, publié par Google en 2018, a inauguré la famille des encodeurs dont nous reparlons plus loin. La série GPT d’OpenAI, de GPT-2 en 2019 à GPT-3 en 2020, a poussé l’autre branche, celle des décodeurs génératifs, et le lancement de ChatGPT fin 2022 a rendu la technologie grand public. Les modèles phares actuels tiennent un million de tokens en contexte, et notre guide dédié détaille cette génération.
La tokenisation : comment un texte devient des nombres
Aucun modèle ne lit des mots. Un tokeniseur découpe d’abord le texte en unités appelées tokens, souvent des morceaux de mots, puis attribue à chacune un identifiant numérique. Les méthodes classiques s’appellent BPE, ou codage par paires d’octets, et SentencePiece, et la bibliothèque tiktoken d’OpenAI en est l’implémentation la plus connue. Le vocabulaire d’un tokeniseur compte généralement entre 30 000 et 200 000 entrées.
Ce détail technique a une conséquence financière directe, parce que vous payez au token. Les tokeniseurs sont optimisés pour l’anglais, donc un même contenu consomme davantage de tokens dans les autres langues. Un travail de recherche publié en septembre 2025 sur seize langues africaines mesure ce surcoût et le nomme « taxe sur les tokens ». Les langues morphologiquement riches et peu représentées demandent deux à cinq fois plus de tokens que l’anglais pour le même contenu. Comme le coût de l’attention croît avec le carré de la longueur, un facteur deux sur le nombre de tokens se traduit par un facteur quatre sur le temps et le coût d’entraînement.
Le français s’en sort mieux que le swahili, sans égaler l’anglais. Les accents, les élisions et les terminaisons verbales se découpent en plus de morceaux, et un texte français coûte donc un peu plus cher à traiter qu’un texte anglais de même sens. Sur un volume industriel, la différence se voit sur la facture.
Les embeddings : transformer un texte en vecteur
Un embedding est une liste de nombres qui représente le sens d’un texte. Deux phrases proches par le sens produisent deux vecteurs proches dans l’espace, et cette propriété fonde la recherche sémantique, la détection de doublons, la classification et les systèmes de recherche augmentée par récupération. Le principe importe plus que le modèle : vous stockez des vecteurs une fois, puis vous comparez.
| Modèle | Dimensions | Entrée maximale | Particularité |
|---|---|---|---|
| Gemini Embedding 2 | 128 à 3 072 | 8 192 tokens | Premier modèle multimodal de Google : texte, images, vidéo, audio et PDF dans le même espace |
| gemini-embedding-001 | 128 à 3 072 | 2 048 tokens | Version texte seule, toujours en service |
| text-embedding-3-large (OpenAI) | 3 072 | 8 192 tokens | 64,6 % sur le banc d’essai MTEB, dimensions réductibles |
| embed-v4.0 (Cohere) | variable | 128 000 tokens | Contexte très long, pensé pour les documents entiers |
| EmbeddingGemma | 768, réductible à 128 | 2 048 tokens | 308 millions de paramètres, poids ouverts, plus de 100 langues |
Deux points techniques valent la peine d’être connus. Le premier concerne la réduction de dimension. Plusieurs de ces modèles sont entraînés selon la méthode dite des poupées russes, qui permet de tronquer un vecteur de 3 072 à 256 valeurs sans perdre l’essentiel du sens. Vous divisez ainsi les coûts de stockage et le temps de recherche. Le second point tient à l’exécution locale. EmbeddingGemma tourne sous 200 Mo de mémoire après quantification et produit un vecteur en moins de 22 millisecondes sur un accélérateur EdgeTPU. Une recherche sémantique entièrement hors ligne devient donc possible, sur des documents que vous ne voulez confier à personne.
Les embeddings multimodaux marquent la convergence des deux grands domaines de l’IA. Un même vecteur peut représenter une phrase, une photo ou un extrait sonore, et une requête écrite retrouve alors une image. C’est exactement le terrain que nous explorons du côté de l’image dans notre article sur la vision par ordinateur.
Classer, extraire, annoter : là où le NLP reste du NLP
Les tâches les plus banales du NLP sont aussi les plus fréquentes en entreprise. Classer un message, repérer les noms de personnes, de sociétés et de montants dans un contrat, attribuer une note de sentiment à un avis, détecter une langue : ce travail se mesure en millions d’appels et en millisecondes. La qualité de la prose n’y joue aucun rôle.
Une étude comparative publiée le 6 février 2026 a chiffré l’arbitrage. Sur quatre jeux de données de classification de texte, des encodeurs spécialisés de la famille BERT égalent ou dépassent des grands modèles sollicités par prompt. Le détail est parlant : RoBERTa atteint 94,63 % de score F1 sur AG News contre 91,35 % pour un modèle Claude, et les petits modèles montent à 99,40 % sur DBPedia. L’écart de coût s’étale sur un à deux ordres de grandeur : environ 12 dollars par million de requêtes pour DistilBERT, contre près de 1 175 dollars pour le grand modèle sur le jeu IMDB. La latence médiane suit la même logique, autour de 100 à 200 millisecondes pour l’encodeur contre 330 à 1 400 millisecondes pour l’API.
Les modèles de cette famille ont d’ailleurs été renouvelés. ModernBERT, publié en décembre 2024 sous licence Apache 2.0, existe en 149 et 395 millions de paramètres, accepte 8 192 tokens de contexte et a été entraîné sur 2 000 milliards de tokens. Sa version de base approche les cinq millions de téléchargements mensuels sur Hugging Face, ce qui donne une idée du volume de NLP invisible qui tourne en production. Son entraînement reste centré sur l’anglais. EuroBERT, sorti le 10 mars 2025 en trois tailles de 210 millions à 2,1 milliards de paramètres, comble ce manque : il couvre quinze langues dont le français, avec 5 000 milliards de tokens d’entraînement.
Le bon réflexe consiste donc à se demander si la tâche demande du raisonnement ou de la reconnaissance. Rédiger une synthèse nuancée demande un grand modèle. Décider si un message parle de facturation ou de livraison ne le demande pas, et un grand modèle appelé pour cela vous facturera cent fois trop cher. Les techniques d’écriture de consignes gardent tout leur sens pour le premier cas, et notre guide sur l’art du prompt y est consacré.
La traduction automatique, écrite puis parlée
La traduction est la plus ancienne application industrielle du NLP, et elle continue d’avancer. DeepL couvre 101 langues sources et 106 langues cibles sur son interface de programmation. Le service a ajouté en 2026 des variantes régionales que les professionnels réclamaient, dont le français de France et le français du Canada, puis le croate et le tagalog. Nous détaillons ses fonctions dans notre fiche sur DeepL.
Le saut le plus notable concerne la parole. DeepL a annoncé le 16 avril 2026 une traduction vocale de voix à voix pour plus de 40 langues, dont les 24 langues officielles de l’Union européenne. Une personne parle dans sa langue, son interlocuteur entend la traduction, et une fonction ajoutée en septembre reproduit le timbre du locuteur d’origine. L’entreprise cite une évaluation qu’elle a commandée au cabinet Slator, qui affirme avoir gardé la maîtrise de la méthode et des conclusions. Dans cette étude, 96 % des linguistes interrogés ont préféré sa solution à celles de Google, Microsoft et Zoom.
La correction et la reformulation forment l’autre versant de ce marché. Un correcteur automatique repose sur la même analyse syntaxique et sémantique, appliquée à la détection d’erreurs plutôt qu’à la conversion d’une langue vers une autre, et notre fiche sur LanguageTool décrit ce fonctionnement.
Reconnaissance et synthèse vocale
La transcription automatique a atteint un niveau que peu d’utilisateurs ont mesuré. Google a présenté Gemini 3.5 Transcribe le 26 août 2026 avec un taux d’erreur sur les mots de 2,6 % en moyenne hors streaming, et de 4,0 % en flux continu, sur plus de 85 langues détectées automatiquement. Le modèle sépare jusqu’à trois locuteurs avec horodatage, supprime les hésitations et gère les autocorrections du locuteur, et Google annonce une latence réduite de 70 % par rapport à son modèle précédent.
Mistral joue sur le prix et sur l’ouverture. Voxtral Transcribe 2, sorti le 4 février 2026, affiche environ 4 % d’erreur sur le banc FLEURS pour 0,003 dollar la minute, avec identification des locuteurs et horodatage précis, sur treize langues. La variante temps réel, publiée sous licence Apache 2.0 avec 4 milliards de paramètres, descend sous les 200 millisecondes de délai configurable et vise l’exécution en local.
Pour la synthèse vocale, ElevenLabs reste la référence commerciale, avec un modèle expressif couvrant plus de 70 langues, une variante conversationnelle autour de 280 millisecondes de latence et un modèle rapide à environ 75 millisecondes. Son moteur de transcription annonce plus de 90 langues et propose une version spécialisée pour l’audio clinique. Notre fiche sur ElevenLabs détaille les usages et les limites de ces voix. Rappelons que l’article 50 de l’AI Act s’applique depuis le 2 août 2026 : une voix de synthèse qui imite une personne réelle entre dans le champ des contenus à identifier clairement.
Le français et les langues peu dotées
La qualité d’un système NLP dépend d’abord de la quantité de texte disponible dans la langue visée. L’anglais bénéficie d’un corpus démesuré, le français tient une place confortable, et l’écart se creuse ensuite très vite. Un état des lieux publié en 2025 sur les langues africaines donne la mesure du problème. Les modèles étudiés couvrent 42 langues à eux tous, sur près de 2 000 langues du continent, soit environ 2 %. Trois systèmes d’écriture sur vingt-trois sont largement pris en charge, et les jeux de données publics recensés pour ces langues représentent environ 18 gigaoctets au total.
Côté français, un projet de souveraineté a livré des résultats concrets. OpenLLM-France et Linagora ont publié le 4 juin 2026 la famille Luciole, trois modèles de fondation de 1, 8 et 23 milliards de paramètres entraînés sur 5 000 milliards de tokens avec le supercalculateur Jean Zay. La composition du corpus est publique : 41,9 % d’anglais, 30,4 % de français, plusieurs langues européennes, de l’arabe, et 0,4 % consacré aux langues régionales de France et aux créoles. Les poids sont sous Apache 2.0, le code d’entraînement sous AGPL v3 et le jeu de données sous CC-BY-SA 4.0. Ces modèles servent de briques à spécialiser plutôt que d’assistants prêts à l’emploi, et l’équipe assume ce choix après l’accueil difficile réservé au chatbot Lucie en janvier 2025.
Les éditeurs commerciaux avancent aussi sur ce terrain. Mistral annonce plus de 40 langues pour sa famille Ministral 3, et Cohere maintient une gamme multilingue dédiée dont un modèle couvrant 70 langues. Pour un usage professionnel en français, la bonne pratique consiste à tester sur vos propres textes plutôt qu’à se fier à un classement général, parce que les écarts entre modèles se jouent souvent sur le vocabulaire métier.
Les limites qui subsistent
L’implicite résiste. Le sarcasme, l’euphémisme et l’allusion culturelle piègent encore les modèles. Un « ah bravo, beau travail » peut être pris au premier degré, et une analyse de sentiment automatisée se trompe régulièrement sur les avis clients ironiques.
Le calcul statistique tient lieu de compréhension. Un modèle de langage estime la probabilité du token suivant, et rien dans ce mécanisme ne vérifie les faits. Il produit donc des énoncés plausibles y compris quand ils sont faux, ce qui explique les hallucinations de l’IA. Une réponse bien écrite reste une réponse à vérifier.
L’explicabilité manque. Personne ne sait reconstituer le chemin exact qui mène un grand modèle à une réponse donnée. Ce point freine l’adoption dans les secteurs réglementés, et il pousse justement vers des modèles plus petits et auditables quand la décision doit être justifiée.
Les données d’entraînement portent des biais. Un modèle reproduit les régularités de son corpus, y compris les stéréotypes. Une extraction d’entités entraînée sur des noms majoritairement anglophones reconnaît moins bien les noms d’autres origines, et cet écart se mesure avant la mise en production.
Choisissez le modèle en fonction de la tâche, pas en fonction de sa notoriété. Pour rédiger, résumer ou raisonner, un grand modèle vaut son prix. Pour classer, extraire ou chercher par le sens, un petit modèle spécialisé ou un simple embedding fait le travail plus vite et pour une fraction du coût. Quand vous vous adressez à un grand modèle, donnez du contexte, soyez précis et vérifiez le résultat, parce que la fluidité d’une réponse ne dit rien de son exactitude. Le vocabulaire complet se trouve dans notre glossaire de l’intelligence artificielle.
Architecture Transformer, fenêtre de contexte, fine-tuning, RAG : notre guide reprend le fonctionnement des LLM depuis le début et compare les familles disponibles.