Le corpus¶

Le corpus a deux parties, de nature très différente.

1. Les phrases traduites par le locuteur¶

C'est la partie la plus précieuse : du soninké naturel, avec sa traduction française. Elle vit dans corpus/valide/ (une ligne JSON par phrase).

Fichier	Contenu
`texte_journee.jsonl`	une journée ordinaire, 8 paragraphes
`texte_marche.jsonl`	dialogue au marché, 26 phrases
`texte_village.jsonl`	récit d'un voyage au village, 27 phrases
`serie_02.jsonl`, `serie_03.jsonl`	réponses aux questionnaires

Les textes d'origine sont dans data/sources/, avec les deux langues en regard.

Chaque ligne conserve la saisie d'origine du locuteur à côté de la version convertie dans l'orthographe du projet.

2. Les phrases produites par le moteur¶

Le moteur combine verbes, pronoms, temps, objets et compléments, et n'écrit que ce qu'il sait justifier. Aujourd'hui, cela donne environ 1 800 phrases avec leur traduction.

uv run snk-engine generer --apercu 30
uv run snk-engine generer -f jsonl -o output/corpus-moteur

Exemples :

nke daga saxa                  je suis parti au marché
anke n'yi wurunu              tu courais
ake n'di maro ke n'yiga        il a mangé le riz
i na xati m'mini               ils boivent du lait
xaku n'yi rini daga kumbene   vous partirez demain

Comment les phrases absurdes sont évitées¶

un verbe intransitif ne reçoit pas d'objet : on ne « part » pas un objet ;
chaque objet est lié aux verbes qui l'acceptent : on boit le lait, on ne le mange pas ;
les compléments de temps s'accordent au temps du verbe : « hier » ne va pas au futur.

Publier sur Hugging Face¶

uv run hf auth login
uv run snk-engine push mon-compte/soninke-corpus

La fiche du dataset est écrite automatiquement. Elle indique que les phrases produites par le moteur sont synthétiques, ce qui est une information indispensable pour qui réutilise le corpus.