Corpus

Documentation des corpus

1500 Mots, corpus de mots illustrés

index.html                         consultation hors ligne (recherche, catégories, styles)
mots.csv / mots.json               1 553 fiches (une par mot illustré)
mots-outils.csv                    135 mots-outils (sans image)
images/<catégorie>/<id>/           9 images par mot (PNG, 512 × 512 px), 13 977 en tout :
    appli-1.png … appli-3.png        style simple, en aplats (applications)
    gouache-1.png … gouache-3.png    style gouache (livres)
    realiste-1.png … realiste-3.png  style réaliste (photo)
README.md, LICENCE.txt

Dans chaque style, les images sont classées de la meilleure (-1) à la moins bonne (-3). Le dossier d'un mot porte l'id de sa fiche (sans accent ni espace : elephant, ver-de-terre).

Les 12 catégories
DossierCatégorieMots
animauxLes animaux283
corpsLe corps46
nourritureLa nourriture216
vetementsLes vêtements112
maisonLa maison274
ecoleL'école47
jeuxJeux et sports175
personnesLes personnes98
transportsLes transports91
villeLa ville76
natureLa nature127
tempsLe temps8

Chaque catégorie est divisée en sous-catégories (« Ferme », « Fruits », « Meubles »…), données dans les fiches.

mots.csv, mots.json
ChampContenuExemple
ididentifiant, nom du dossier des imageschat
motle motchat
categorie, sous_categoriedossier de la catégorie, nom de la sous-catégorieanimaux, Animaux de compagnie
article, genre, nombrearticle défini, m/f, s/ple, m, s
naturenom, adjectif…nom
ipatranscription phonétique (API)ʃa
syllabes_ecritesdécoupage écrit : le e final forme une syllabe avec la consonne qui le précède (po-mme) ; dans une expression, les mots restent séparés par une espace (cor-de à lin-ge)chat
syllabes_oralesdécoupage oralchat
nb_syllabes, structurenombre de syllabes, structure (C = consonne, V = voyelle, S = semi-voyelle)1, CV
graphemesalignement des graphies sur les phonèmes ; un phonème vide marque une lettre muettech:ʃ|a:a|t:
zipffréquence du mot sur l'échelle Zipf (3 = une occurrence par million de mots, 6 = mille), d'après LeXiK4.42
imageschemins des 9 imagesimages/animaux/chat/appli-1.png

Dans le CSV, les syllabes sont séparées par -, les graphèmes par |, les images par ;. Le JSON contient les mêmes données sous forme de listes ; dans les listes de syllabes, un élément " " sépare les mots d'une expression. La phonétique, les syllabes et l'alignement sont produits par NLP-FR, l'analyseur de Lectura ; le genre, le nombre et la fréquence viennent de LeXiK.

Images : toutes générées par intelligence artificielle (FLUX.2 [klein] 4B, licence Apache 2.0) ; quelques-unes en partant d'une photo de référence du domaine public ou sous licence CC0. Pour les parties du corps, une flèche rouge, dessinée par programme, désigne la partie. Chaque image a été contrôlée (exactitude, conformité au mot, style) et régénérée si besoin ; les cas difficiles ont été tranchés par un humain. Une image incohérente ou peu satisfaisante peut être signalée à lectura.world@gmail.com (par exemple animaux/chat/gouache-2) : Lectura la corrige ou la remplace, et la correction entre dans une mise à jour du corpus.

Corpus de syllabes

data/syllabes.csv           4 946 syllabes
data/syllabes_liaison.csv   166 syllabes qui n'apparaissent qu'en liaison ou en enchaînement (/zɑ̃/ dans « les enfants »)
data/phonemes.csv           les 36 phonèmes du français, puis 13 unités écrites d'un bloc (oi = /wa/, x = /ks/)
data/pedagogique.csv        1 269 sons et syllabes d'apprentissage, dans l'ordre de la progression
data/composants.csv         181 composants des syllabes : 19 voyelles, 25 consonnes, 137 groupes de consonnes
audio/siwis/                5 347 sons WAV (22 050 Hz, 16 bits, mono ; 191 Mo) : 5 210 pour les syllabes,
                            liaisons, phonèmes et sons d'apprentissage (un par prononciation),
                            137 pour les groupes de consonnes
README.md, LICENCE.txt

Quand une case contient plusieurs valeurs, elles sont séparées par ;, dans le même ordre d'une colonne à l'autre.

syllabes.csv et syllabes_liaison.csv donnent pour chaque syllabe sa transcription phonétique (syllabe_ipa, ex. de), ses graphies possibles de la plus fréquente à la moins fréquente (graphies, ex. des;dé;der;dée) et son fichier son (son, ex. s0007.wav). Une graphie comprend les lettres muettes de la syllabe (fants dans enfants).

syllabes.csv, syllabes_liaison.csv
ColonneContenuExemple
syllabe_ipatranscription phonétiquede
frequencefréquence dans le texte : occurrences par million de mots18137.04
nb_motsnombre de mots différents du lexique qui contiennent la syllabe5210
graphiesgraphies possibles, de la plus fréquente à la moins fréquentedes;dé;der;dée
frequences_graphiesfréquence de chaque graphie10723.4;5976.29;616.61;277.44
nb_mots_graphiesnombre de mots pour chaque graphie1890;2410;350;120
sonfichier de audio/siwis/s0007.wav

Une graphie est retenue si elle représente au moins 0,5 % des occurrences de la syllabe. Les syllabes de liaison et quelques syllabes rares n'ont pas de fréquence. phonemes.csv a les mêmes colonnes, avec phoneme et type (phonème ou unité composée) à la place de syllabe_ipa.

Les fréquences sont calculées par Lectura sur les 70 173 formes les plus fréquentes du français (LeXiK), prononcées et découpées en syllabes par NLP-FR, l'analyseur de Lectura. La fréquence dans le texte compte, pour chaque occurrence d'une syllabe, la fréquence du mot qui la contient : elle dit ce qu'un lecteur rencontre le plus souvent (« de » vient en tête). Le nombre de mots compte les mots différents qui contiennent la syllabe, une fois par mot : il dit dans combien de mots on la retrouve. Un mot qui contient la syllabe sous deux graphies compte une fois pour chacune.

pedagogique.csv
ColonneContenuExemple
orthole son ou la syllabe écritegea
phoneprononciation(s), la plus attendue en têtepo;pɔ
sonsfichier(s) de audio/siwis/, dans le même ordres0271.wav;s0073.wav

composants.csv donne les morceaux qui forment les syllabes : le noyau (la voyelle), l'attaque (la ou les consonnes avant la voyelle) et la coda (la ou les consonnes après). Un composant n'apparaît qu'une fois, avec sa ou ses positions ; seuls ceux présents dans au moins 3 mots différents du lexique sont donnés.

composants.csv
ColonneContenuExemple
composantle composant en phonétiquetʁ
naturevoyelle, consonne ou groupe (de consonnes)groupe
positionattaque, coda, ou les deux ; noyau pour une voyelleattaque;coda
frequence_attaque, nb_mots_attaquefréquence (par million de mots) et nombre de mots, en attaque11782.1, 3655
frequence_coda, nb_mots_codales mêmes, en coda8924.97, 300
frequence_noyau, nb_mots_noyaules mêmes, pour une voyelle
graphiesgraphies possibles, de la plus fréquente à la moins fréquentetr;ttr
frequences_graphiesfréquence de chaque graphie19793.6;896.37
sonfichier de audio/siwis/ : le composant dit seulg0001.wav

Chaque son est synthétisé seul, depuis sa phonétique, avec la voix siwis du synthétiseur vocal de Lectura, entraînée sur la SIWIS French Speech Synthesis Database (CC BY 4.0).