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).
| Dossier | Catégorie | Mots |
|---|---|---|
animaux | Les animaux | 283 |
corps | Le corps | 46 |
nourriture | La nourriture | 216 |
vetements | Les vêtements | 112 |
maison | La maison | 274 |
ecole | L'école | 47 |
jeux | Jeux et sports | 175 |
personnes | Les personnes | 98 |
transports | Les transports | 91 |
ville | La ville | 76 |
nature | La nature | 127 |
temps | Le temps | 8 |
Chaque catégorie est divisée en sous-catégories (« Ferme », « Fruits », « Meubles »…), données dans les fiches.
| Champ | Contenu | Exemple |
|---|---|---|
| id | identifiant, nom du dossier des images | chat |
| mot | le mot | chat |
| categorie, sous_categorie | dossier de la catégorie, nom de la sous-catégorie | animaux, Animaux de compagnie |
| article, genre, nombre | article défini, m/f, s/p | le, m, s |
| nature | nom, adjectif… | nom |
| ipa | transcription phonétique (API) | ʃa |
| syllabes_ecrites | découpage 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_orales | découpage oral | chat |
| nb_syllabes, structure | nombre de syllabes, structure (C = consonne, V = voyelle, S = semi-voyelle) | 1, CV |
| graphemes | alignement des graphies sur les phonèmes ; un phonème vide marque une lettre muette | ch:ʃ|a:a|t: |
| zipf | fréquence du mot sur l'échelle Zipf (3 = une occurrence par million de mots, 6 = mille), d'après LeXiK | 4.42 |
| images | chemins des 9 images | images/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).
| Colonne | Contenu | Exemple |
|---|---|---|
| syllabe_ipa | transcription phonétique | de |
| frequence | fréquence dans le texte : occurrences par million de mots | 18137.04 |
| nb_mots | nombre de mots différents du lexique qui contiennent la syllabe | 5210 |
| graphies | graphies possibles, de la plus fréquente à la moins fréquente | des;dé;der;dée |
| frequences_graphies | fréquence de chaque graphie | 10723.4;5976.29;616.61;277.44 |
| nb_mots_graphies | nombre de mots pour chaque graphie | 1890;2410;350;120 |
| son | fichier 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.
| Colonne | Contenu | Exemple |
|---|---|---|
| ortho | le son ou la syllabe écrite | gea |
| phone | prononciation(s), la plus attendue en tête | po;pɔ |
| sons | fichier(s) de audio/siwis/, dans le même ordre | s0271.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.
| Colonne | Contenu | Exemple |
|---|---|---|
| composant | le composant en phonétique | tʁ |
| nature | voyelle, consonne ou groupe (de consonnes) | groupe |
| position | attaque, coda, ou les deux ; noyau pour une voyelle | attaque;coda |
| frequence_attaque, nb_mots_attaque | fréquence (par million de mots) et nombre de mots, en attaque | 11782.1, 3655 |
| frequence_coda, nb_mots_coda | les mêmes, en coda | 8924.97, 300 |
| frequence_noyau, nb_mots_noyau | les mêmes, pour une voyelle | |
| graphies | graphies possibles, de la plus fréquente à la moins fréquente | tr;ttr |
| frequences_graphies | fréquence de chaque graphie | 19793.6;896.37 |
| son | fichier de audio/siwis/ : le composant dit seul | g0001.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).