# LeXiK — Guide d'utilisation

Version 1.0, octobre 2026 (base LeXiK 1.2.3 du 14/10/2026 13:25).

Ce guide explique ce que contient LeXiK et comment le lire. La façon dont
la base a été construite (sources, arbitrage entre sources, contrôles) est
décrite à part, dans `provenance/DOCUMENTATION_PROVENANCE.md`.

**Sommaire**

1. Qu'est-ce que LeXiK
2. Prise en main
3. Les quatre sous-lexiques
4. Le fichier des formes
5. Le fichier des lemmes
6. La prononciation
7. L'alignement graphème–phonème
8. La syllabation et l'orthocode
9. L'analyse grammaticale
10. Les fréquences
11. L'indice de confiance
12. Les sources
13. Limites connues
14. Format des fichiers

---

## 1. Qu'est-ce que LeXiK

### 1.1 En bref

LeXiK est un **lexique de formes fléchies et de leurs lemmes** pour le
français. Une forme fléchie est un mot tel qu'il s'écrit dans un texte
(*mangeons*, *petites*, *chevaux*) ; son lemme est la forme sous laquelle on
le cherche dans un dictionnaire (*manger*, *petit*, *cheval*).

Pour chaque forme, LeXiK donne :

- sa **prononciation**, en alphabet phonétique international (API), découpée
  en syllabes ;
- son **analyse grammaticale** : lemme, catégorie, genre, nombre, temps,
  personne… ;
- son **alignement graphème–phonème** : quelles lettres écrivent quel son ;
- son **orthographe découpée en syllabes** (l'« orthocode ») ;
- ses **fréquences** dans trois corpus (sous-titres de films, Wikipédia,
  littérature), avec la part de chacune de ses analyses.

Pour chaque lemme, il donne :

- ses **propriétés** : genre, féminin et pluriel, groupe et auxiliaire d'un
  verbe, type d'un nom propre (prénom, lieu…) ;
- sa **fréquence**, somme de celles de ses formes ;
- et, par le fichier des formes, la liste de toutes ses formes fléchies avec
  leur prononciation.

### 1.2 Quatre sous-lexiques

LeXiK se compose de quatre **sous-lexiques** ; chaque entrée appartient à l'un d'eux (§3) :

| Sous-lexique | Contenu | Graphies | Entrées | Lemmes |
|---|---|---:|---:|---:|
| `Mots` | mots simples et composés, communs et propres | 2 240 213 | 2 877 446 | 752 058 |
| `MultiMots` | locutions et phrases | 80 258 | 82 570 | — |
| `Spéciaux` | sigles, abréviations, symboles, éléments | 45 423 | 45 919 | — |
| `Non classé` | formes qu'on n'a pas pu ranger | 103 184 | 107 641 | — |

Chaque sous-lexique a son fichier (`lexik_formes_mots.tsv`,
`lexik_formes_multimots.tsv`, `lexik_formes_speciaux.tsv`,
`lexik_formes_non_classes.tsv` : 2 580 027 lignes en tout), avec les
colonnes qui le concernent. Seuls les mots ont un fichier des lemmes,
`lexik_lemmes.tsv`, relié aux formes par la colonne `id_lemme`. Les trois
autres sous-lexiques ont un fichier qui se suffit à lui-même, une ligne par
entrée, avec les propriétés sur la ligne ; pour une locution, la fréquence
compte toutes ses formes.

Les trois premiers sous-lexiques font l'objet de trois publications
séparées sur ORTOLANG (**LeXiK Mots**, **LeXiK MultiMots**, **LeXiK
Spéciaux**), avec le même format.

### 1.3 Ce qui le distingue

1. **Les noms propres.** 415 707 entrées de noms propres
   (prénoms, noms de famille, communes, lieux), avec leur prononciation.
2. **Une phonétique enrichie.** La prononciation ne se limite pas aux
   phonèmes : elle note ce que la forme isolée ne laisse pas deviner, la
   consonne de liaison (*petit* `pə.ti[t]`), le son qui change en liaison
   (*bon* `bɔ̃[ɔ̃>ɔn]`), le h aspiré, les variantes libres, et elle est
   découpée en syllabes (§6.2).
3. **Des mots absents des sources, prononcés.** 587 436 analyses
   qu'aucune source ne prononçait ont reçu une prononciation du modèle
   graphème → phonème de Lectura (confiance `G`, §6.5).
4. **Une prononciation, un alignement et une syllabation qui concordent.**
   Pour chaque syllabe prononcée, on sait quelles lettres l'écrivent.
5. **Des fréquences par analyse.** La fréquence de *mange* est répartie
   entre l'indicatif (1ʳᵉ et 3ᵉ personne), le subjonctif et l'impératif.
6. **Une provenance documentée.** Chaque prononciation est tracée : quelle
   source l'a proposée et pourquoi elle a été retenue (dossier
   `provenance/`).

LeXiK n'est pas un dictionnaire : il ne donne ni définitions ni sens, et ne
distingue pas deux sens d'un même mot.

Le sens est l'objet d'un projet distinct, **WikiLexik**, consultable en
ligne sur <https://lexique.lectura.world>. Il branche sur les lemmes de
LeXiK deux autres couches : la couche **sémantique** du Wiktionnaire (sens,
définitions, synonymes, via l'extraction Kaikki) et la couche
**encyclopédique** de Wikidata (les entités liées à un mot : personnes,
lieux, œuvres…, avec leurs articles Wikipédia). LeXiK reste la référence
des formes ; WikiLexik y rattache ce qu'elles veulent dire.

---

## 2. Prise en main

### 2.1 Contenu du dépôt

```
LISEZ-MOI.md                  présentation, licence, citation
DOCUMENTATION.md / .pdf       ce guide
LICENSE                       licence CC BY-SA 4.0
lexik_formes_mots.tsv.gz         les mots
lexik_formes_multimots.tsv.gz    les locutions et phrases
lexik_formes_speciaux.tsv.gz     les formes spéciales
lexik_formes_non_classes.tsv.gz  les formes non classées
lexik_lemmes.tsv.gz              le fichier des lemmes des mots
annexes/
    lexik_multext.tsv.gz      les codes grammaticaux MULTEXT et leur sens (§9)
    lexik_pronominaux.tsv.gz  la part pronominale de chaque verbe (§10.5)
provenance/
    DOCUMENTATION_PROVENANCE.md / .pdf   construction de la base
    lexik_provenance.tsv.gz              origine de chaque prononciation (et des propriétés hors mots)
    lexik_lemmes_provenance.tsv.gz       origine des propriétés des lemmes
checksums.sha256              sommes de contrôle
```

### 2.2 Ouvrir les fichiers

Les fichiers sont des tableaux texte, une colonne par tabulation,
compressés en gzip. Le fichier des lemmes s'ouvre dans un tableur après
décompression (séparateur : **tabulation** ; délimiteur de texte :
**aucun**). Le fichier des formes (2 580 027 lignes) dépasse la limite des
tableurs (1 048 576 lignes) pour les mots ; les autres fichiers s'ouvrent
dans un tableur. En ligne de commande, en Python ou en SQL :

```
zgrep -P "^petit\t" lexik_formes_mots.tsv.gz
```

```python
import csv, pandas as pd
mots = pd.read_csv("lexik_formes_mots.tsv.gz", sep="\t", quoting=csv.QUOTE_NONE,
                   dtype=str, keep_default_na=False)
mots[mots.ortho == "petit"]
```

```sql
SELECT * FROM read_csv('lexik_formes_mots.tsv.gz', delim='\t', quote='',
                       header=true, all_varchar=true)
WHERE ortho = 'petit';
```

### 2.3 Lire une ligne

Voici la ligne de *petit* adjectif, colonne par colonne :

| Colonne | Valeur | Ce qu'elle dit |
|---|---|---|
| `ortho` | `petit` | la forme écrite |
| `lemme` | `petit` | son lemme |
| `id_lemme` | `petit#ADJ` | l'identifiant du lemme, lien vers le fichier des lemmes |
| `upos` | `ADJ` | adjectif |
| `multext` | `Afpms` | adjectif qualificatif, masculin singulier (§9) |
| `phone` | `pə.ti[t]` | /pə.ti/, avec un *t* qui se prononce en liaison (*petit ami*) (§6) |
| `alignement` | `p=p ə=e t=t i=i [t]=t°` | *p* écrit /p/, *e* écrit /ə/…, le *t* final est muet mais porte la liaison (§7) |
| `orthocode` | `pe.tit°` | deux syllabes écrites, *t* final muet (§8) |
| `composition` | *(vide)* | rempli seulement pour les mots composés |
| `freq_opensubtitles` | `485.845` | fréquence de la graphie *petit* (toutes analyses) par million de mots, dans les sous-titres (§10) |
| `freq_wikipedia`, `freq_gutenberg` | `168.391`, `454.248` | idem dans Wikipédia et dans Gutenberg |
| `parts_opensubtitles` | `0.944` | part de cette analyse dans la fréquence de la graphie (§10) |
| `parts_wikipedia`, `parts_gutenberg` | `0.983`, `0.944` | idem |
| `confiance` | `A` | prononciation confirmée par plusieurs sources (§11) |

### 2.4 Quelques cas limites

Une graphie qui relève de plusieurs lemmes a plusieurs lignes ; un lemme
qui a plusieurs analyses pour une même graphie n'en a qu'une.

| Graphie | Lignes | Prononciation | Ce que montre l'exemple |
|---|---|---|---|
| *livre* | `livre#NOUN#1` (masculin) ; `livre#NOUN#2` (féminin) ; `livrer#VERB` | livʁ | deux noms homonymes de genres différents sont deux lemmes, numérotés ; les cinq analyses du verbe (*je livre*, *il livre*, *livre !*, *que je livre*, *qu'il livre*) tiennent sur une ligne |
| *fils* | `fils#NOUN` ; `fil#NOUN` | fis / fil[z] | *fils* « enfant » et *fils* pluriel de *fil* : même graphie, deux lemmes, deux prononciations |
| *avocat* | `avocat#NOUN` | a.vɔ.ka[t] | l'homme de loi et le fruit : même lemme, même catégorie, même genre, donc une seule ligne |
| *couvent* | `couvent#NOUN` ; `couver#VERB` | ku.vɑ̃[t] / kuv[t] | même graphie, prononciations différentes : chaque ligne a la sienne |
| *est* | `être#AUX`, `être#VERB` ; `est#NOUN`, `est#ADJ` | {e\|ɛ}[t] / ɛst | le verbe et le point cardinal |
| *mousse* | `mousse#NOUN#1` (féminin) ; `mousse#NOUN#2` (masculin) ; `mousse#ADJ` ; `mousser#VERB` | mus | quatre lemmes pour une graphie et une prononciation |

Le genre n'entre dans l'identifiant du lemme (`#1`, `#2`) que pour
départager deux homonymes ; sinon, il est dans les propriétés du lemme
(§5).

---

## 3. Les quatre sous-lexiques

### 3.1 Mots

#### Mots simples

Un mot simple est une suite de lettres sans tiret, apostrophe ni espace à
l'intérieur : *maison*, *mangeons*, *Paris*. Les formes élidées (*l'*,
*qu'*) et les pronoms postposés (*-elle*, *-nous*) sont aussi des mots
simples : le tiret ou l'apostrophe n'y marque que le rattachement au mot
voisin.

| | Graphies | Analyses | Lemmes |
|---|---:|---:|---:|
| Noms communs et autres | 1 693 055 | 2 257 128 | 311 294 |
| Noms propres | 326 049 | 352 270 | 325 741 |

#### Mots composés

Un mot composé est formé de segments reliés par un tiret, une apostrophe ou
une espace : *arc-en-ciel*, *aujourd'hui*, *pomme de terre*.

- Un composé à **tiret** ou à **apostrophe** est un mot dès qu'une source
  l'atteste.
- Une suite à **espace** n'est un mot que si elle est attestée comme unité
  par au moins deux sources indépendantes, ou annotée au moins trois fois
  comme expression figée dans les corpus annotés libres (treebanks
  Universal Dependencies). Cela donne une liste fermée de
  943 lemmes (*pomme de terre*, *alter ego*, *à jeun*,
  *parce que*, *en fait*, *tout à fait*). Les autres suites à espace sont
  des locutions (sous-lexique MultiMots).

La colonne `composition` donne la catégorie et le lemme de chaque segment :
`arc:NOUN:arc en:ADP:en ciel:NOUN:ciel`.

| | Graphies | Analyses | Lemmes |
|---|---:|---:|---:|
| Noms communs et autres | 137 455 | 179 653 | 29 030 |
| Noms propres | 86 159 | 88 395 | 86 118 |

### 3.2 Locutions et phrases (`MultiMots`)

Toutes les suites à espace qui ne sont pas des mots au sens du §3.1 sont
des **locutions**, quelle que soit leur catégorie : verbales (*avoir
lieu*), nominales (*pomme de discorde*), adverbiales (*à la rigueur*)…
Les verbes que les sources donnent avec leur pronom (*se battre*,
*s'évanouir*) sont aussi des locutions, à l'infinitif.

#### Une seule forme : la forme de citation

Une locution est enregistrée sous sa **forme de citation** seulement, sans
ses flexions : *avoir lieu*, pas *a eu lieu*. La colonne `flechir` donne le
ou les mots qui portent la flexion : *avoir lieu* → `avoir` ; *faire
attention* → `faire` ; *pomme de discorde* → `pomme`. Pour retrouver une
forme fléchie, on fléchit ce mot avec le fichier des formes de LeXiK Mots.

#### Les phrases

Les phrases du Wiktionnaire (proverbes, formules, répliques figées) n'ont
pas d'analyse grammaticale ; leur prononciation est celle que donne le
Wiktionnaire (confiance `K`).

### 3.3 Formes spéciales (`Spéciaux`)

Les formes spéciales viennent d'un **inventaire** établi à partir des
entrées du Wiktionnaire (extraction Kaikki), puis **complété et relu à la
main**. Chaque forme y a sa lecture et sa **forme développée** (*km* →
*kilomètre*, *SNCF* → *Société nationale des chemins de fer français*).

Une forme entre dans les Spéciaux par sa **forme** (plusieurs majuscules,
chiffres, caractères non alphabétiques) ou par sa **lecture**, qui n'est
pas celle d'un mot (*km* se lit *kilomètre*). La colonne `type` dit de quoi
il s'agit :

| `type` | Entrées | Exemples |
|---|---:|---|
| `sigle` | 3 657 | *SNCF* (épelé), *PL* |
| `acronyme` | 1 113 | *ONU*, *MOOC* (lu comme un mot) |
| `abreviation` | 721 | *M.* (monsieur), *etc.* |
| `unite` | 215 | *km*, *kg* |
| `code` | 224 | *KRW* (won sud-coréen) |
| `mixte` | 243 | *O2* (dioxygène), *GitLab* |
| `lettre` | 133 | *ψ* (psi) |
| `nombre` | 88 | *Xe* (dixième), *2nde* |
| `symbole` | 62 | *%* (pour cent), *=* (égale) |
| `prefixe`, `suffixe`, `interfixe` | 1 005, 465, 5 | *anti-*, *-able* |
| `element` | 37 988 | morceau d'un nom composé qui n'existe pas seul : *Séponet* (de *Suc de Séponet*) |

Les **éléments** sont les segments de mots composés qui n'ont pas d'entrée
propre dans LeXiK Mots. Ils sont publiés pour que chaque segment d'un
composé ait une prononciation ; leur développement donne le ou les composés
dont ils viennent.

### 3.4 Formes non classées (`Non classé`)

Ce sont les formes que LeXiK n'a pas pu ranger dans les trois autres
sous-lexiques. Elles sont de deux origines :

- **issues des lexiques** (15 038 entrées) : des entrées
  des sources qui ne sont ni des mots, ni des locutions, ni des formes
  spéciales au sens de LeXiK (noms de molécules, graphies fautives ou sans
  accent, entrées incomplètes) ; la colonne `type` en donne parfois la
  raison (`accent manquant ou fautif`) ;
- **issues des corpus** (13 867 noms communs et
  78 736 noms propres candidats) : des formes
  fréquentes dans les corpus mais absentes de toutes les sources, relevées
  comme candidates (`type` = `candidat`) ; elles n'ont ni prononciation ni
  analyse, seulement leurs fréquences.

Ces formes ne sont pas publiées sur ORTOLANG. Elles servent de réservoir
pour les versions suivantes.

---

## 4. Les fichiers de formes (`lexik_formes_*.tsv`)

Les quatre fichiers ont la même organisation et des colonnes communes ;
chacun n'a que les colonnes utiles à son sous-lexique (dernière colonne du tableau
ci-dessous). Une ligne par **entrée**, c'est-à-dire par couple (graphie, lemme). Quand une
graphie a plusieurs analyses pour un même lemme, elles sont réunies sur la
même ligne : leurs codes `multext` sont séparés par `;`, et les colonnes
`parts_*` suivent le même ordre.

| Colonne | Contenu | Voir | Fichiers |
|---|---|---|---|
| `ortho` | la graphie | | tous |
| `lemme` | le lemme (pour une forme non classée, tel que proposé par sa source, non vérifié) | | mots, non classés |
| `id_lemme` | `lemme#CATÉGORIE`, plus `#1`, `#2` pour départager deux homonymes ; lien vers le fichier des lemmes | §5 | mots |
| `upos` | la catégorie grammaticale (NOUN, VERB, ADJ…) | §9 | tous |
| `multext` | le code grammatical complet de chaque analyse, séparés par `;` | §9 | tous |
| `phone` | la prononciation, avec ses marques (liaison, h aspiré, variantes) | §6 | tous |
| `alignement` | les couples phonème=graphème | §7 | mots, locutions, spéciaux (vide) |
| `orthocode` | l'orthographe découpée en syllabes | §8 | mots, locutions, spéciaux (vide) |
| `composition` | pour un composé ou une locution, ses segments : `segment:catégorie:lemme` | §3 | mots, locutions |
| `flechir` | pour une locution, le ou les mots qui portent la flexion | §3.2 | locutions |
| `type` | pour une forme spéciale ou non classée, son type | §3.3, §3.4 | spéciaux, non classés |
| `developpement`, `developpement_pluriel` | pour une forme spéciale, ce qu'elle abrège | §3.3 | spéciaux |
| `proprietes` | propriétés de l'entrée (genre, pluriel, groupe du verbe…), comme celles d'un lemme | §5 | locutions, spéciaux, non classés |
| `freq_opensubtitles`, `freq_wikipedia`, `freq_gutenberg` | fréquence de la graphie, par million de mots ; pour une locution, de toutes ses formes | §10 | tous |
| `parts_opensubtitles`, `parts_wikipedia`, `parts_gutenberg` | part de chaque analyse dans cette fréquence | §10 | mots, non classés |
| `confiance` | d'où vient la prononciation et par quoi elle est confirmée | §11 | tous |

D'autres informations se calculent à partir de ces fichiers :

- **les homophones** : les entrées de même prononciation brute (§6.4) ;
- **les mots à h aspiré** : les entrées dont `phone` commence par `*h*` ;
- **la fréquence d'une analyse** : fréquence de la graphie × part (§10) ;
- **l'indice Zipf** : log₁₀(fréquence) + 3.

---

## 5. Le fichier des lemmes (`lexik_lemmes.tsv`)

Un lemme regroupe toutes les formes fléchies d'un même mot.

| Colonne | Exemple (*manger*) | Contenu |
|---|---|---|
| `id_lemme` | `manger#VERB` | identifiant, lien vers le fichier des formes |
| `lemme`, `upos` | `manger`, `VERB` | le lemme et sa catégorie |
| `proprietes` | `groupe:1;auxiliaire:avoir;pronominal:possible;transitivite:td,i` | propriétés, en `clé:valeur` séparées par `;` |
| `freq_opensubtitles`, `freq_wikipedia`, `freq_gutenberg` | | fréquence du lemme par million de mots (somme de ses formes) |

La prononciation d'un lemme, sa confiance et la liste de ses formes se
lisent dans le fichier des formes, par `id_lemme`.

Les propriétés possibles :

| Clé | Valeurs | Pour |
|---|---|---|
| `genre` | `m`, `f`, `m,f` | noms, adjectifs, noms propres, déterminants, pronoms |
| `epicene` | `oui` : même forme aux deux genres (*artiste*) ; `non` : féminin distinct | lemmes à deux genres |
| `invariable` | `oui` : même forme au singulier et au pluriel (*souris*) | lemmes à deux nombres |
| `nombre` | `s` singulier seulement, `p` pluriel seulement (*funérailles*) | |
| `feminin`, `pluriel` | adjectifs : forme du féminin, du pluriel ; noms : lemme féminin (*acteur* → *actrice*) | |
| `masculin` | lemme masculin (*actrice* → *acteur*) | noms féminins |
| `groupe` | `1`, `2`, `3` | verbes |
| `auxiliaire` | `avoir`, `être`, `avoir,être` | verbes |
| `pronominal` | `essentiel` (*s'évanouir*), `possible` (*se laver*) | verbes |
| `transitivite` | `td` direct, `ti` indirect, `i` intransitif | verbes |
| `impersonnel`, `defectif` | `oui` | verbes |
| `type` | `prenom`, `patronyme`, `lieu`, `autre` (plusieurs possibles) | noms propres |
| `sous_type` | `commune`, `relief`, `hydrographie`, `vegetation`, `lieu_habite`, `zone`, `division_administrative` | lieux |
| `ortho_1990` | `rectifiee`, `traditionnelle` | graphies concernées par les rectifications de 1990 |
| `etranger` | `oui` | emprunts non francisés |

Trois conventions :

- un nom féminin est son propre lemme (*actrice*, pas *acteur*) ; le lien
  entre les deux est dans `masculin` et `feminin` ;
- un verbe essentiellement pronominal est cité sans son pronom
  (*évanouir*, avec `pronominal:essentiel`) ;
- deux homonymes de même catégorie mais de genres différents sont deux
  lemmes (`livre#NOUN#1`, masculin ; `livre#NOUN#2`, féminin) ; de même
  quand leur flexion diffère (`ciel#NOUN#1`, pluriel *cieux* ;
  `ciel#NOUN#2`, pluriel *ciels*). Une forme commune aux deux (*ciel*)
  est rattachée au premier.

Le fichier des lemmes ne couvre que les mots. Les locutions, les formes
spéciales et les formes non classées n'y figurent pas : leurs propriétés
sont dans la colonne `proprietes` de leur fichier, dans les mêmes
`clé:valeur`.

---

## 6. La prononciation

### 6.1 Les phonèmes

LeXiK utilise 36 phonèmes, notés en alphabet phonétique international :

| Classe | Phonèmes |
|---|---|
| Voyelles orales | `a e ɛ i o ɔ u y ø œ ə` |
| Voyelles nasales | `ɑ̃ ɛ̃ ɔ̃ œ̃` |
| Semi-voyelles | `j w ɥ` |
| Consonnes | `p b t d k ɡ f v s z ʃ ʒ m n ɲ ŋ l ʁ` |

Choix retenus :

- **un seul *a*** : le *a* postérieur (*pâte*) est noté /a/, comme celui de
  *patte* ; peu de locuteurs les distinguent encore ;
- **/œ̃/ distinct de /ɛ̃/** (*brun* /bʁœ̃/, *brin* /bʁɛ̃/) : qui ne fait pas la
  différence peut fusionner les deux, l'inverse serait impossible ;
- **un seul r**, /ʁ/ ;
- **les sons des emprunts en deux phonèmes** : *tchèque* /tʃɛk/, *jean*
  /dʒin/ ;
- **caractères** : `ɡ` est le caractère phonétique U+0261, pas la lettre
  `g` ; une voyelle nasale est la voyelle suivie du tilde combinant U+0303.

### 6.2 Lire la colonne `phone`

La colonne `phone` contient les phonèmes et quelques signes.

**Les frontières**

| Signe | Sens | Exemple |
|---|---|---|
| `.` | frontière de syllabe | *petit* `pə.ti` |
| `‿` | **pont** : une syllabe enjambe la frontière entre deux segments d'un mot composé | *États-Unis* `e.ta.z‿y.ni` |

Le pont est le signe de liaison de l'API. Dans *États-Unis*, le /z/ final
du premier segment forme une syllabe avec le /y/ du second : /e.ta.z‿y.ni/.
Il sert pour la liaison (*États-Unis*), l'enchaînement (*arc-en-ciel*
/aʁ.k‿ɑ̃.sjɛl/) et l'élision (*aujourd'hui* /o.ʒuʁ.d‿ɥi/). Quand les
segments ne partagent pas de syllabe, la frontière est un simple point
(*pomme de terre* /pɔm.də.tɛʁ/). Dans un mot, les tirets, apostrophes et
espaces n'apparaissent pas dans la prononciation ; l'alignement dit où ils
sont (§7). Dans une **locution** ou une **phrase**, au contraire, chaque mot
garde sa prononciation et les mots sont séparés par une espace
(*avoir lieu* /a.vwaʁ ljø/) ; le pont remplace l'espace quand une syllabe
relie deux mots (*faire attention* /fɛ.ʁ‿a.tɑ̃.sjɔ̃/).

**Les marques** : elles notent ce que la forme isolée ne laisse pas deviner.

| Marque | Sens | Exemple |
|---|---|---|
| `[t]`, `[z]`, `[n]`… | **consonne latente** : muette quand le mot est seul, prononcée en liaison devant une voyelle | `pə.ti[t]` : *petit* /pə.ti/, *petit ami* /pə.ti.ta.mi/ |
| `[a>b]` | la liaison **remplace** un son : `a` seul, `b` devant voyelle | `bɔ̃[ɔ̃>ɔn]` : *bon* /bɔ̃/, *bon ami* /bɔ.na.mi/ |
| `[a>b;a>c]` | deux contextes : devant voyelle, puis devant consonne | `dis[s>z;s>]` : *dix* /dis/, *dix amis* /di.za.mi/, *dix tomates* /di.tɔ.mat/ |
| `{a\|b}` | **variante libre**, la plus courante en premier | `{ɛ\|e}ɡ.zɔ̃.de` : *exonder* /ɛɡ.zɔ̃.de/ ou /eɡ.zɔ̃.de/ |
| `*h*` au début | **h aspiré** : ni liaison ni élision (*le héros*, *la hache*) | `*h*e.ʁo[z]` |

Le h muet ne se note pas : il ne bloque rien (*l'homme*, *les hommes*).

### 6.3 Les conventions de notation

Les dictionnaires ne se contredisent le plus souvent pas sur la
prononciation : ils l'écrivent de façons différentes (schwa noté ou non,
*o* ouvert ou fermé…). LeXiK fixe une **forme unique**, selon un principe :
**on note ce qui ne se devine pas, on ne note pas ce qui se calcule**.

| Règle | Question | Choix de LeXiK | Exemple |
|---|---|---|---|
| C1 | *o/ɔ*, *e/ɛ*, *ø/œ* en dernière syllabe | selon le mot (les sources votent) ; en cas d'égalité, variante `{a\|b}` | *pot* /po/, *porc* /pɔʁ/ |
| C2 | *o/ɔ*, *e/ɛ*, *ø/œ* ailleurs | d'après l'orthographe : *au*, *eau*, *ô* → /o/, *o* → /ɔ/ ; *é* → /e/, *è*, *ê*, *ai* → /ɛ/ | *beauté* /bo.te/, *botté* /bɔ.te/ |
| C3 | *e* muet final | jamais noté | *table* /tabl/ |
| C4 | *e* muet intérieur | toujours noté (sa chute se calcule, son ajout non) | *samedi* /sa.mə.di/ |
| C5 | *e* muet noté /ø/ par certaines sources | toujours /ə/ | *renoter* /ʁə.nɔ.te/ |
| C6 | *i*, *u*, *ou* + voyelle, après consonne + *l* ou *r* | deux syllabes | *plier* /pli.je/ |
| C7 | *i*, *u*, *ou* + voyelle, ailleurs | une syllabe (semi-voyelle) | *distribuez* /dis.tʁi.bɥe/ |
| C8 | finale *-isme* | /ism/ | *réalisme* /ʁe.a.lism/ |
| C9 | consonne qui s'assourdit au contact d'une autre | notée assourdie ; la forme d'origine en variante | *absent* /ap.sɑ̃/, noté `a{p\|b}.sɑ̃` |
| C10 | *gn* et *ni* + voyelle | /ɲ/ pour *gn*, /nj/ pour *ni* ; /ɡn/ pour quelques mots savants | *agneau* /a.ɲo/, *panier* /pa.nje/, *diagnostic* /djaɡ.nɔs.tik/ |
| C11 | consonnes doubles | jamais à l'intérieur d'un mot, même quand l'orthographe double la lettre | *illégal* /i.le.ɡal/, *courrait* /ku.ʁɛ/ |
| C12 | finales *-ai* / *-ais* | /e/ pour *-ai*, /ɛ/ pour *-ais* | *mangeai* /mɑ̃.ʒe/, *mangeais* /mɑ̃.ʒɛ/ |

Pour C11, à la frontière de deux segments d'un composé, la consonne se
prononce bien deux fois et reste double (*bonnes nuits* /bɔn.nɥi/).

**Les sons facultatifs ne sont pas marqués.** Un son qui peut tomber
(*samedi* /sa.mə.di/ ou /sam.di/) change la syllabation : le *m* passe dans
la syllabe précédente. LeXiK garde une seule forme syllabée : le *e* muet
intérieur toujours noté, le *e* muet final jamais. Une marque `( )` est
prévue pour une version ultérieure (`sa.m(ə).di`) ; la forme sans le son
s'obtiendrait en retirant le contenu des parenthèses puis en refaisant la
syllabation (§8.1).

### 6.4 La prononciation brute

Pour comparer des prononciations (chercher des homophones, par exemple), on
utilise la forme **brute** : on retire ce qui est entre `[ ]` et `* *`, et
on garde la première valeur des `{ }`.

`dis[s>z;s>]` → `dis` ; `*h*e.ʁo[z]` → `e.ʁo` ; `{ɛ|e}ɡ.zɔ̃.de` → `ɛɡ.zɔ̃.de`.

### 6.5 D'où viennent les prononciations

Les prononciations ont été établies en deux temps :

1. **Compilation des sources.** Les prononciations données par les
   dictionnaires sont nettoyées (voir ci-dessous), ramenées aux conventions
   du §6.3, vérifiées par l'aligneur (§7) et départagées par un vote entre
   sources (détail dans la documentation de la provenance).
2. **Complément par le modèle.** Un modèle graphème → phonème de Lectura a
   été entraîné sur cette première version de la base, encore incomplète,
   puis a prononcé les formes qu'aucune source ne prononce.

**Le nettoyage des transcriptions.** Avant toute comparaison, les
transcriptions des sources sont ramenées à l'inventaire de LeXiK (§6.1) :

- **notations converties** : le SAMPA de Lexique (`E`, `O`, `@`, `R`…) en
  API ; `ɑ` en `a` ; les nasales écrites sur une autre voyelle (`ã`, `õ`,
  `ẽ`) en `ɑ̃`, `ɔ̃`, `ɛ̃` ;
- **marques retirées** : accent tonique, longueur (`ː`), points de syllabe
  et liaisons des sources (LeXiK refait la syllabation), diacritiques de
  transcription fine ;
- **consonnes doubles réduites** à l'intérieur d'un mot (règle C11) ;
- **rien n'est deviné** : une transcription qui contient un caractère hors
  inventaire, non couvert par ces conversions, est rejetée (le rejet est
  tracé dans la provenance) plutôt que corrigée au hasard.

Les prononciations prédites par le modèle sont **moins fiables** que celles
des sources, en particulier pour les noms propres et les mots étrangers.
Elles portent la confiance `G` (§11) : on peut les isoler ou les écarter
selon l'usage.

---

## 7. L'alignement graphème–phonème

### 7.1 Ce que dit la colonne

La colonne `alignement` dit quelles lettres écrivent quel son. C'est une
suite de **couples** `phonème=graphème`, séparés par une espace, dans
l'ordre du mot :

| Mot | Prononciation | Alignement |
|---|---|---|
| *chapeau* | ʃa.po | `ʃ=ch a=a p=p o=eau` |
| *femme* | fam | `f=f a=e m=mm =e°` |
| *oiseaux* | wa.zo | `wa=oi z=s o=eau [z]=x°` |
| *exister* | ɛɡ.zis.te | `ɛ=e ɡz=x i=i s=s t=t e=er` |
| *petit* | pə.ti | `p=p ə=e t=t i=i [t]=t°` |
| *héros* | e.ʁo | `*h*=h° e=é ʁ=r o=o [z]=s°` |
| *homme* | ɔm | `=h° ɔ=o m=mm =e°` |
| *grand-père* | ɡʁɑ̃.pɛʁ | `ɡ=g ʁ=r ɑ̃=an =d° =- p=p ɛ=è ʁ=r =e°` |
| *aujourd'hui* | o.ʒuʁ.d‿ɥi | `o=au ʒ=j u=ou ʁ=r d=d ‿=' =h° ɥi=ui` |
| *États-Unis* | e.ta.z‿y.ni | `e=É t=t a=a =t° z=s ‿=- y=U n=n i=i =s°` |

### 7.2 Les règles de notation

1. **Le phonème d'abord**, puis le graphème qui l'écrit : `ʃ=ch`.
2. **Un couple par graphème** : un graphème est la lettre ou le groupe de
   lettres qu'on enseigne comme une unité (`ch`, `ou`, `eau`, `gn`, et les
   consonnes doubles qui valent un seul son : `mm`, `ss`).
3. **Un graphème garde tous ses phonèmes** : `ks=x` (*taxi*), `wa=oi`
   (*oiseau*).
4. **Une lettre muette est un couple à part**, sans phonème, marquée `°` :
   `=e°`, `=t°`, `=h°`.
5. **Les marques de la prononciation vont sur la lettre qui les porte** :
   la consonne latente sur la lettre muette (`[t]=t°`), le h aspiré sur le
   *h* (`*h*=h°`).
6. **Un tiret, une apostrophe ou une espace est aussi un couple**. Son côté
   phonème dit ce qui se passe à la frontière : rien (`=-`, `='`, `=␣`, où
   `␣` représente l'espace) quand les deux segments se prononcent
   séparément ; le pont (`‿=-`, `‿='`, `‿=␣`) quand une syllabe enjambe la
   frontière. Dans une locution, l'espace entre deux mots prononcés
   séparément est noté `␣=␣` (*avoir lieu* : `a=a v=v wa=oi ʁ=r ␣=␣ l=l j=i
   ø=eu`).

Lecture de *héros* : le *h* ne se prononce pas (`=h°`) mais il est aspiré
(`*h*`) : pas de liaison, *les héros* /le.e.ʁo/. Le *s* final est muet mais
porte un /z/ de liaison (*héros aimés*). Lecture de *homme* : le *h* est
muet et sans marque, donc *l'homme*, *les hommes*.

Deux vérifications tiennent sur toutes les lignes alignées : les graphèmes
mis bout à bout redonnent l'orthographe, et les phonèmes mis bout à bout
redonnent la prononciation.

### 7.3 Comment l'alignement est calculé

L'aligneur de Lectura part d'une **table de correspondances** : pour chaque
phonème, les graphèmes qui peuvent l'écrire (/o/ → *o*, *au*, *eau*, *ô*…).
Il avance en même temps dans la prononciation et dans l'orthographe, essaie
à chaque pas tous les graphèmes possibles, et revient en arrière quand il
est bloqué. Une lettre qui n'écrit aucun son est déclarée muette. De tous
les alignements complets trouvés, il garde celui qui a **le moins de lettres
muettes**, puis celui qui les place le plus tôt, puis celui qui utilise le
moins de graphèmes rares.

La table est volontairement large : un alignement réussi prouve seulement
que la prononciation est compatible avec l'orthographe. Un **échec** est en
revanche un signal fort d'erreur dans la prononciation ; LeXiK s'en sert
pour écarter les transcriptions fautives des sources (voir la
documentation de la provenance).

L'alignement est **laissé vide** quand l'aligneur ne trouve pas de
correspondance connue entre les lettres et les sons : il renonce plutôt
que de produire un alignement faux. C'est surtout le cas des **noms
propres étrangers**, dont les graphies n'existent pas en français
(*Krajewski*, *-wski* prononcé /fski/ ; *Morici*, *ci* prononcé /tʃi/ ;
*Neuenschwander*, *eu* prononcé /ɔj/), et de formes rares ou fabriquées
(*smsserais*, *burn-outé*). La **prononciation de ces formes reste
renseignée et valable** ; beaucoup ont été vérifiées à la main
(confiance `R`). Seuls l'alignement et l'orthocode manquent.

Les formes spéciales et non classées n'ont pas d'alignement.

---

## 8. La syllabation et l'orthocode

### 8.1 La syllabation de la prononciation

Les syllabes sont découpées selon la règle classique du français : **la
syllabe suivante prend le plus de consonnes possible au début, tant que le
groupe peut commencer une syllabe en français** (principe de l'attaque
maximale).

Les groupes qui peuvent commencer une syllabe (les « attaques licites »)
forment une liste fermée :

- une consonne seule ;
- une occlusive ou une fricative labiodentale (/p b t d k ɡ f v/) suivie de
  /l/ ou /ʁ/ : /pl/, /tʁ/, /ɡʁ/, /fl/…, sauf /tl/ et /dl/ ;
- l'un ou l'autre suivi d'une semi-voyelle (/j w ɥ/) : /pjɛʁ/, /tʁɥi/,
  /pwa/.

Entre deux voyelles, tout ce qui précède la plus longue attaque licite
termine la syllabe précédente :

- une consonne entre deux voyelles va avec la seconde : /mɛ.zɔ̃/ ;
- deux consonnes se séparent, sauf si elles forment une attaque licite :
  /at.las/, /tɛk.nik/, mais /ta.blo/, /a.pʁɛ/ ;
- devant une attaque licite, le reste va en coda : /ɛs.pʁi/, /abs.tʁɛ/,
  /kɔ̃s.tʁɥiʁ/ ;
- /ks/, /ɡz/, /tʃ/, /dʒ/ comptent pour deux consonnes : /tak.si/,
  /ɛɡ.zis.te/ ;
- /j/ après voyelle termine la syllabe devant consonne ou en fin de mot
  (/tʁa.vaj/, /pɛj.zaʒ/) ; entre deux voyelles, il commence la suivante
  (/ɡʁi.jaʒ/).

**Pourquoi une liste et pas une échelle de sonorité.** Le modèle courant
classe les consonnes par sonorité (occlusives < fricatives < nasales <
liquides < semi-voyelles) et accepte toute attaque dont la sonorité monte
vers la voyelle. Pour le français, il accepte trop : /kn/, /tm/, /dm/ ou
/tl/ montent en sonorité mais ne commencent pas une syllabe française, et
il couperait *technique* en /tɛ.knik/ ou *atlas* en /a.tlas/. L'aligneur
de Lectura partait de ce modèle ; LeXiK le remplace par la liste fermée
ci-dessus, qui en est la version restreinte au français.

### 8.2 L'orthocode

L'orthocode découpe l'**orthographe** en suivant la syllabation de la
prononciation. Les syllabes sont séparées par `.`, les lettres muettes
marquées `°`.

| Mot | Prononciation | Orthocode |
|---|---|---|
| *petit* | pə.ti | `pe.tit°` |
| *femme* | fam | `femme°` |
| *Marseille* | maʁ.sɛj | `Mar.seille°` |
| *exister* | ɛɡ.zis.te | `e(x).xis.ter` |
| *axe* | aks | `ax²e°` |
| *jazz* | dʒaz | `j²azz` |
| *États-Unis* | e.ta.z‿y.ni | `É.tat°s-.U.nis°` |

Deux notations pour une lettre qui vaut deux sons :

- **à cheval sur deux syllabes** : `(x).x`. Le *x* d'*exister* vaut /ɡz/,
  dont /ɡ/ termine la première syllabe et /z/ commence la seconde ; il est
  écrit entre parenthèses dans la première, en clair dans la seconde ;
- **dans une même syllabe** : `x²`. Le *x* d'*axe* vaut /ks/ dans une seule
  syllabe : `ax²e°`. De même *jazz* `j²azz` (*j* = /dʒ/), *express*
  `ex².press`.

Un groupe de plusieurs lettres qui vaut deux sons n'est pas marqué (*roi* :
*oi* = /wa/) ; l'alignement en donne le détail.

Dans un mot composé, l'orthocode garde le tiret, l'apostrophe ou l'espace à
sa place, suivi d'une frontière de syllabe : `É.tat°s-.U.nis°`.

---

## 9. L'analyse grammaticale

### 9.1 La catégorie (`upos`)

La catégorie suit les conventions **Universal Dependencies** (UD), le
standard international d'annotation grammaticale.

| `upos` | Catégorie | Analyses | Exemples |
|---|---|---:|---|
| VERB | verbe | 1 724 823 | *mange*, *mangeait*, *mangé* |
| PROPN | nom propre | 444 531 | *Paris*, *Dupont*, *Marie* |
| NOUN | nom commun | 500 092 | *maison*, *eau* |
| ADJ | adjectif | 296 575 | *petit*, *bleu* |
| ADV | adverbe | 8 941 | *bien*, *très* |
| autres | | 138 614 | AUX auxiliaire, PRON pronom, DET déterminant, ADP préposition, CCONJ et SCONJ conjonctions, NUM nombre, INTJ interjection, X mot étranger (48 : *the*, *von*…) |

### 9.2 Le code MULTEXT (`multext`)

Le code MULTEXT (jeu GRACE pour le français) résume toute l'analyse en
quelques lettres, une position par information :

| Code | Lecture |
|---|---|
| `Afpms` | **A**djectif, quali**f**icatif, **p**ositif, **m**asculin, **s**ingulier |
| `Ncfs` | **N**om **c**ommun, **f**éminin, **s**ingulier |
| `Npmp` | **N**om **p**ropre, **m**asculin, **p**luriel |
| `Vmip3s-` | **V**erbe **m**ain (principal), **i**ndicatif, **p**résent, **3**ᵉ personne, **s**ingulier |
| `Vaip3s-` | **V**erbe **a**uxiliaire, même analyse |

Le fichier `annexes/lexik_multext.tsv` donne, pour chacun des 387
codes de la base, la catégorie et les traits UD qu'il représente. La
correspondance est exacte dans les deux sens : un code = une combinaison de
traits, et inversement. Quelques codes ont été ajoutés au jeu GRACE
d'origine pour y parvenir (déterminants et pronoms négatifs `Dn`, `Pn` ;
exclamatifs `De`, `Pe` ; adverbes interrogatifs, relatifs, négatifs `Rip`,
`Rrp`, `Rpn` ; `t` final pour un pronom tonique comme *moi*).

---

## 10. Les fréquences

### 10.1 Les trois corpus

| Corpus | Registre | Taille |
|---|---|---:|
| OpenSubtitles | oral scénarisé (sous-titres de films et de séries) | 805 millions de mots |
| Wikipédia | écrit encyclopédique | 841 millions de mots |
| Gutenberg | littérature du domaine public | 45 millions de mots |

- **Wikipédia** : articles du 1ᵉʳ juin 2026, texte des paragraphes (les
  dates, unités et nombres rendus en texte, les références retirées).
  Licence CC BY-SA 4.0.
- **OpenSubtitles** : corpus monolingue français diffusé par OPUS (fichier
  du 14 février 2025). OPUS ne précise pas de licence pour ce corpus.
- **Gutenberg** : 4 086 livres en français du Project Gutenberg, sans les
  en-têtes du projet. Domaine public aux États-Unis.

Les textes sont découpés en mots selon les règles du lexique : *j'aime* fait
deux mots (*j'* + *aime*), *veux-tu* aussi (*veux* + *-tu*), *grand-père* et
*aujourd'hui* un seul. LeXiK ne publie que des comptages, jamais le texte
des corpus.

**Le total de mots** (la taille du corpus ci-dessus, qui sert de
dénominateur) compte chaque unité du découpage une fois : chaque mot,
chaque abrègement (*M.*, *SNCF*) et chaque formule (un nombre, une date, une
mesure comme « 12 % » compte pour une unité). La ponctuation n'est pas
comptée.

**Les entrées de plusieurs mots** (*pomme de terre*, *parce que*, les
locutions) sont comptées **en plus**, sans rien retirer à leurs mots : dans
« une pomme de terre », *pomme*, *de* et *terre* comptent chacun une
occurrence, et la suite *pomme de terre* en compte une aussi. Le total ne
change pas. C'est un comptage de surface : la suite est comptée chaque fois
qu'elle apparaît en minuscules, qu'elle forme ou non l'unité (« en fait »
compte aussi « il en fait trop »). Les fréquences de toutes les entrées ne
s'additionnent donc pas à un million.

### 10.2 La fréquence d'une graphie (`freq_*`)

C'est le nombre d'occurrences de la graphie dans tout le corpus, **toutes
analyses confondues**, ramené à un million de mots. *petit* a la même
fréquence sur ses trois lignes (adjectif, nom, adverbe) : c'est la
fréquence de la graphie. 33,7 % des analyses ont une
fréquence ; les formes rares sont absentes des corpus.

### 10.3 La part de chaque analyse (`parts_*`)

Les parts disent comment la fréquence d'une graphie se répartit entre ses
analyses. Pour les obtenir, un échantillon de chaque corpus a été analysé
phrase par phrase par l'analyseur grammatical de Lectura, qui choisit pour
chaque mot une des analyses de LeXiK. Cet analyseur est entraîné sur des
treebanks et des corpus publics du français ; seules ses décisions,
agrégées en parts, sont publiées.

| Corpus | Mots analysés | Part du corpus |
|---|---:|---:|
| OpenSubtitles | 28,8 millions | 4 % |
| Wikipédia | 38,5 millions | 5 % |
| Gutenberg | 22,7 millions | 50 % |

(Échantillons : une ligne sur 2 pour Gutenberg, une sur 28 pour
OpenSubtitles, 1,3 million de paragraphes tirés au hasard pour Wikipédia.)

**Fréquence d'une analyse = fréquence de la graphie × part.**

**Fréquence d'une analyse = fréquence de la graphie × part.** Exemple,
dans les sous-titres :

| ortho | id_lemme | multext | freq_opensubtitles | parts_opensubtitles |
|---|---|---|---:|---|
| *mange* | manger#VERB | `Vmip1s-;Vmip3s-;Vmmp2s-;Vmsp1s-;Vmsp3s-` | 68.782 | `0.291;0.664;0.010;0.010;0.020` |
| *petit* | petit#ADJ | `Afpms` | 485.845 | `0.944` |
| *petit* | petit#NOUN | `Ncms` | 485.845 | `0.056` |
| *petit* | petit#ADV | `Rgp` | 485.845 | `0.000` |

Lecture : *mange* est à 29,1 % une 1ʳᵉ personne de
l'indicatif (20,0 par million) et à 66,4 %
une 3ᵉ personne (45,7 par million) ; l'impératif et le
subjonctif se partagent le reste. Les 0,5 % qui manquent pour
atteindre 100 % sont des occurrences que l'analyseur a lues autrement
(erreur ou analyse absente de LeXiK).

**Une part vide ne veut pas dire une fréquence nulle**, mais que l'analyse
n'a pas été rencontrée dans l'échantillon : sa fréquence est inconnue.
13,3 % des analyses ont une part. Pour un mot rare, la part
repose sur peu d'occurrences et reste fragile.

### 10.4 La fréquence d'une locution

Une locution verbale apparaît rarement sous sa forme de citation : on lit
« la réunion a eu lieu » plus souvent que « avoir lieu ». La fréquence
d'une locution (`freq_*`) est donc toujours le **cumul de toutes ses
formes**, et non le compte de la seule suite exacte.

Chaque locution est cherchée dans une phrase sur deux de chaque corpus sous
toutes ses formes : verbe conjugué, y compris aux temps composés ; nom ou
adjectif fléchi ; pronom réfléchi et possessif variables (*je m'en vais*
pour *s'en aller*) ; une négation ou un adverbe peut s'insérer (*je ne m'en
bats pas*) ; à l'impératif, le pronom suit le verbe (*tais-toi*,
*dépêche-toi*). Les autres mots doivent être identiques. Le compte est
ramené au million de mots de l'échantillon.

Un participe seul après un pronom n'est pas compté : dans « il me
traite », *traite* n'est pas une forme de *se traire*. *Rendez-vous* et
*voyez-vous* sont aussi écartés.

| Locution | Formes comptées | `freq_opensubtitles` |
|---|---|---:|
| *avoir lieu* | *a eu lieu*, *aura lieu*, *avait lieu*… | 42,7 |
| *faire attention* | *fais attention*, *fait attention*, *faisons attention*… | 52,2 |

(Fréquences par million de mots dans les sous-titres.)

Un verbe pronominal est compté pour lui-même : *s'abaisser*
(2,9 par million) a sa propre fréquence,
distincte de celle du verbe *abaisser* dans LeXiK Mots. Une locution
absente des échantillons a une fréquence vide.

Ce comptage a trois limites :

- le verbe n'est pas analysé en contexte : une suite homographe compte
  aussi (*en faire*, 461,2 par million,
  compte aussi « je vais en faire un gâteau ») ;
- *s'avoir* et *s'être* sont écartés, leurs formes se confondant avec les
  auxiliaires ;
- le gérondif après *en* n'est pas compté (*en faisant attention*).

### 10.5 La part pronominale d'un verbe

L'annexe `annexes/lexik_pronominaux.tsv` compare chaque verbe pronominal
à son verbe simple : une ligne par couple, avec le verbe (`id_lemme` de
LeXiK Mots), le pronominal, la fréquence de chacun par corpus et la part
du pronominal dans les emplois du verbe. La fréquence du verbe
(`freq_verbe_*`) est celle de son lemme dans LeXiK Mots, comptée sur les
seules occurrences analysées comme ce verbe : les formes écrites seraient
faussées par les homographes (*tu*, forme de *taire* mais surtout pronom).
La part est le rapport entre la fréquence du pronominal et celle du
verbe.

| Verbe | Pronominal | Part dans les sous-titres |
|---|---|---:|
| *taire* | *se taire* | 65 % |
| *battre* | *se battre* | 58 % |
| *rendre* | *se rendre* | 36 % |

La part est plafonnée à 1 : les deux fréquences ne sont pas mesurées de
la même façon (le pronominal par recherche de la suite, le verbe par
l'analyseur), et pour les verbes presque toujours pronominaux (*s'écrier*,
*se fier*) le rapport peut dépasser 1. *S'avoir* et *s'être* n'ont pas
de ligne. Un verbe peut avoir plusieurs pronominaux
(une ligne pour chacun) : leurs parts ne s'additionnent pas forcément, une
même occurrence pouvant relever de deux locutions.

---

## 11. L'indice de confiance

La colonne `confiance` dit d'où vient la prononciation et par quoi elle est
confirmée. Du plus sûr au moins sûr :

| Code | Sens | Analyses |
|---|---|---:|
| `A` | au moins deux sources indépendantes donnent la même prononciation | 181 927 |
| `B` | une seule source, confirmée par une vérification indépendante | 1 907 614 |
| `C` | une seule source, non confirmée | 197 257 |
| `R` | relue et corrigée à la main | 30 295 |
| `P` | alignée sur une autre forme du même mot (le pluriel sur le singulier) | 679 |
| `K` | phrase reprise telle quelle du Wiktionnaire | 1 549 |
| `T` | reprise de l'inventaire des formes spéciales, relu à la main | 2 230 |
| `E` | sigle lu lettre par lettre | 4 195 |
| `N` | prononciation qui ne suit pas l'orthographe française (emprunt, nom étranger), confirmée | 996 |
| `M` | même cas, une seule source | 69 |
| `S` | construite à partir des segments d'un composé, ou reprise de la forme en minuscules | 106 312 |
| `G` | aucune source : prononciation prédite par le modèle de Lectura | 587 436 |
| `D` | aucune prononciation | 414 |
| `—` | sans prononciation (forme relevée dans les corpus, non analysée) | 92 603 |

Les confiances `A` et `B` couvrent 67 % des analyses. Le modèle qui
produit les prononciations `G` (un modèle graphème → phonème) est entraîné
sur une version de travail antérieure de la base ; il complète les mots
qu'aucune source ne prononce, en particulier beaucoup de noms propres.

La définition exacte de chaque code est dans la documentation de la
provenance.

---

## 12. Les sources

LeXiK est une **compilation enrichie de sources lexicales libres**, croisées entre
elles :

| Source | Licence |
|---|---|
| Lexique 3.83 et 4 | CC BY-SA 4.0 |
| GLAFF | CC BY-SA 3.0 |
| Wiktionnaire (via Kaikki) | CC BY-SA 3.0 |
| Grammalecte (Dicollecte) | MPL 2.0 |
| Wikidata (lexèmes) | CC0 |
| ipa-dict | MIT |
| INSEE (prénoms, noms de famille) | Licence Ouverte 2.0 |
| GeoNames | CC BY 4.0 |
| Treebanks Universal Dependencies (GSD, ParisStories, Rhapsodie, PUD) | CC BY-SA |

D'autres ressources (Morphalou, et les treebanks Sequoia et FQB, sous
LGPL-LR) ont servi au contrôle, sans redistribution de leurs données.

Le dossier `provenance/` donne, pour chaque prononciation, les sources qui
l'ont proposée, les variantes écartées et la raison du choix ; sa
documentation (`provenance/DOCUMENTATION_PROVENANCE.md`) décrit en détail
la construction de la base.

### Modèles et algorithmes

LeXiK s'appuie sur deux modèles et deux algorithmes propres à Lectura.

**Les modèles**, entraînés sur des corpus publics du français :

- le **modèle graphème → phonème** prononce les formes qu'aucune source ne
  prononce (confiance `G`) et sert de vérification indépendante des
  prononciations données par une seule source (confiance `B`) ;
- l'**analyseur morphosyntaxique** étiquette les échantillons de corpus
  dont sont tirées les parts de chaque analyse dans la fréquence (§10.3).

**Les algorithmes**, dont le code est publié (paquet Python
`lectura-aligneur` sur PyPI, <https://pypi.org/project/lectura-aligneur/> ;
code source sur GitHub, <https://github.com/maxcarriere/lectura-modules>) :

- l'**aligneur graphème–phonème** : une recherche exhaustive en profondeur
  avec retour arrière, guidée par une table de correspondances entre sons
  et graphèmes (§7.3) ;
- le **syllabeur** : la syllabation par attaque maximale (§8.1).

---

## 13. Limites connues

1. **Fréquences par analyse** : seules 13,3 % des entrées ont
   une part (les formes rares sont absentes des échantillons ; les
   locutions et les formes spéciales n'en ont presque jamais).
2. **Noms propres** : beaucoup sont prononcés par le modèle (confiance `G`) ;
   les noms étrangers peuvent être mal prononcés.
3. **Alignement** : les entrées des sous-lexiques Mots et MultiMots sans
   alignement ont une graphie dont l'aligneur ne connaît pas les
   correspondances, surtout des noms propres étrangers (*Krajewski*,
   *Morici*) ; leur prononciation reste renseignée (§7.3). Les formes
   spéciales et non classées n'en ont jamais.
4. **Une prononciation de référence** : les variantes régionales ne sont pas
   couvertes, sauf les variantes libres notées `{a|b}`.
5. **Fréquence des locutions** : elle compte la locution sous toutes ses
   formes, mais le verbe n'est pas analysé en contexte :
   une suite homographe compte aussi ; le gérondif n'est pas compté (§10.4).
6. **Éléments des formes spéciales** : prononcés d'après leur composé, non
   relus un à un.
7. **Formes non classées** : non vérifiées ; les candidates issues des corpus
   peuvent être des fautes de frappe, des noms étrangers ou des fragments.
8. **Sens** : LeXiK ne distingue pas les sens d'un même lemme, sauf quand
   ils se fléchissent différemment (*ciel*, pluriels *cieux* et *ciels*).

---

## 14. Format des fichiers

- Texte UTF-8, sans BOM ; une tabulation entre les colonnes ; une ligne
  d'en-tête.
- Pas de guillemets autour des valeurs ; une valeur vide est une chaîne
  vide.
- Nombres : point décimal, trois décimales.
- Dans une cellule : `;` sépare les analyses (`multext`, `parts_*`) et les
  propriétés (`proprietes`) ; `,` sépare les valeurs d'une propriété
  (`genre:m,f`) ; une espace sépare les couples de `alignement` et les
  segments de `composition`.
- Fichiers compressés en gzip ; `checksums.sha256` permet de vérifier leur
  intégrité (`sha256sum -c checksums.sha256`).

Licence, citation et contact : voir `LISEZ-MOI.md`.