PROVA‑MG — La nouvelle méthodologie (essentiel, FR)

L’idée

On combine trois modèles ASR existants (Whisper, MMS, Wav2Vec2‑BERT), une connaissance des langues cousines du malgache, et une mesure honnête de la confiance, sous quatre garde-fous qui empêchent le système de s’auto‑persuader d’erreurs.

Comparaison : comme un jury de trois médecins qui ne valident un diagnostic que si (a) ils sont sûrs d’eux pour de bonnes raisons, (b) ils ne changent pas d’avis du jour au lendemain, (c) au moins deux sont d’accord, et (d) le diagnostic est plausible médicalement.

Le modèle

Le signal x et la transcription y sont engendrés avec trois variables cachées : dialecte d, registre r, code‑switching c.

$$p(x, y, d, r, c) = p(d)\,p(r)\,p(c \mid r, d)\,p(y \mid d, r, c)\,p(x \mid y, d, r)$$

Comparaison : comme un sous‑titrage qui devine en même temps ce qui est dit, dans quel accent, dans quel contexte (radio ? conversation ?), et si la phrase mélange français et malgache.

L’apprentissage

On alterne deux étapes (algorithme EM). L’étape E estime les variables cachées sous contraintes ; l’étape M ajuste les paramètres.

$$\begin{aligned} \textbf{E-step :}\quad & q^* = \operatorname*{argmin}_{q \,\in\, C}\ \mathrm{KL}\big( q \,\|\, p_\theta(\,\cdot \mid x) \big) \\ \textbf{M-step :}\quad & \theta \leftarrow \operatorname*{argmax}_{\theta}\ \mathbb{E}_{q^*}\big[ \log p_\theta(x, y, d, r, c) \big] \end{aligned}$$

Comparaison : comme un élève qui corrige ses devoirs lui-même pour progresser — mais soumis à des règles qui l’empêchent d’inventer ses propres réponses.

Les quatre garde-fous (le cœur de la contribution)

Sans contraintes, l’auto‑entraînement s’effondre : le modèle devient de plus en plus sûr de plus en plus de mauvaises réponses. Chaque règle ferme une porte de sortie.

C1 — seuil de confiance calibrée. N’accepter que les transcriptions dont la confiance est réellement justifiée.
$$\operatorname{supp}(q^*) \subset \{\, y : \operatorname{conf}_{\mathrm{cal}}(y, x) \ge \tau \,\}$$
Comparaison : on ignore un élève qui dit « je suis sûr à 99 % » mais qui se trompe une fois sur deux.
C2 — vitesse limitée. D’une itération à la suivante, le modèle ne peut pas changer radicalement d’avis.
$$\mathbb{E}_x\big[\, \mathrm{KL}\big( q^{(n+1)} \,\|\, q^{(n)} \big) \,\big] \le \epsilon$$
Comparaison : un médecin révise un diagnostic graduellement, pas brutalement.
C3 — accord des enseignants. La réponse retenue doit apparaître dans la liste de plusieurs des trois modèles enseignants.
$$\operatorname{supp}(q^*) \,\cap\, \big( \text{n-best}_W \cup \text{n-best}_M \cup \text{n-best}_B \big) \ne \emptyset$$
Comparaison : on ne retient que ce sur quoi au moins deux experts indépendants tombent d’accord.
C4 — plausibilité linguistique. Les transcriptions dont la forme (enchaînements de sons, schémas d’affixes) ne ressemble à aucune langue austronésienne sont rejetées. Il ne s’agit pas de vérifier qu’un mot existe ailleurs — le malgache a quantité de mots qui lui sont propres — mais qu’il aurait pu exister vu la structure de la famille.
$$\mathbb{E}_{q^*}\big[ \log P_{\mathrm{typ}}(y) \big] \ge -\eta$$
Comparaison : un francophone sent que « travu » pourrait être un mot français alors que « tlbvk » ne le pourrait pas — même sans l’avoir jamais vu. On écarte les transcriptions de type « tlbvk ».

Décodage avec a priori typologique

On utilise les langues cousines du malgache (indonésien, malais, cebuano, tagalog) pour combler le manque de données :

$$\log P(y \mid x) \propto \log P_{\mathrm{acoustique}}(x \mid y) + \alpha \log P_{\mathrm{LM\text{-}MG}}(y) + \beta \log P_{\mathrm{typ}}(y)$$

Comparaison : apprendre l’italien plus vite en s’aidant de l’espagnol et du portugais.

En une ligne Trois enseignants + a priori cousins + confiance calibrée, combinés par un EM variationnel sous quatre contraintes qui rendent la boucle d’auto‑entraînement prouvablement non‑dérivante.