🟢 DIRECT : applicable immédiatement au Wolof ou aux langues africaines. 🟡 TRANSFERABLE : méthodologie transférable avec adaptation. ⚪ FONDATION : avancée générale LLM impactant indirectement le low-resource.
Canary-Qwen-2.5B de NVIDIA NeMo
Ce modèle ASR de 2,5 milliards de paramètres occupe la première place du classement Open ASR Leaderboard de HuggingFace cette semaine avec un WER de 5,63%. Son architecture SALM (Speech-Augmented Language Model) couple un encodeur FastConformer à un LLM Qwen3-1.7B via un projecteur linéaire et des adaptateurs LoRA : le signal audio entre dans l'encodeur, ses représentations compressées alimentent le LLM pour la transcription ou le post-traitement. Deux modes d'opération coexistent, transcription ASR pure et mode LLM pour résumer ou répondre à des questions sur la parole transcrite. L'architecture SALM représente un patron directement applicable pour construire un modèle speech+LLM en Wolof.
La semaine en 6 papiers
Deux corpus de parole africains d'envergure dominent cette semaine : AfriVoices-KE avec 3 000 heures pour cinq langues kenyanes, et WAXAL de Google Research couvrant 24 langues subsahariennes avec données ASR et TTS. Sur le front du NLP synthétique, deux papiers complémentaires évaluent des stratégies opposées pour enrichir les données du Hausa et du Fongbe : extraction depuis les LLM par prompting versus augmentation par back-translation. Le premier corpus de parole pathologique pour une langue africaine (Akan) comble un angle mort critique pour les technologies d'accessibilité. Enfin, ICLR 2026 publie une perte de cohérence multilingue qui améliore l'alignement de sécurité des LLM pour les langues peu dotées sans supervision supplémentaire au niveau des réponses.
AfriVoices-KE: A Multilingual Speech Dataset for Kenyan Languages
AfriVoices-KE est un corpus de parole multilingue de 3 000 heures pour cinq langues kenyanes : Dholuo, Kikuyu, Kalenjin, Maasai et Somali. Il comprend 750 heures de parole scriptée et 2 250 heures de parole spontanée, collectées auprès de 4 777 locuteurs natifs. Ce corpus adresse la sous-représentation critique des langues africaines dans les technologies de la parole et fournit des bases solides pour les systèmes ASR et TTS dans un contexte est-africain.
Collecte en deux volets : parole scriptée via des sessions contrôlées en studio avec scripts phonétiquement équilibrés, et parole spontanée via des conversations naturelles entre locuteurs natifs. Le protocole de collecte combine recrutement communautaire, validation par des linguistes natifs et contrôle qualité automatique sur la durée des segments et le SNR.
WAXAL: A Large-Scale Multilingual African Language Speech Corpus
WAXAL est un corpus de parole ouvert pour 24 langues africaines subsahariennes représentant plus de 100 millions de locuteurs, produit par Google Research en partenariat avec quatre organisations académiques et communautaires africaines. Il se compose de 1 250 heures de parole transcrite multi-locuteurs pour l'ASR et de 235 heures d'enregistrements mono-locuteur haute qualité pour le TTS, couvrant notamment Acholi, Kiswahili, Luganda, Akan, Ewe pour les données ASR+TTS, et Hausa, Igbo, Yoruba pour le TTS seul.
Scripts phonétiquement équilibrés pour le TTS ; collecte de parole naturelle multi-locuteurs pour l'ASR ; validation par des linguistes et des partenaires communautaires locaux ; licence CC-BY-4.0 pour permettre la réutilisation commerciale et académique. L'objectif déclaré est de catalyser la recherche et de servir à la préservation numérique des langues.
Mining Large Language Models for Low-Resource Language Data: Comparing Elicitation Strategies for Hausa and Fongbe
Les auteurs comparent six stratégies de prompting pour extraire des données textuelles en Hausa et en Fongbe depuis deux LLM commerciaux, GPT-4o Mini et Gemini 2.5 Flash. Résultat principal : GPT-4o Mini extrait 6 à 41 fois plus de mots utilisables en langue cible par appel API que Gemini. Les stratégies optimales diffèrent selon la langue : le Hausa bénéficie des textes fonctionnels et des dialogues, tandis que le Fongbe nécessite des prompts de génération contrainte. L'ensemble des corpus générés et du code est publié en open source.
Six types de tâches d'élicitation : traduction directe, génération de texte libre, complétion de phrase, dialogue, texte fonctionnel (recettes, instructions), et génération contrainte. Évaluation de la qualité via proportion de mots en langue cible (détection automatique) et perplexité sur modèle de langue de référence.
# Elicitation strategy for Wolof data mining from an LLM
# Adapted from the functional-text approach (best for tonal/agglutinative languages)
import openai
def elicit_wolof_text(task_type: str, n_samples: int = 50) -> list[str]:
"""Extract Wolof text from GPT-4o Mini using targeted elicitation."""
prompts = {
"dialogue": "Write a natural conversation in Wolof between two friends. Respond only in Wolof.",
"functional": "Write cooking instructions for thieboudienne in Wolof. Respond only in Wolof.",
"constrained": "Complete this Wolof sentence naturally: 'Ndax dëkkuleen ci Dakar...'",
}
prompt = prompts.get(task_type, prompts["dialogue"])
results = []
for _ in range(n_samples):
resp = openai.chat.completions.create(
model="gpt-4o-mini",
messages=[{"role": "user", "content": prompt}],
temperature=0.8,
)
results.append(resp.choices[0].message.content)
return results
When Does Data Augmentation Help? Evaluating LLM and Back-Translation Methods for Hausa and Fongbe NLP
Ce papier évalue deux méthodes d'augmentation de données pour le Hausa et le Fongbe sur les tâches NER et POS tagging (MasakhaNER 2.0 et MasakhaPOS) : génération LLM via Gemini 2.5 Flash et back-translation via NLLB-200. Résultat contre-intuitif : l'efficacité de l'augmentation dépend du type de tâche plutôt que de la langue ou de la qualité LLM. Pour la NER, aucune méthode ne dépasse la baseline pour les deux langues ; l'augmentation LLM réduit même le F1 Hausa de 0,24% et le F1 Fongbe de 1,81%.
Protocole d'évaluation croisée : entraînement sur données originales + données augmentées, évaluation sur ensemble de test original uniquement ; les données augmentées ne sont jamais dans le test. Le résultat central montre que la NER low-resource est sensible au bruit de génération car les entités nommées sont des tokens rares que les LLM hallucinent facilement.
Enabling Automatic Disordered Speech Recognition: An Impaired Speech Dataset in the Akan Language
Les auteurs publient le premier jeu de données de parole pathologique pour une langue africaine : 50,01 heures en Akan (Ghana) couvrant quatre classes de troubles (bégaiement, paralysie cérébrale, fente palatine, séquelles d'AVC). Ce corpus vise à soutenir les systèmes ASR pour la parole altérée et les technologies d'assistance vocale dans un contexte africain où de telles ressources sont quasi inexistantes, ouvrant la voie à des applications de santé numérique et d'accessibilité.
Collecte communautaire avec locuteurs natifs Akan affectés par quatre classes de troubles ; annotations au niveau de l'énoncé ; validation par des locuteurs natifs non affectés. Le corpus établit la première ligne de base pour l'ASR pathologique en langue africaine, avec un protocole reproductible pour d'autres langues comme le Wolof.
Align Once, Benefit Multilingually: Enforcing Multilingual Consistency for LLM Safety Alignment
Ce papier accepté à ICLR 2026 introduit une perte MLC (Multilingual Consistency Loss) intégrable dans les pipelines d'alignement monolingues existants (RLHF, DPO). La méthode améliore significativement la sécurité des LLM pour les langues peu dotées, Bengali, Swahili, Ourdou, Pachto et Kurde, sans supervision supplémentaire au niveau des réponses : seuls des variants de prompts traduits dans les langues cibles sont nécessaires. L'approche réduit le coût d'alignement multilingue d'un facteur de deux à cinq.
MLC loss = KL(p_cible || p_source) ajoutée à la perte d'alignement standard ; cette divergence KL force le modèle à produire des distributions de réponses cohérentes entre une langue haute ressource et ses variants basse ressource ; seuls les prompts sont traduits, les réponses de référence restent en langue source.
Radar conférences — Avril 2026
Trois fenêtres de conférence sont actives ce mois-ci. ICLR 2026 se tient cette semaine même et génère une vague de camera-ready papers, dont le papier MLC ci-dessus. La communauté AfricaNLP a confirmé un atelier co-localisé à ACL 2026 en juillet, AfricaNLP 2026 : les soumissions à cet atelier sont le canal prioritaire pour publier des travaux sur le Wolof et les langues sénégalaises. Interspeech 2026 est en phase de soumission active jusqu'à fin avril : c'est le moment de soumettre des travaux sur l'ASR Wolof ou les corpus de parole africains.