À travers le projet COLaF (Corpus et Outils pour les Langues de France), Inria a pour objectif de contribuer au développement de corpus et d’outils libres pour le français et les autres langues de France, en étroite collaboration avec des partenaires académiques et institutionnels.

Le périmètre de COLaF inclut à la fois :

• les données textuelles (ALMAnaCH, Centre Inria de Paris),
• les données de parole et de langue des signes (MULTISPEECH, Centre Inria de l’Université de Lorraine).

COLaF vise à couvrir la diversité du français et des langues de France :

• il a pour ambition de couvrir un échantillon aussi divers que possible: français de France et d’ailleurs, langues régionales, créoles à base française (y compris hors de France), langues autochtones, langues d’immigration, langue des signes française;
• l’ensemble des axes de variation seront étudiés, au-delà de l’état standard de la langue, et notamment les langues de spécialité, la diachronie, les états non standard (réseaux sociaux, langue d’apprenants, etc.).

Les travaux au sein du projet couvrent notamment l’acquisition et structuration de textes à partir de sources non textuelles (livres, enregistrements audio, etc.), la classification par langues et par variétés linguistiques de gros volumes de textes (en lien étroit avec le projet OSCAR), le développement de modèles d’annotation et de transformation (traduction, normalisation, synthèse vocale, génération de langue des signes) au service du développement de corpus et de l’exploitation des ressources nouvellement créées.

COLaF est un DEFI Inria porté par Benoît Sagot (responsable de l’équipe-projet ALMAnaCH) et Slim Ouni (responsable de l’équipe-projet MULTISPEECH).