💡 Un corpus vocal vietnamien dominé par des locuteurs du Nord sous-performera sur les utilisateurs du Sud et du Centre dans la réalité. Le vietnamien possède trois groupes dialectaux distincts avec des systèmes de tons et des mappings consonantiques différents. Prévoyez au moins 30 % de locuteurs non nordiques, utilisez des corpus multidialectaux vérifiés et appliquez un QA par relecteurs natifs pour chaque zone dialectale.
À retenir
- Trois groupes dialectaux comptent pour l'ASR : le Nord (standard), le Centre (le plus éloigné phonologiquement du Nord) et le Sud (les tons hỏi/ngã fusionnent en un seul, donnant 5 tons effectifs au lieu de 6).
- La plupart des corpus vietnamiens publics sont à dominante nordique. Bud500 (500 h) et ViMD (102 h, 63 provinces) sont les meilleures options multidialectales disponibles fin 2026.
- Mozilla Common Voice vietnamien est le seul grand corpus ouvert sous licence CC0, utilisable commercialement sans révision juridique distincte.
- Les datasets VLSP sont réservés à la recherche. Vérifiez les conditions de licence avant d'utiliser un corpus dans un modèle de production.
- Dans tout contrat de collecte de données vocales, précisez les quotas dialectaux, les métadonnées de province du locuteur et des guides de transcription spécifiques à chaque dialecte.
Pourquoi la couverture dialectale est-elle déterminante pour l'ASR vietnamien?
Le Vietnam compte environ 101 millions de personnes réparties dans 63 provinces. Le dialecte standard national est le vietnamien du Nord, la variété de Hanoï, qui domine l'éducation, les médias nationaux et la plupart des corpus NLP publics. Mais le vietnamien du Sud et du Centre ne sont pas de simples accents régionaux d'un même système. Ils ont des inventaires phonologiques distincts avec des nombres de tons différents, des réalisations tonales différentes et des mappings consonantiques différents.
L'étude multidialectale ViMD de 2024 (EMNLP 2024) confirme que le dialecte central produit systématiquement le taux d'erreur mot le plus élevé pour les modèles entraînés sur d'autres variétés. Le Centre est phonologiquement plus éloigné du Nord que ne l'est le Sud. Une interface vocale déployée à l'échelle nationale sans données d'entraînement multidialectales exclut une part substantielle de sa base d'utilisateurs dès le premier jour.
Quels sont les trois groupes dialectaux du vietnamien?
Les linguistes vietnamiens regroupent la langue en trois grandes zones dialectales, bien que la variation provinciale au sein de chaque zone soit substantielle :
- Nord (miền Bắc) : Basé sur le parler de Hanoï. Les six tons lexicaux sont tous pleinement distincts. Les consonnes initiales "d", "gi" et "v" convergent phonétiquement vers [z]. C'est le dialecte standard pour l'éducation et les médias nationaux, dominant dans les corpus ASR publics.
- Centre (miền Trung) : S'étend de la province de Thanh Hóa à Bình Định, avec Hue comme centre culturel. Les tons présentent une glottalisation plus marquée et un contour mélodique distinct. Phonologiquement le plus éloigné du Nord ; les modèles ASR se dégradent le plus sévèrement sur les locuteurs du Centre.
- Sud (miền Nam) : Associé à Hô Chi Minh-Ville et au delta du Mékong. Les tons hỏi et ngã fusionnent en une seule réalisation, réduisant l'inventaire de six à cinq tons effectifs. Les consonnes "d" et "gi" se réalisent [j], "v" en [v] et "r" en battue plutôt qu'en [z] comme au Nord.
Au-delà de ces trois zones, le dialecte des hauts plateaux du Centre (Tây Nguyên) et les parlers des communautés de minorités ethniques apportent une variation supplémentaire. Le dataset ViMD couvre les 63 provinces vietnamiennes, en faisant la seule ressource publique cartographiant cette portée géographique complète pour la recherche ASR multidialectale.
Tons et consonnes : ce qui distingue le Nord, le Centre et le Sud
Le système tonal est la dimension la plus critique pour la précision de l'ASR. Le vietnamien standard du Nord possède six tons lexicaux : niveau (ngang), descendant (huyền), montant (sắc), brisé-montant (hỏi), descendant-craquelé (ngã) et descendant-lourd (nặng). Un modèle entraîné sur des données nordiques apprend six catégories tonales. Dans la parole sudiste, il n'en rencontre que cinq, car hỏi et ngã fusionnent. Il classe systématiquement ce ton fusionné de manière erronée, sans aucun signal d'erreur.
Les différences de consonnes initiales aggravent le problème. Dans la parole nordique, "d", "gi" et "v" se réalisent tous en [z], donc un seul patron acoustique correspond à trois caractères écrits. Dans la parole sudiste, "d" et "gi" sont [j], "v" est [v] et "r" est une battue. Un modèle qui ne connaît que le mapping nordique produit des erreurs de transcription systématiques sur l'audio sudiste, sans signal interne pour détecter l'anomalie.
L'implication pratique est que les guides de transcription doivent être spécifiques au dialecte. Des annotateurs formés à la norme nordique produisent des erreurs systématiques lors de la transcription d'audio central ou sudiste sans instructions explicites sur les différences phonologiques pertinentes.
Quels corpus vocaux vietnamiens couvrent plusieurs dialectes?
Fin 2026, les principales options disponibles sont :
- GigaSpeech 2 (vietnamien) : environ 6 000 heures provenant de YouTube avec des pseudo-étiquettes. Très volumineux, mais la distribution dialectale penche fortement vers les médias nordiques et la qualité des étiquettes est inégale.
- Bud500 : 500 heures avec des partitions Nord, Centre et Sud explicites. Une base pratique pour construire un modèle à trois dialectes.
- VLSP 2020 : 100 heures d'audio étiqueté. Licence réservée à la recherche, non autorisée pour un déploiement commercial.
- ViMD (EMNLP 2024) : 102,56 heures et environ 19 000 énoncés couvrant les 63 provinces. La meilleure ressource publique pour l'identification de dialectes et la recherche ASR multidialectale.
- Mozilla Common Voice (vietnamien) : Crowd-sourcé, licence CC0. Volume modeste, qualité variable, mais utilisable commercialement sans restrictions. Un filtre de qualité avant le fine-tuning est recommandé.
Pour un produit ASR vietnamien en production, une approche pratique combine Bud500 ou ViMD comme backbone dialectalement équilibré avec Common Voice pour l'augmentation à faible risque et des données enregistrées spécifiques au domaine cible.
Lors de la commande de données vocales originales, votre cahier des charges doit inclure : des quotas dialectaux minimaux (par exemple au moins 30 % de locuteurs sudistes et 15 % de locuteurs centraux) ; des métadonnées de province de naissance par locuteur ; des guides de transcription dialectaux traitant de la fusion tonale sudiste ; et un QA par relecteurs natifs de chaque zone dialectale couvrant un échantillon aléatoire de 5-10 % avant livraison.
En interne ou avec un spécialiste vietnamien : où est la frontière honnête?
Votre équipe peut gérer la couche technique en interne. Ingestion des corpus publics, filtrage par licence, screening qualité avec des modèles ASR de base et mise en place des outils d'annotation sont des tâches d'ingénierie standard ne nécessitant aucune expertise linguistique.
La nécessité d'un expert vietnamien natif apparaît dans la couche QA linguistique. Rédiger des guides de transcription dialectalement précis, auditer l'audio sudiste et central pour détecter des erreurs d'étiquetage systématiques, valider l'annotation tonale de la fusion hỏi/ngã, et recruter des locuteurs dialectaux vérifiés avec une provenance provinciale authentique requièrent tous une compétence native. Une équipe d'annotateurs non natifs produira un corpus qui semble complet dans un tableur mais échoue de manière mesurable en production sur des utilisateurs réels du Sud et du Centre.
Pour les projets nécessitant une annotation de données d'IA en vietnamien et un contrôle qualité multidialectal, la page des services de données IA et localisation vietnamiens couvre les options d'annotation structurée, de QA dialectal et de révision de corpus pour les équipes francophones entrant sur le marché vietnamien.
FAQ
Le vietnamien du Nord suffit-il pour un modèle ASR ciblant des entreprises hanoïennes?
Oui, pour un produit explicitement délimité au Nord du Vietnam. Le vietnamien du Nord est le dialecte standard utilisé dans les médias, l'éducation et les administrations hanoïens. Un modèle entraîné uniquement sur des données nordiques est approprié pour ce périmètre. L'étape essentielle est de documenter clairement la limitation de portée : le même modèle sous-performera sur des locuteurs du Centre ou du Sud.
Mozilla Common Voice vietnamien peut-il être utilisé dans un produit commercial?
Oui. Mozilla Common Voice vietnamien est distribué sous licence CC0, qui renonce aux restrictions de droit d'auteur. C'est l'un des très rares corpus vocaux vietnamiens utilisables commercialement sans accord de licence séparé. La qualité est variable en raison de la collecte crowd-sourcée ; un filtre qualité automatique avant le fine-tuning est conseillé.
La fusion tonale sudiste affecte-t-elle aussi la TTS?
Oui. Pour la synthèse vocale, générer une voix de style sudiste nécessite un modèle de prosodie séparé entraîné sur des données de locuteurs sudistes ou une logique de mapping tonal explicite. Un modèle TTS nordique produira des réalisations tonales nordiques même pour une voix ciblant le style sudiste, ce qui paraît peu naturel aux auditeurs sudistes habitués à la fusion hỏi/ngã.
Combien d'heures par dialecte faut-il pour un modèle de production?
Les recherches sur des langues à faibles ressources comparables suggèrent 50-100 heures d'audio propre et étiqueté par dialecte comme point de départ pour une amélioration significative du taux d'erreur mot par rapport à une baseline nordique. La couverture des 63 provinces n'est pas nécessaire pour la plupart des produits. Les trois groupes dialectaux principaux sont la priorité pratique, l'ajout de couverture centrale étant le plus impactant.
Quelles métadonnées du locuteur sont les plus importantes dans un contrat de collecte vocale vietnamien?
Précisez : province de naissance, province de résidence la plus longue (ces deux données diffèrent pour les migrants internes), tranche d'âge et variété dialectale principale auto-déclarée. La province de naissance est un indicateur de fond dialectal plus fiable que l'identité régionale auto-déclarée, car une personne ayant grandi à Hue avant de s'installer à Hanoï conserve les traits phonologiques centraux.
Sources officielles
- ViMD : Dataset vietnamien multidialectal - EMNLP 2024 - corpus 63 provinces, 102 heures, résultats de base ASR, dégradation du dialecte central. Vérifié novembre 2026.
- DataReportal : Rapport Digital 2025 Vietnam - population vietnamienne (101 millions), internautes et données démographiques numériques. Vérifié novembre 2026.
- Mozilla Common Voice - vietnamien - corpus vocal vietnamien crowd-sourcé sous licence CC0. Vérifié novembre 2026.
- Awesome Vietnamese Speech Datasets (GitHub) - index sélectif de corpus ASR/TTS vietnamiens avec taille, couverture dialectale et licences. Vérifié novembre 2026.
Écrit par Đào Huy (Lucas), traducteur vietnamien et spécialiste de la localisation (anglais, chinois et français vers le vietnamien). See translation services →