2ADT-Consulting/nllb-susu-v2

NLLB-Susu v2 — Traducteur Soussou ↔ Français / Anglais

Modèle de traduction pour le soussou (susu/sosso, code ISO sus), langue de Guinée. Version améliorée de nllb-susu-v1 : fine-tuning de NLLB-200-distilled-600M avec token de langue sus_Latn.

4 directions dans un seul modèle : fr↔sus, en↔sus. Nouveau en v2 : comprend l'écriture « à la française » (SMS), vocabulaire du quotidien enrichi, moins de biais biblique.

Scores (chrF++ sur jeu de dev)

Direction	v1	v2
fr → sus	48.9	49.5
en → sus	44.4	45.6
sus → fr	41.2	41.4
sus → en	38.9	39.6
sus (écriture SMS) → fr	—	39.8

Utilisation

import torch
from transformers import AutoModelForSeq2SeqLM, AutoTokenizer

tok = AutoTokenizer.from_pretrained("2ADT-Consulting/nllb-susu-v2")
model = AutoModelForSeq2SeqLM.from_pretrained("2ADT-Consulting/nllb-susu-v2")

def translate(text, src_lang, tgt_lang):
    tok.src_lang = src_lang
    inputs = tok(text, return_tensors="pt")
    gen = model.generate(
        **inputs,
        forced_bos_token_id=tok.convert_tokens_to_ids(tgt_lang),
        max_length=128, num_beams=4, no_repeat_ngram_size=3,
    )
    return tok.batch_decode(gen, skip_special_tokens=True)[0]

# codes : sus_Latn (soussou), fra_Latn (français), eng_Latn (anglais)
print(translate("Je vais au marché.", "fra_Latn", "sus_Latn"))
print(translate("I gnèrèma di?", "sus_Latn", "fra_Latn"))  # écriture « à la française »

Données d'entraînement

• Corpus parallèle biblique (soussou latin ↔ fr/en), via YouVersion.
• Lexique du quotidien issu d'un dictionnaire soussou-français (~7 000 entrées).
• Dialogues du quotidien extraits d'un manuel d'apprentissage (Corps de la Paix).
• Augmentation orthographique : génération de variantes en écriture « à la française » (x→kh, u→ou, ɛ→è, ɔ→o, ɲ→gn...) pour comprendre l'usage réel.
• Données du quotidien sur-pondérées pour réduire le biais biblique.

Limitations

• Biais de registre biblique réduit mais encore présent.
• Pas encore validé par un locuteur natif.

Licence

CC-BY-NC-4.0 (héritée de NLLB-200). Données dérivées de traductions bibliques, d'un dictionnaire et d'un manuel — usage non commercial ; vérifier les conditions des sources avant redistribution.