Quarante millions de personnes, et une langue « peu dotée »
Le darija est parlé par une quarantaine de millions de personnes. En traitement automatique des langues, il est pourtant classé peu doté — la catégorie des langues pour lesquelles une machine n'a presque rien à lire.
La contradiction n'en est pas une, et sa raison est marocaine : l'arabe standard occupe les usages officiels — administration, presse, école — tandis que le darija, mélange d'arabe, d'amazighe, de français et d'espagnol, est la langue de la vie quotidienne. Une langue qu'on parle beaucoup et qu'on écrit peu laisse peu de traces qu'un modèle puisse apprendre. source 1
Ce que « peu doté » veut dire, en chiffres
Deux équipes ont construit les premiers modèles dédiés au darija. Les tailles de corpus qu'elles rapportent donnent la mesure de l'écart :
| Le corpus d'entraînement | Sa taille |
|---|---|
| Un modèle arabe généraliste récent, partie arabe | 116 milliards de jetons |
| Un modèle d'arabe standard (ARBERT) | 6,5 milliards de jetons — 61 Go |
| Un modèle multidialectal (MARBERT) | 15,6 milliards de jetons — 128 Go |
| Le premier modèle dédié au darija | environ 100 millions de jetons |
Le rapport est de l'ordre de mille pour un avec la partie arabe d'un modèle généraliste. source 1 source 2
⚠️ Et il faut regarder d'où vient ce corpus. Les chercheurs de l'INSEA à Rabat l'ont constitué de 9,5 millions de commentaires YouTube en caractères arabes, 4,6 millions de commentaires en caractères latins, et 3 millions de messages courts. Le darija écrit qu'une machine peut lire est, pour l'essentiel, celui des réseaux sociaux — pas celui d'un contrat, d'une procédure ou d'un compte rendu. source 2
Deux écritures pour une seule langue
Le même travail relève une difficulté que personne d'autre n'a : le darija s'écrit en caractères arabes et en caractères latins, cette seconde forme étant appelée arabizi.
Les auteurs ont dû entraîner des modèles distincts — l'un pour chaque écriture, un troisième pour le mélange. Pour isoler l'arabizi, il a fallu écarter automatiquement les commentaires en français, qui partagent le même alphabet.
source 2Pour une entreprise, ce détail n'en est pas un : un outil qui comprend le darija en caractères arabes ne comprend pas forcément le même darija tapé en lettres latines, qui est pourtant la forme la plus courante au clavier.
Ce que le Maroc était, et n'était plus, en matière de modèles
Avant ces travaux, sur les vingt-deux pays arabes, trois seulement disposaient d'un modèle dédié à leur dialecte — le Soudan, la Tunisie et l'Algérie — et leurs corpus se comptaient en centaines de milliers ou en quelques millions de messages. Le Maroc n'en avait aucun. source 2
Ce manque a été comblé en deux temps. D'abord un modèle de compréhension, publié par le laboratoire SI2M de l'INSEA. Puis, en janvier 2025, la première famille de modèles conversationnels pour un dialecte arabe, présentée à un atelier de l'Association for Computational Linguistics par une équipe où figure l'université Mohammed VI polytechnique. source 1
Le résultat qui compte pour une décision
Cette seconde équipe a mis ses modèles en concurrence avec les modèles arabes généralistes, sur une batterie d'épreuves construite pour le darija.
Un modèle spécialisé de 2 milliards de paramètres dépasse un généraliste de 6,7 milliards — de 5 points sur l'épreuve de connaissances générales, et de 27 points sur celle du suivi d'instructions. Le modèle de 9 milliards devance des modèles de 13 milliards, et arrive en tête sur quatorze des seize mesures.
source 1Autrement dit : sur le darija, le plus gros modèle n'est pas le meilleur. C'est l'inverse de ce qui vaut pour l'anglais, et c'est la seule conclusion de cet écrit qui se traduise directement en choix d'outil.
⚠️ Ce que les auteurs eux-mêmes signalent
Ils ferment leur article par une section de limites, et deux points méritent d'être lus par quiconque envisage de s'appuyer sur ces modèles.
Le modèle produit encore des réponses inventées, et le jeu de données peut porter des biais.
Et la fabrication du jeu d'instructions pose une question de fond. Les auteurs écrivent avoir « largement compté sur Claude pour traduire en darija des instructions en anglais », en ajoutant que ce modèle, « principalement entraîné sur l'anglais et reflétant des valeurs culturelles occidentales, pourrait ne pas saisir pleinement les nuances propres au darija ». source 1
Un modèle de darija dont une partie de la matière a été traduite depuis l'anglais par un modèle anglophone : la limite est réelle, et elle est déclarée par ceux qui l'ont construit.
⚠️ Et ce que ces travaux ne disent pas
Rien ici ne mesure ce que fait un assistant du commerce en darija. Ces résultats portent sur des modèles de recherche, publiés en accès libre, évalués sur des épreuves construites pour l'occasion. Aucun de ces travaux ne dit comment se comporte l'outil que vos équipes ouvrent le matin.
Une précision d'accès : le travail sur le modèle de compréhension a paru dans une revue à comité de lecture en janvier 2024, derrière un péage. Le texte lu ici est la version préimprimée déposée par les auteurs sous licence libre en février 2023. Les chiffres cités sont les siens.
Ce qu'une entreprise marocaine peut en retenir
La disponibilité en darija n'est pas une case à cocher. Elle dépend de l'écriture employée, du domaine, et du modèle choisi — et elle se vérifie sur vos propres phrases, pas sur une fiche produit.
Le petit modèle spécialisé bat le gros généraliste, ici. C'est mesuré, et c'est contraire à l'intuition que le marché installe.
Ce que la machine n'a pas lu, elle ne le sait pas. Le darija écrit qui existe en quantité est celui des commentaires publics. Le vocabulaire d'un atelier, d'un cabinet ou d'une administration n'y figure pas — c'est exactement ce qu'aucun modèle générique ne peut deviner, et ce qu'une équipe formée sait lui fournir.
Si vous voulez former vos équipes en darija, c’est le sujet de former ses équipes en darija.