Si vous ne deviez connaître qu'une seule base de données du français, ce serait celle-là. Lexique 3, construite par Boris New et Christophe Pallier, décrit environ 135 000 formes fléchies du français avec, pour chacune, une information que presque aucune autre ressource libre ne fournit : comment elle se prononce.
Cet article fait partie d'une série où nous passons en revue les bases de données linguistiques libres du français, ce qu'elles apportent et où elles s'arrêtent.
Ce qu'il y a dedans
Chaque ligne de Lexique décrit une forme — pas un mot de dictionnaire, mais une forme réellement écrite : chante, chantes, chantions sont trois lignes distinctes. Pour chacune :
- la graphie et sa transcription phonétique, ainsi que la découpe en syllabes ;
- le lemme (la forme de dictionnaire) et la catégorie grammaticale — nom, verbe, adjectif… ;
- le genre et le nombre, quand ils s'appliquent ;
- deux mesures de fréquence : dans les sous-titres de films, et dans les livres. La distinction compte : le premier corpus reflète l'oral, le second l'écrit ;
- le nombre d'homographes et d'homophones, le nombre de lettres, de phonèmes, les voisins orthographiques ;
- les analyses verbales : pour une forme verbale, le mode, le temps, la personne et le nombre.
La base est diffusée gratuitement sur lexique.org, dans plusieurs formats, dont une version SQL directement exploitable.
Sa force : elle sait ce qui sonne pareil
C'est l'apport décisif, et il n'a pas d'équivalent. En croisant les transcriptions phonétiques, on obtient les classes d'homophonie du français : tous les mots qui se prononcent de la même façon. Sur l'ensemble de la base, cela représente plus de 31 000 classes couvrant environ 90 000 graphies.
À quoi ça sert, concrètement ? À une question que tout concepteur d'exercices finit par rencontrer : peut-on lire cette phrase à voix haute sans donner la réponse ? Si l'exercice demande de choisir entre il mange, tu manges et ils mangent, la lecture ne pose aucun problème : les trois formes sont homophones, l'oreille ne tranche pas — c'est précisément l'intérêt de l'exercice. Si l'exercice oppose il mangera et il mangeait, la lecture donne la solution. Sans transcription phonétique, impossible de faire cette distinction autrement qu'à la main, cas par cas.
La même information permet de repérer les couples piégeux d'une dictée, ou de construire des exercices sur les homophones grammaticaux — a/à, son/sont, ces/ses — en partant des données plutôt que de l'intuition.
Un détail qui change tout : les neutralisations scolaires
La transcription de Lexique est phonologiquement fine — plus fine, en réalité, que ce dont on a besoin en classe. Elle distingue par exemple le é fermé du è ouvert, ou les deux timbres de la voyelle de brun et brin. Or ces distinctions ne sont pas réalisées par tous les locuteurs français, et surtout pas de façon stable.
Conséquence très concrète : sans traitement, ai, et et est seraient déclarés non homophones — ce qui reviendrait à considérer qu'un élève peut les distinguer à l'oreille. C'est faux, et c'est exactement le contraire de ce qu'on veut modéliser. Il faut donc appliquer une série de neutralisations : fusionner les timbres que l'école ne distingue pas. Sans cette étape, la base est trop précise pour l'usage qu'on veut en faire.
C'est le genre de détail qu'on ne découvre qu'en se cognant dessus, et qui vaut d'être signalé : une base juste peut donner un résultat faux si on l'utilise à la mauvaise granularité.
Sa limite : les analyses verbales sont ambiguës — et parfois fausses
Lexique fournit, pour chaque forme verbale, son analyse : mode, temps, personne, nombre. C'est précieux… et c'est le point où il faut être le plus prudent.
D'abord, l'ambiguïté est la norme. La forme mange peut être un présent de l'indicatif à la première personne, à la troisième, un subjonctif, ou un impératif. La base le dit honnêtement — elle liste toutes les analyses possibles. Mais un programme qui prendrait la première venue se tromperait une fois sur deux.
Ensuite, certaines analyses sont simplement erronées. Nous l'avons découvert en construisant des paradigmes verbaux complets à partir de la base : sur un banc de 246 verbes courants, environ 11 % contenaient au moins une forme fausse. Le symptôme le plus visible : « nous racontes » proposé comme première personne du pluriel. La cause est un enchaînement banal — une forme mal étiquetée dans la base, puis une sélection par fréquence qui préfère cette forme fausse parce qu'elle est plus courante dans son emploi légitime.
La parade est simple mais il faut y penser : filtrer par la terminaison attendue. À l'imparfait, au futur et au conditionnel, les terminaisons sont universelles — aucune exception, pas même pour être, faire ou dire. Toute forme non conforme peut donc être rejetée sans risque. Au présent, seules les personnes nous (-ons) et vous (-ez) ont une terminaison quasi universelle, avec les exceptions bien connues : sommes, êtes, faites, dites.
Autrement dit : la base est une excellente source de candidats, mais elle demande une vérification par la règle. C'est un point général, et rassurant — l'erreur est détectable, donc corrigeable. C'est ce qui distingue une ressource de forme d'une ressource de sens.
La fréquence : utile, mais pas pour ce qu'on croit
Lexique donne la fréquence de chaque mot, et la tentation est grande d'en faire une mesure de difficulté : mot fréquent, mot facile. C'est un raccourci trompeur. Femme, monsieur, vingt sont partout et pourtant piégeux à écrire. La fréquence mesure l'exposition, pas la maîtrise.
Pour calibrer un exercice par niveau scolaire, une échelle d'acquisition comme l'échelle Dubois-Buyse est un bien meilleur signal : elle mesure ce que les élèves réussissent réellement. La fréquence reste un repli honorable pour les mots qu'une échelle ne couvre pas.
En résumé
- Irremplaçable pour : la phonétique, les homophones, tout ce qui touche au son. Aucune autre ressource libre ne le fait aussi bien.
- Très bon pour : la catégorie grammaticale, le genre et le nombre, les statistiques d'usage.
- À manier avec précaution : les analyses verbales — ambiguës par nature, occasionnellement fausses. À croiser avec une règle de terminaison.
- Piège classique : utiliser la transcription telle quelle sans neutraliser les distinctions que l'école ne fait pas.
- Faux ami : prendre la fréquence pour une mesure de difficulté orthographique.
Lexique 3 illustre bien la conclusion générale de notre série : les ressources qui décrivent la forme d'un mot sont fiables parce que leurs erreurs sont détectables. On peut vérifier qu'une terminaison est fausse. On ne peut pas vérifier, mécaniquement, qu'un synonyme est mauvais.
