Langues construites, scripts et orthographe

rosetta offre une prise en charge de premier plan pour les langues construites via des registres LLM et des convertisseurs de scripts déterministes. Ce guide explique le fonctionnement de la prise en charge des langues construites, les polices dont vous avez besoin et la manière d'ajouter les vôtres.

:::tip Pourquoi les langues construites sont importantes Les langues construites ne sont pas qu'une simple nouveauté : elles exploitent exactement la même infrastructure que celle utilisée pour les véritables langues sous-représentées. Le portail de qualité (quality gate), le système d'entraînement (coaching system) et le pipeline de conversion de scripts fonctionnent de manière identique pour le klingon et le cri des plaines. Si votre pipeline de langues construites fonctionne, votre pipeline de langues à faibles ressources fonctionnera également. :::

Langues construites prises en charge

Langue	Code	Convertisseur de script	Police requise
Klingon	`tlh`	✅ Romanisation → pIqaD	Police PUA (par ex., pIqaD qolqoS)
Sindarin (Elfique de Tolkien)	`x-elvish-s`	✅ Latin → Tengwar	Police PUA CSUR
Kryptonien	`x-kryptonian`	✅ Latin → Kryptonien	Police PUA
Anglais pirate	`x-pirate`	❌ registre uniquement	Aucune
Anglais shakespearien	`x-shakespeare`	❌ registre uniquement	Aucune
Parler Yoda	`x-yoda`	❌ registre uniquement	Aucune

Les codes des langues construites utilisent le préfixe x- conformément à la convention d'usage privé BCP-47, à l'exception du klingon (tlh) qui possède un code ISO 639-3 attribué par SIL International.

Exigences relatives à Unicode, à la PUA et aux polices

La zone à usage privé (PUA)

Le klingon (pIqaD), le sindarin (Tengwar) et le kryptonien utilisent les caractères de la zone à usage privé (PUA) d'Unicode. La PUA correspond à la plage U+E000–U+F8FF — ces points de code n'ont aucune affectation standard. Le ConScript Unicode Registry (CSUR) maintient des correspondances convenues par la communauté pour les scripts fictifs, mais celles-ci ne font pas partie de la norme Unicode.

Ce que cela signifie en pratique :

Le texte PUA s'affiche sous forme de cases vides (□□□) si la police correcte n'est pas chargée.
Différentes polices peuvent associer des glyphes différents aux mêmes points de code PUA.
rosetta n'intègre PAS de polices PUA — vous devez les charger vous-même.
Les polices système ne rendront jamais ces caractères.

Plages PUA par script

Script	Plage PUA	Référence CSUR
Klingon (pIqaD)	U+F8D0–U+F8FF	CSUR Klingon
Tengwar (Elfique)	U+E000–U+E07F	CSUR Tengwar
Kryptonien	Varie selon la police	Aucun standard CSUR

Chargement des polices Web PUA

Pour afficher du texte de langue construite basé sur la PUA dans votre application Web, chargez la police appropriée via CSS :

/* Load a Klingon PUA font */
@font-face {
  font-family: 'pIqaD';
  src: url('/fonts/piqad.woff2') format('woff2');
  unicode-range: U+F8D0-U+F8FF;
}

/* Apply to Klingon text elements */
[lang="tlh"] {
  font-family: 'pIqaD', sans-serif;
}

:::warning La prise en charge d'Unicode n'est PAS garantie Le Consortium Unicode a explicitement refusé d'encoder les scripts fictifs dans la norme. Les affectations PUA sont maintenues par la communauté et peuvent entrer en conflit selon les implémentations de polices. Spécifiez toujours la police exacte utilisée par votre projet et testez le rendu sur différents navigateurs. :::

Convertisseurs de scripts

Fonctionnement

La conversion de scripts de rosetta est un hook post-traduction :

Le LLM traduit le texte dans un script de travail (généralement latin ou SRO).
Le portail de qualité valide la sortie.
Le convertisseur déterministe transforme le texte validé dans le script d'affichage.
Le texte converti est écrit sur le disque.

Cette approche en deux étapes fonctionne car les LLM produisent de meilleurs résultats lorsqu'ils travaillent avec des scripts basés sur l'alphabet latin. Le convertisseur déterministe garantit une sortie de script correcte sans dépendre des connaissances (souvent peu fiables) du modèle en matière de scripts.

Les cinq convertisseurs

rosetta est fourni avec cinq convertisseurs de scripts intégrés :

Cri des plaines : SRO → Syllabaire (`crk`)

De l'orthographe romaine standard (SRO) au syllabaire autochtone canadien.

Input:  "tawâw"
Output: "ᑕᐚᐤ"

Les voyelles longues utilisent un macron/circonflexe : ê, î, ô, â. Le convertisseur gère tous les signes diacritiques SRO et les associe aux caractères syllabiques corrects. Consultez Prendre en charge une langue à faibles ressources pour le pipeline complet du cri.

Serbe : Latin → Cyrillique (`sr`)

Conversion déterministe du latin au cyrillique pour le serbe.

Input:  "zdravo"
Output: "здраво"

Cela gère l'intégralité de la correspondance de l'alphabet serbe, y compris les digrammes (lj → љ, nj → њ, dž → џ).

Klingon : Romanisation → pIqaD (`tlh`)

Du système de romanisation de Marc Okrand vers les caractères PUA pIqaD.

Input:  "Qapla'"    (romanized Klingon)
Output: [pIqaD PUA] (requires pIqaD font to render)

Sindarin : Latin → Tengwar (`x-elvish-s`)

Correspondance Tengwar du mode sindarin de Tolkien.

Input:  "elen síla"  (Latin Sindarin)
Output: [Tengwar PUA] (requires Tengwar font to render)

Kryptonien : Latin → Kryptonien (`x-kryptonian`)

Correspondance du script kryptonien issue du lexique des fans.

Input:  "Kal-El"
Output: [Kryptonian PUA] (requires Kryptonian font to render)

Déclenchement d'un convertisseur

Définissez le champ scripts dans la configuration de votre langue. Pour les convertisseurs intégrés, cela est détecté automatiquement à partir du code de la langue :

{
  "languages": {
    "sr": { "scripts": "sr" },
    "crk": {}
  }
}

Le cri des plaines (crk) est détecté automatiquement — vous n'avez pas besoin de définir scripts explicitement.

Langues multi-scripts

Certaines langues réelles utilisent plusieurs scripts actifs :

Langue	Scripts	Approche de rosetta
Serbe	Latin + Cyrillique	Convertisseur de script (`sr`) — traduire en latin, convertir en cyrillique
Chinois	Simplifié + Traditionnel	Codes de paramètres régionaux distincts (`zh` vs `zh-TW`) avec des registres distincts

Pour les langues dont les deux scripts s'adressent au même public (comme le serbe), utilisez un convertisseur de script. Pour les langues dont les scripts s'adressent à des publics différents (chinois simplifié pour la Chine continentale, traditionnel pour Taïwan/Hong Kong), utilisez des codes de paramètres régionaux distincts.

Notes sur l'orthographe

Les registres ne se limitent pas au ton : ils comportent des instructions orthographiques qui orientent le LLM vers les conventions d'écriture correctes.

Formules de politesse formelles

Les registres intégrés de rosetta incluent la formule de politesse formelle culturellement appropriée pour chaque langue :

Langue	Forme formelle	Instruction du registre
Allemand	Sie	`Use Sie-form for formal address`
Français	vous	`Use vous-form`
Russe	вы	`Professional register with вы-form`
Turc	siz	`Professional register with siz-form`
Coréen	합쇼체	`Formal Korean (합쇼체)`
Japonais	です/ます	`Polite professional register (です/ます form)`
Polonais	Pan/Pani	`Professional register with Pan/Pani form`

Écriture inclusive

Chaque fiche de langue possède un champ gender.inclusiveGuidance contenant des conseils spécifiques à la langue. Celui-ci est injecté dans l'invite de traduction du LLM séparément du préréglage du registre, de sorte qu'il s'applique de manière cohérente, quel que soit le préréglage de formalité choisi par l'utilisateur :

Français : Écriture inclusive avec notation par point médian (par ex., « Connecté·e »).
Allemand : Notation avec deux-points (par ex., « Benutzer:innen »).
Espagnol : Restructuration neutre privilégiée ; notation avec barre oblique (par ex., « usuario/a ») en solution de repli.

Pour les langues ne comportant pas de directives spécifiques dans leur fiche (par ex., le coréen, les langues construites), le système se rabat sur une règle générique : "privilégier les formes neutres ou l'option la plus inclusive disponible."

Exigences relatives aux scripts RTL (de droite à gauche)

Les registres de l'arabe, de l'hébreu, du persan et de l'ourdou mentionnent tous les exigences d'écriture de droite à gauche : Ensure text reads naturally in RTL layout contexts.

Remplacement d'un registre

Chaque registre est une valeur de configuration — remplacez-la pour qu'elle corresponde à la voix de votre projet :

{
  "languages": {
    "fr": {
      "register": "Casual French. Use tu-form. Conversational blog tone. Gender-neutral when possible."
    },
    "de": {
      "register": "Informal German. Use du-form. Tech startup voice."
    }
  }
}

Consultez la Configuration pour obtenir la référence complète de la configuration.

Ajout d'une nouvelle langue construite

Étape par étape

Choisissez un code d'usage privé BCP-47 : Utilisez le préfixe x- (par ex., x-dothraki, x-valyrian).
Ajoutez à votre configuration :

{
  "languages": {
    "x-dothraki": {
      "register": "Dothraki language. Use David J. Peterson's vocabulary from the Living Language Dothraki textbook. Harsh, direct tone. No articles, no verb 'to be'."
    }
  }
}

(Facultatif) Ajoutez un convertisseur de script : Si votre langue construite utilise un script d'affichage non latin, ajoutez un convertisseur dans lib/scripts.js et enregistrez-le dans SCRIPT_CONVERTERS.
Testez : Exécutez i18n-rosetta sync --dry pour prévisualiser les traductions sans écrire de fichiers.
Vérifiez le portail de qualité : Le portail de qualité peut nécessiter un ajustement pour votre langue construite — en particulier la vérification requireNonLatin si votre langue construite utilise des caractères PUA.

:::note La qualité des langues construites dépend des connaissances du LLM Le LLM ne peut traduire que vers une langue construite qu'il a rencontrée dans ses données d'entraînement. Les langues construites bien documentées (klingon, sindarin, dothraki) fonctionnent bien. Les langues construites obscures ou récemment inventées peuvent produire des résultats incohérents. Utilisez des données d'entraînement pour améliorer la qualité. :::

Voir aussi

Langues prises en charge — tableau complet des langues avec la disponibilité des méthodes.
Convertisseurs de scripts — détails techniques du pipeline de conversion.
Méthodes de traduction — fonctionnement de chaque méthode de traduction.
Configuration — référence de configuration incluant la configuration des langues et des registres.
Prendre en charge une langue à faibles ressources — la même infrastructure appliquée aux véritables langues sous-représentées.

Langues construites prises en charge​

Exigences relatives à Unicode, à la PUA et aux polices​

La zone à usage privé (PUA)​

Plages PUA par script​

Chargement des polices Web PUA​

Convertisseurs de scripts​

Fonctionnement​

Les cinq convertisseurs​

Cri des plaines : SRO → Syllabaire (crk)​

Serbe : Latin → Cyrillique (sr)​

Klingon : Romanisation → pIqaD (tlh)​

Sindarin : Latin → Tengwar (x-elvish-s)​

Kryptonien : Latin → Kryptonien (x-kryptonian)​

Déclenchement d'un convertisseur​

Langues multi-scripts​

Notes sur l'orthographe​

Formules de politesse formelles​

Écriture inclusive​

Exigences relatives aux scripts RTL (de droite à gauche)​

Remplacement d'un registre​

Ajout d'une nouvelle langue construite​

Étape par étape​

Voir aussi​