Jeux de données en français pour le TAL : où les trouver, et sous quelle licence

Données et droit · Par la rédaction de Parallel Text · Publié le 2026-11-09

Des rangées de boîtes de cartes perforées empilées qui remplissent le sol d'un grand entrepôt — Stockage de cartes perforées IBM. Photo : US National Archives, via Wikimedia Commons, domaine public.

Le français n'est pas une langue « pauvre » pour le traitement automatique des langues (TAL) : il dispose de corpus annotés, de grands lexiques, d'enregistrements oraux et de vastes textes publics. Le problème est plutôt de savoir où ils se trouvent et ce que leur licence permet. Cet inventaire, arrêté en novembre 2026, présente les principales familles de ressources, les plateformes qui les hébergent et les questions à se poser avant de les utiliser.

Trois questions avant de télécharger

Avant même de choisir un corpus, trois questions évitent la plupart des mauvaises surprises :

Que contient-il vraiment ? Un « corpus de français » peut être de la presse des années 1990, des forums, des transcriptions d'entretiens ou des pages web filtrées automatiquement. Le genre et l'époque des textes conditionnent ce qu'un modèle apprendra. Une fiche de documentation (voir notre guide en anglais sur les datasheets et model cards) devrait le dire.
Sous quelle licence ? Une licence Creative Commons avec la clause NC (pas d'usage commercial) ou SA (partage à l'identique) n'a pas les mêmes conséquences qu'une licence permissive ou que la Licence Ouverte d'Etalab. Certaines ressources ne sont accessibles que sur demande, pour la recherche.
Y a-t-il des données personnelles ? Un corpus oral, des messages de forum ou des décisions de justice peuvent contenir des noms, des voix, des situations identifiables. Le droit des données personnelles s'applique alors en plus du droit d'auteur ; nous y revenons dans notre article sur la fouille de textes en droit français.

Les plateformes où chercher

ORTOLANG (Outils et ressources pour un traitement optimisé de la langue) est la plateforme française de référence pour les ressources linguistiques : corpus écrits et oraux, lexiques, terminologies et outils, déposés par des laboratoires et archivés à long terme. Chaque ressource y a sa fiche, son identifiant pérenne et sa propre licence : c'est la fiche qui fait foi, pas la plateforme. Le site est en ligne sur ortolang.fr.

Huma-Num, très grande infrastructure de recherche pour les sciences humaines et sociales, héberge de nombreux corpus de linguistique et propose NAKALA, un service de dépôt et de publication de données de recherche. On y trouve des enregistrements, des transcriptions et des éditions numériques qui ne figurent pas toujours ailleurs.

data.gouv.fr, la plateforme des données publiques, est moins orientée linguistique mais contient des textes en grande quantité : la Direction de l'information légale et administrative (DILA) y diffuse les bases juridiques (Journal officiel, codes et lois consolidés, conventions collectives, jurisprudence) sous Licence Ouverte. Pour qui veut entraîner ou évaluer un système sur du français administratif ou juridique, c'est une source de premier ordre, réutilisable y compris commercialement, à condition de mentionner la source.

Enfin, le Hub de Hugging Face et le catalogue OPUS (corpus parallèles) rassemblent beaucoup de jeux de données francophones déposés par des équipes du monde entier. Leur qualité de documentation est très inégale : vérifiez toujours l'origine des données et la licence d'origine, qui peut être plus stricte que celle indiquée par la personne qui a déposé une copie.

Panorama par type de ressource

Type	Exemples	Accès et licence (à vérifier sur la fiche)
Corpus annotés en syntaxe	UD French-GSD, UD French-Sequoia, French Treebank	GSD : CC BY-SA 4.0 ; Sequoia : LGPL-LR ; French Treebank : sur demande, pour la recherche
Lexiques et dictionnaires	Morphalou, Lexique, TLFi (via le CNRTL), Wiktionnaire	Libres pour la plupart ; le TLFi est consultable gratuitement mais n'est pas un jeu de données libre
Textes littéraires et patrimoniaux	Frantext, textes de Gallica dans le domaine public	Frantext : accès en ligne, largement réservé aux abonnés ; Gallica : conditions de réutilisation propres
Corpus oraux	ESLO (Orléans), CFPP2000, Orféo	Licences variables, souvent non commerciales ; voix et propos de personnes réelles
Questions-réponses	PIAF, FQuAD	PIAF : licence MIT sur le Hub ; FQuAD : usage restreint, conditions à lire
Textes publics et juridiques	Bases de la DILA (JORF, LEGI, jurisprudence)	Licence Ouverte (Etalab 2.0)
Corpus parallèles	Europarl, mémoires de traduction de l'UE (via OPUS)	Réutilisation large, avec mention de la source
Web et encyclopédies	Wikipédia en français, OSCAR (Common Crawl filtré)	Wikipédia : CC BY-SA 4.0 ; OSCAR : accès sur conditions, droits des textes d'origine non transférés
Parole	Common Voice (français)	CC0 ; diffusé depuis octobre 2025 par la Mozilla Data Collective

Corpus annotés : la base de l'analyse syntaxique

Les corpus arborés (treebanks) associent à chaque phrase une analyse grammaticale vérifiée. Pour le français, le projet Universal Dependencies propose plusieurs corpus au même format, dont French-GSD (blogs, presse, avis, wiki), distribué sous CC BY-SA 4.0, et French-Sequoia (Wikipédia, textes médicaux, presse, documents européens), sous licence LGPL-LR. Le French Treebank, constitué à partir d'articles du journal Le Monde par une équipe du Laboratoire de linguistique formelle, reste une référence historique, mais il est distribué sur demande et pour la recherche : il ne peut pas être republié librement.

Ces corpus servent à entraîner des étiqueteurs et des analyseurs, mais aussi à évaluer des modèles de langue sur des tâches précises : nous en parlons dans comment évaluer un modèle de langue en français.

Oral et parole : la richesse et la prudence

Le français est bien doté en corpus oraux de recherche : enquêtes sociolinguistiques menées à Orléans depuis la fin des années 1960 (ESLO), entretiens enregistrés à Paris autour de l'an 2000 (CFPP2000), ou corpus regroupant diverses situations d'interaction comme Orféo. Ils sont précieux pour étudier le français parlé, que les modèles entraînés sur l'écrit connaissent mal.

Ce sont aussi les ressources les plus délicates : les voix et les propos enregistrés appartiennent à des personnes réelles, et les conditions d'accès exigent souvent un engagement à ne pas les rediffuser ni chercher à identifier les locuteurs. Pour la reconnaissance vocale, Common Voice offre des enregistrements donnés volontairement sous CC0 ; depuis octobre 2025, ses jeux de données sont diffusés uniquement par la Mozilla Data Collective, et non plus par le Hub de Hugging Face.

Questions-réponses : PIAF et FQuAD

Deux jeux de données ont été construits en 2019-2020 pour doter le français d'un équivalent du célèbre SQuAD anglais : des questions rédigées par des humains sur des paragraphes de Wikipédia, avec la réponse à extraire du texte. PIAF (« Pour une IA francophone »), lancé par Etalab, le service de l'État chargé des données publiques, a été construit de façon participative ; sa version sur le Hub de Hugging Face compte quelques milliers de questions et porte une licence MIT. FQuAD, créé par la société française Illuin Technology, est plus volumineux mais soumis à des conditions d'usage plus restrictives : lisez-les avant tout usage commercial.

Le web : abondant, mais pas « libre »

Les grands modèles de langue français ont été entraînés en partie sur du texte web. OSCAR, corpus multilingue obtenu en filtrant par langue les archives de Common Crawl, a par exemple servi à entraîner CamemBERT (138 Go de texte français pour la version de base, selon la fiche du modèle). Mais un texte accessible en ligne n'est pas un texte libre de droits : les auteurs des pages conservent leurs droits, et l'accès aux versions récentes d'OSCAR est soumis à conditions. La question de savoir ce que l'on peut copier pour entraîner un modèle relève de l'exception de fouille de textes et de données, que nous détaillons dans un article dédié.

Wikipédia en français est, à l'inverse, explicitement réutilisable sous CC BY-SA 4.0 : la contrepartie est l'attribution et, pour les œuvres dérivées, le partage sous la même licence.

Bonnes pratiques de citation

Citez la ressource avec son identifiant pérenne (DOI, Handle ORTOLANG) et sa version : un corpus corrigé entre deux versions peut changer vos résultats.
Recopiez la licence dans votre propre documentation, et signalez toute ressource dont la licence vous paraît incertaine plutôt que de supposer qu'elle est libre.
Gardez la trace des filtrages et des échantillonnages que vous appliquez : c'est la condition de la reproductibilité (article en anglais).

Pour aller plus loin sur les licences elles-mêmes (Creative Commons, Open Data Commons, règles européennes), notre guide en anglais Dataset licences for NLP détaille chaque cas. Et pour savoir qui produit ces ressources en France, voir la recherche francophone en TAL.

Sources

ORTOLANG, plateforme d'outils et de ressources linguistiques, ortolang.fr, consultée en novembre 2026.
Universal Dependencies, fiches des corpus UD_French-GSD (licence CC BY-SA 4.0) et UD_French-Sequoia (licence LGPL-LR), consultées en novembre 2026.
Fiches des modèles et jeux de données sur le Hub de Hugging Face : almanach/camembert-base (données d'entraînement), AgentPublic/piaf (licence, nombre d'exemples), consultées en novembre 2026 ; annonce de Mozilla sur la diffusion de Common Voice par la Mozilla Data Collective (octobre 2025).