Un article publié sur arXiv le 2 septembre 2026 et accepté à la conférence principale d'EMNLP décrit DiscoSign, un cadre permettant de traduire un texte anglais en gloss de la langue des signes américaine (ASL) tout en conservant la trace de ce qui a déjà été dit. Ses auteurs sont des chercheurs d'Apple et de l'Université Gallaudet, et des agrégateurs ont signalé son apparition sur le site de recherche en apprentissage automatique d'Apple le 11 septembre, ce qui est probablement la façon dont la plupart des lecteurs extérieurs au domaine en auront pris connaissance. L'affirmation technique est étroite et bien énoncée. La plupart des systèmes de traduction texte-vers-signes traduisent une phrase à la fois et n'ont aucune mémoire entre les phrases, si bien qu'un référent placé à un endroit peut être silencieusement réattribué dans la phrase suivante, le même concept peut être rendu par trois signes différents dans trois phrases consécutives, et les structures rhétoriques qui organisent le discours signé ne peuvent pas être choisies parce que le système ne peut pas voir le discours. DiscoSign ajoute des registres explicites qui persistent d'une phrase à l'autre, les impose comme contraintes au modèle, puis vérifie et corrige la sortie en fonction d'eux.
Il s'agit là d'une avancée réelle face à un défaut réel, et l'article est franc sur ce qu'il ne fait pas. L'enjeu de gouvernance se situe un cran plus loin. Lorsqu'un système transporte un état à travers un document, l'unité susceptible d'échouer n'est plus la phrase. Les erreurs cessent d'être des événements indépendants et deviennent des propriétés de l'ensemble du passage, et les pratiques d'évaluation que le domaine a mises en place, qui notent les phrases et en font la moyenne, ne peuvent pas le voir. Le risque n'est pas que la recherche exagère sa propre portée. C'est que les mots « conscient du discours » (discourse-aware) arriveront dans les documents d'achat public bien avant que quiconque ait convenu de la manière de tester si le discours est réellement pris en charge.
Ce que l'article affirme, et ce qu'il dit de lui-même
DiscoSign traite trois phénomènes. Le premier est la coréférence spatiale : en ASL, des entités se voient assigner des emplacements dans l'espace de signation et sont ensuite désignées par un pointage vers ces emplacements, de sorte qu'un système doit se souvenir qu'Alice a été placée à gauche et Bob à droite. Le second concerne les clauses question-réponse, ces structures thème-propos dans lesquelles un signeur pose une question rhétorique et y répond immédiatement, appropriées à certaines positions du discours et maladroites à d'autres. Le troisième est la cohérence concept-gloss, c'est-à-dire qu'un concept apparaissant cinq fois dans un document devrait être rendu par le même signe à chaque fois plutôt que d'alterner entre quasi-synonymes. Chacun est pris en charge par un module qui maintient un registre, l'énonce au modèle de langage comme une contrainte stricte, puis vérifie la sortie renvoyée et corrige les violations en place.
L'article rapporte que cela améliore substantiellement la cohérence spatiale et le suivi des entités par rapport aux références au niveau de la phrase, tout en maintenant stable la qualité au niveau d'une seule phrase, et il introduit ses propres métriques car, comme il le dit, les métriques de traduction automatique standard « ne parviennent pas à capturer la qualité au niveau du discours ». Sa section sur les limites est étonnamment directe. Le cadre « traite la production manuelle des signes par le biais des gloses mais n'intègre pas les marqueurs non manuels (MNM) tels que les expressions faciales et la prosodie, qui portent des informations grammaticales et affectives essentielles dans les langues des signes ». L'un de ses trois jeux de données « manque d'annotations ASL de référence », de sorte qu'une partie de l'évaluation au niveau du discours repose sur des métriques automatiques et sur la rétro-traduction. La règle qui détermine quand une clause question-réponse est appropriée « ne peut pas représenter le caractère optionnel » d'une structure qui relève parfois du style. Les auteurs déclarent également avoir « collaboré avec des membres de la communauté signante » et incluent des co-auteurs de Gallaudet, ce qui n'est pas la norme dans cette littérature et mérite d'être dit clairement.
La cohérence n'est pas l'exactitude
Le mécanisme qui fait fonctionner DiscoSign est aussi ce qui en fait un problème de gouvernance, et c'est là ce qui ne ressort pas de la lecture du résumé. Un registre impose qu'une décision prise tôt soit appliquée tout au long du texte. Si la décision est correcte, tout le passage est cohérent. Si la décision est erronée, tout le passage est erroné de la même manière. Un référent assigné au mauvais emplacement dans la deuxième phrase ne produit pas une seule mauvaise phrase ; il produit un document dans lequel chaque référence ultérieure pointe avec assurance vers la mauvaise personne. Un concept associé à un signe inexact n'est pas un faux pas isolé ; c'est ce signe, répété, avec la machinerie de cohérence du système empêchant activement la correction que la variation aurait pu introduire. La description que fait l'article lui-même du pipeline indique que « les erreurs au niveau du discours introduites à l'étape du gloss se propagent à travers l'ensemble du pipeline ».
Les systèmes au niveau de la phrase échouent bruyamment, et l'échec bruyant possède une propriété sous-estimée : le lecteur le remarque. L'incohérence est lisible comme un défaut. Un système qui se trompe de manière cohérente ressemble à un système qui le fait exprès. Pour un lecteur Sourd qui reçoit la sortie sans la vérifier par rapport à la source, un référent erroné mais stable n'est pas manifestement une erreur du tout ; c'est simplement ce que dit le document. Cela renverse l'hypothèse habituelle selon laquelle une meilleure cohérence interne serait plus sûre. La cohérence augmente le coût d'une erreur au moment même où elle en réduit la visibilité, et aucune moyenne de scores par phrase ne le révélera.
Ce que mesurent les nouvelles métriques, et ce qui les a validées
L'article est prudent ici, et cette prudence mérite d'être lue attentivement car elle fixe le plafond de ce qui peut raisonnablement être affirmé en aval. Les nouvelles métriques mesurent la cohérence des index spatiaux, la stabilité de l'association concept-gloss, et la pertinence de l'utilisation des clauses question-réponse. Deux des trois mesurent si le système a fait la même chose tout du long, ce qui est une propriété de la sortie considérée en elle-même et non une mesure de la compréhension du passage par un lecteur Sourd. Pour valider les métriques, deux évaluateurs maîtrisant l'ASL ont noté trente-deux récits, cent cinquante-deux phrases, sur une échelle de cinq points. La cohérence spatiale a montré une corrélation modérée avec leurs jugements. La cohérence concept-gloss a montré une corrélation. La métrique de pertinence pour les clauses question-réponse n'a pas atteint la signification statistique, et l'article attribue cela au fait que les évaluateurs n'étaient pas d'accord sur ce qui constitue une telle clause, l'accord pondéré entre eux étant décrit comme modéré.
Pour une contribution de recherche validant une nouvelle métrique, deux évaluateurs experts constituent une conception raisonnable, et l'honnêteté quant au résultat négatif est à mettre au crédit des auteurs. Comme base de déploiement institutionnel, cela est loin d'être suffisant, et l'article ne prétend pas le contraire. Trois distinctions importent si ces travaux migrent vers les marchés publics. Premièrement, corréler une métrique automatique avec les évaluations d'experts sur la même propriété n'équivaut pas à mesurer si les lecteurs Sourds comprennent le document, ce que personne n'a encore fait au niveau du discours. Deuxièmement, « maîtrisant l'ASL » n'est pas synonyme de Sourd, et l'article ne rapporte ni la surdité des évaluateurs, ni leur certification, ni leur parcours. Troisièmement, lorsque des évaluateurs qualifiés ne s'accordent même pas sur la présence d'une structure grammaticale, un score automatisé affirmant que son usage était approprié n'est pas encore un artefact d'assurance, quel que soit le chiffre qu'il produit.
Le gloss n'est toujours pas la langue
La couverture médiatique qui présente cela comme l'IA en langue des signes dépassant la traduction phrase par phrase va au-delà de ce qui a été réellement construit. DiscoSign produit du gloss, une séquence d'étiquettes écrites tenant lieu de signes manuels, et les auteurs disent directement que les marqueurs non manuels ne sont pas inclus. En ASL, une grande partie de la structure du discours que l'article cherche à préserver réside précisément dans ces canaux. Le marquage du thème, la frontière entre les moitiés question et réponse des structures mêmes que le cadre modélise, les changements de rôle qui signalent de quel point de vue on parle, le regard qui relie une référence à un emplacement dans l'espace : tout cela est porté par le visage, la tête et le corps. Une chaîne de gloss peut enregistrer qu'un référent est index-j ; elle ne peut pas enregistrer le regard qui fait atterrir cette référence.
Les auteurs le voient et disent quelque chose d'utile à ce sujet, à savoir que l'état conservé par leurs registres est proche de l'information dont un système visuel en aval aurait besoin pour produire des marqueurs non manuels, et que dériver ces annotations à partir du registre est une prochaine étape naturelle. C'est là une description sobre d'un travail inachevé. Ce n'est pas la même chose qu'un système produisant un discours signé cohérent, et c'est dans l'écart entre les deux qu'un responsable des achats lisant un résumé de presse sera induit en erreur. Un acheteur informé que le pipeline d'un fournisseur est « conscient du discours » est en droit de demander quelle étape cela décrit, et si quoi que ce soit en aval du gloss préserve cette propriété.
Le jeu de données qui n'est pas nommé
L'article liste trois sources de données : ASL STEM Wiki, les Fables d'Ésope du Project Gutenberg, et, selon ses propres termes, « un jeu de données sous licence ». Les deux premières sont identifiées et vérifiables. La troisième n'est pas nommée. Il s'agit d'une pratique courante et cela reflète très probablement une licence commerciale plutôt qu'une quelconque irrégularité, mais cela mérite d'être noté comme une question en suspens plutôt que d'être passé sous silence, car dans le travail sur les langues signées, la provenance d'un corpus est une question qui concerne des personnes. Les données signées sont enregistrées auprès de signeurs dont les visages et les corps constituent les données. La question de savoir si ces signeurs ont consenti à une recherche en traduction automatique, s'ils ont été rémunérés, et ce que la licence autorise en aval, reste sans réponse lorsque la source n'est pas nommée. Un domaine qui repose de plus en plus sur la qualité et la provenance de ses corpus se verra tôt ou tard poser ces questions par des régulateurs et par des organisations de Sourds, et nommer la source est le moyen le moins coûteux d'y être préparé.
Ce qui change pour l'évaluation lorsque le système se souvient
Si les systèmes conscients du discours deviennent la norme, et le sens de l'évolution suggère qu'ils le deviendront, alors quiconque les évalue a besoin d'instruments qui opèrent au niveau où le système opère désormais. Six exigences découlent de ce que montre cet article. La première est la persistance dans la durée : une cohérence mesurée sur trois phrases ne dit rien d'un système maintenant une douzaine de référents sur une page de prose, si bien que les tests doivent préciser la longueur du document et la densité des référents plutôt que de rapporter une moyenne. La deuxième est la propagation : une évaluation devrait indiquer jusqu'où voyage une seule erreur précoce, mesurée en phrases affectées en aval, et non diluée à travers un document sous forme de score fractionnaire. La troisième est le pire cas à côté de la moyenne, car l'exposition d'une institution est déterminée par le passage qui a échoué, non par le passage moyen.
La quatrième est la récupération : un système qui maintient un état devrait être testé sur sa capacité à réviser une attribution lorsqu'un texte ultérieur contredit une inférence antérieure, et sur ce qui se passe lorsqu'un document réattribue légitimement un référent. La cinquième est la correction humaine au bon niveau, car un relecteur vérifiant phrase par phrase approuvera un passage dont l'erreur est une propriété de l'ensemble, ce qui signifie que les procédures de relecture conçues pour une sortie au niveau de la phrase ne se transposent pas. La sixième est la compréhension par les lecteurs Sourds, mesurée sur des documents entiers par rapport à un comparateur humain signé, qui reste la seule preuve que la cohérence interne mesurée atteint réellement la personne à qui elle est destinée. La position de NCG, que cet article ne contredit pas, est que les métriques internes constituent un intrant pour l'assurance et jamais un substitut à une sortie validée, et que le niveau de preuve requis augmente avec les enjeux du contexte dans lequel la sortie est utilisée.
Les limites de cette analyse
Cette lecture repose sur la version arXiv de l'article telle que publiée, ainsi que sur la couverture publique de son apparition sur le site de recherche d'Apple, laquelle n'a pas été vérifiée de manière indépendante. DiscoSign est de la recherche, pas un produit : rien ici ne décrit un système déployé, aucun fournisseur ne formule d'affirmations à son sujet, et aucun instrument de NCG ne lui a été appliqué. Les critiques ci-dessus ne visent pas les auteurs, qui énoncent eux-mêmes la plupart de ces limites et ont rendu service au domaine en publiant des métriques qui rendent enfin mesurable l'échec au niveau du discours. L'argument porte sur ce qui se passe ensuite, lorsqu'une avancée de recherche authentique est comprimée en une affirmation de capacité par des personnes qui n'ont pas lu la section sur les limites.
Ce qui est utile dans cet article, c'est qu'il rend visible un problème caché. Les systèmes au niveau de la phrase échouaient depuis toujours face au discours ; il n'existait tout simplement aucun instrument capable de le voir. Il y en a maintenant l'ébauche d'un, et il arrive avec une conclusion qui devrait être lue autant comme un avertissement que comme un résultat. Rendre un système cohérent ne le rend pas correct. Cela le rend correct ou incorrect de bout en bout, et décide, avant même que quiconque ait lu un seul mot de la sortie, lequel des deux ce sera.
Sources
1. Vasileios Baltatzis, Mert Inan, Connor Gillis, Raja Kushalnagar, Lorna Quandt, Leah Findlater et Colin Lea, « DiscoSign: Discourse-Aware Text to Sign Language Gloss Translation », arXiv:2609.02796, 2 septembre 2026, accepté à la conférence principale d'EMNLP 2026. https://arxiv.org/abs/2609.02796
2. DiscoSign, texte intégral (HTML). https://arxiv.org/html/2609.02796
3. AI Global Wire, rapport sur l'apparition de l'article sur Apple Machine Learning Research, 11 septembre 2026. https://aiglobalwire.com/article/discosign-discourse-aware-text-to-sign-language-gloss-translation-dbf89917-bb51-4793-be6d-29ed6727d3e0