1Si la traduction littéraire semblait jusqu’à récemment difficilement compatible avec la technologie (Toral et Way, 2014 : 174), si bien que l’emploi des traducteurs automatiques concernait surtout les textes techniques ou commerciaux (Voigt et Jurafsky, 2012 : 18), les rapides progrès menés dans ce domaine, ainsi que l’avènement des traducteurs automatiques neuronaux, bousculent désormais cet état des lieux. Pour de nombreux chercheurs, « au vu de ces avancées, il est dès lors devenu légitime de se demander quelle pouvait être la performance de ces outils sur les textes littéraires » (Hansen, 2021 : 29), d’où un nombre croissant d’études cherchant à évaluer les performances des traducteurs automatiques concernant ce type particulier de traduction. Les textes littéraires posent en effet des problèmes spécifiques de traduction, que les machines ont du mal à résoudre : celles-ci éprouvent par exemple des « difficultés de traitement de la polysémie, de l’idiomaticité ou de toute autre forme de complexité linguistique propre à la langue littéraire » (Josselin-Leray et Fillière, 2021). Comme le note Youdale (2020 : 15), si le langage des textes littéraires complique la tâche des traducteurs automatiques, ce n’est pas à cause de sa variété lexicale (le lexique littéraire étant souvent plus simple et moins varié que celui des textes techniques) mais des façons inhabituelles dont il est manipulé par les auteurs.
2Plusieurs chercheurs (Toral et Way, 2015 ; Poncharal, 2021) ont également expliqué qu’une traduction littéraire ne doit pas uniquement respecter le sens de l’original, mais également offrir une expérience de lecture comparable, ce qui implique la préservation des caractéristiques stylistiques du texte source. Plus précisément, la cohérence discursive, particulièrement importante au sein des textes littéraires, comme l’ont montré Voigt et Jurafsky (2012), n’est pas toujours respectée par les traducteurs automatiques, même neuronaux (Matusov, 2019 ; Tezcan et al., 2019 ; Poncharal, 2021), ce qui renforce l’idée de leur incompatibilité avec des textes littéraires qu’ils ne pourront jamais « comprendre ».
- 1 « Translated narrative discourse, it will be claimed, always implies more than one voice in the t (...)
- 2 « the term ‘voice’ is used in Translation Studies to describe several partly overlapping phenomen (...)
- 3 « we shall use voice to refer to the abstract concept of authorial, narratorial, or translatorial (...)
- 4 « we consider style to be the linguistic manifestation of that presence in the text ».
3Se détournant des études évaluant automatiquement ou manuellement la qualité des productions des traducteurs automatiques (Toral et Way, 2015), quelques chercheurs (Moorkens et al., 2018 ; Kenny et Winters, 2020) ont tenu à replacer le traducteur humain au cœur de leurs analyses. Parmi les problèmes centraux liés à la traduction automatique des textes littéraires, Taivalkoski-Shilov (2019) identifie en effet la façon dont les différentes « voix » du texte original (qu’il s’agisse de celles de l’auteur, du narrateur, des personnages, ou même du traducteur) sont transformées par la machine. Depuis l’article pionnier de Hermans, il est aujourd’hui établi que tout texte traduit « implique toujours plus d’une voix dans le texte, plus d’une présence discursive1 » (1996 : 27) ; cette deuxième voix qui vient se superposer à celle de l’auteur-narrateur étant celle du traducteur. Si pour certains traductologues (par exemple Pekkanen, 2013), le terme « voix » est utilisé pour décrire « le style d’écriture des auteurs et des traducteurs2 » (Taivalkoski-Shilov, 2013 : 2), nous préférons au contraire différencier ici ces deux notions. Nous adopterons alors les définitions fournies par Munday (2008 : 19), selon lequel « voix » désigne « le concept abstrait de la présence de l’auteur, du narrateur ou du traducteur3 » tandis que « style » renvoie à « la manifestation linguistique de cette présence dans le texte4 ».
- 5 « Whether human or automatic, the translator’s voice is an inherent part of a translated text. »
- 6 « Each writer, and therefore each translator, has an individual style. »
- 7 La personnification qu’implique ce terme, encore plus manifeste dans son emploi anglophone thumbp (...)
4En effet, si nous reconnaissons, comme Taivalkoski-Shilov (2019 : 696) que « la voix du traducteur, qu’il soit humain ou automatique, fait partie inhérente du texte traduit5 », nous voulons dans cet article questionner l’affirmation selon laquelle « tout écrivain, et par conséquent tout traducteur, possède un style individuel6 » (Munday, 2008 : 20). Une machine laisse-t-elle, comme tout « bio-traducteur », son empreinte7 individuelle sur les textes qu’elle traduit ? Il s’agit donc ici d’esquisser une première ébauche de méthodologie pouvant être appliquée à des textes produits par des machines, de façon à déterminer dans quelle mesure chacun des deux systèmes choisis peut se voir attribuer un style qui lui serait propre.
5Nous considérerons d’abord la question du style en traduction, en différenciant cette notion de la « voix » du traducteur, avant d’identifier les critères pouvant permettre d’établir l’existence d’un « style » chez les traducteurs automatiques. Après avoir précisé quels systèmes nous sélectionnons, expliqué la méthodologie que nous adoptons, puis détaillé notre corpus de travail, nous nous pencherons sur les résultats obtenus en montrant dans quelle mesure les critères établis ont été satisfaits ou non.
- 8 « It may remain entirely hidden behind that of the Narrator, rendering it impossible to detect in (...)
6Déterminer l’existence d’un « style » chez les traducteurs automatiques n’est envisageable que si l’on considère qu’il est possible de relever des traces de leur voix au sein de leur production. La présence discursive des traducteurs dans les textes traduits intéresse depuis plusieurs décennies les traductologues. En particulier, la comparaison entre traduction et discours rapporté (Mossop, 1983 ; Folkart, 1991) met en évidence les traces que laisse le traducteur, ainsi que ses subtiles manipulations du texte source, puisqu’« [o]n ne saurait de ce fait ré-énoncer sans y mettre du sien » (Folkart, 1991 : 14). C’est surtout dans les années 1990, avec les travaux de Venuti (1995), que les chercheurs insistent sur la visibilité du traducteur. Ainsi, Hermans développe la notion de « voix du traducteur », celle-ci se manifestant plus ou moins clairement, et pouvant notamment « rester entièrement cachée derrière celle du narrateur, la rendant impossible à détecter dans le texte traduit8 » (1996 : 27). Cependant, le chercheur s’attache surtout aux interventions directes du traducteur, par exemple au sein de notes de traduction ou de commentaires paratextuels, ce que Kenny et Winters désignent comme une voix « contextuelle ». Les traducteurs automatiques ne fournissant pas de tels méta-commentaires, c’est plutôt vers le concept de « style » que nous nous tournons, afin d’identifier les manifestations linguistiques de la voix « textuelle » de ces systèmes (Kenny et Winters, 2020 : 126).
- 9 « a translator cannot have, indeed should not have, a style of his or her own ».
- 10 « translation has traditionally been viewed as a derivative rather than creative activity ».
- 11 En ce qui concerne les choix non-linguistiques, Baker (2000 : 245) cite par exemple la sélection (...)
7Comme l’indique Baker (2000 : 244) dans son article fondateur, le manque flagrant d’études concernant le style des traducteurs provient de la conception qu’un traducteur « ne peut pas, ou du moins ne doit pas avoir de style qui lui serait propre9 » puisque « la traduction est traditionnellement considérée comme une activité dérivative, plutôt que créative10 ». Au contraire, la chercheuse démontre qu’en plus des interventions métalangagières repérées par Hermans (1996), le style du traducteur se manifeste à travers un éventail de choix linguistiques et non-linguistiques11. Elle insiste notamment sur la prise en compte des préférences stylistiques récurrentes de chaque traducteur, qui permettent au chercheur de tracer les contours de l’empreinte individuelle laissée sur chaque texte traduit. Avant d’étudier les critères qui nous permettront de déterminer dans quelle mesure une machine peut se voir assigner un style, il nous faut évoquer une différenciation importante, afin de préciser davantage notre objet d’étude.
- 12 « the linguistic characteristics of a particular text ».
8Contrairement aux recherches menées par Baker (2000) et Saldanha (2011) pour des traducteurs humains, cette étude n’a pas pour vocation d’établir le profil stylistique des deux traducteurs automatiques choisis, mais d’analyser les traces de leur voix au sein de leur production. Ce qui nous intéresse donc ici n’est pas le style d’une personne (ou dans notre cas d’une machine), mais plutôt d’un texte, c’est-à-dire, non pas le style en tant qu’« attribut personnel » mais « attribut textuel » (Saldanha, 2011 : 2). En ce sens, le « style » que nous étudions répond à la définition donnée par Leech et Short (1981 : 12) : « les caractéristiques linguistiques d’un texte particulier12 ».
- 13 « a translator’s style is not the sum of linguistic features associated with the texts translated (...)
- 14 « the methodology I refer to as translational stylistics, which takes into consideration the rela (...)
- 15 Notre traduction.
Saldanha précise que si une telle description peut s’appliquer lorsqu’il s’agit d’examiner, comme nous le faisons, le style d’un texte traduit, elle ne convient cependant pas pour l’analyse du style d’un traducteur, puisque « le style d’un traducteur n’est pas égal à la somme des traits linguistiques associés aux textes traduits par un certain traducteur13 » (2014 : 102). De son côté, Malmkjær considère qu’une analyse linguistique qui s’attacherait aux motivations de l’auteur/traducteur ne peut être menée de la même façon pour les textes traduits et non-traduits. Pour les premiers, il est selon elle nécessaire d’utiliser la méthodologie qu’elle désigne par l’expression translational stylistics, et qui « prend en considération la relation entre le texte traduit et son texte source14 » (2004 : 16). Même si les objectifs de ces deux chercheuses diffèrent des nôtres, il nous semble que leurs remarques peuvent être mises à contribution dans notre investigation : notre but étant de déterminer l’existence d’un style chez les traducteurs automatiques, nous ne pouvons simplement étudier les caractéristiques stylistiques de leurs productions, qui pourraient renvoyer à celles du texte source. La prise en compte de ce dernier s’avère donc essentielle afin d’isoler les traces de la voix des machines : comme pour Saldanha (2014), le concept d’attributabilité15 est ici fondamental.
9Nous avons renoncé à établir le profil stylistique de chaque traducteur automatique pour plusieurs raisons. Tout d’abord, Baker (2000) comme Saldanha (2011) proposent pour les besoins de leur investigation d’étudier des traductions par un même traducteur de différents textes sources :
At the target-oriented end of the continuum, Baker (2000) and I (Saldanha 2011c), rather than seeing style as a way of responding to the source text, propose to find stylistic idiosyncrasies that remain consistent across several translations by one translator despite differences among their source texts. (Saldanha, 2014 : 100)
Reproduire cette méthodologie, qui aurait multiplié les analyses, n’était pas envisageable ici, notre étude préliminaire se révélant déjà particulièrement longue. De plus, si l’attribution d’un style à un traducteur humain est tout à fait concevable, la question semble plus problématique – voire polémique et provocatrice – pour des machines, dont les « décisions » ne peuvent refléter des stratégies conscientes ou des interprétations subjectives. Il nous faut donc bien commencer par déterminer l’existence (ou l’absence) de traits stylistiques au sein de leur « voix », avant d’essayer de faire entrer ces derniers au sein d’un système cohérent. Enfin, Saldanha (2011) tout comme Baker (2000) insistent sur l’importance de chercher un lien entre ces caractéristiques stylistiques et le positionnement du traducteur :
Identifying linguistic habits and stylistic patterns is not an end in itself: it is only worthwhile if it tells us something about the cultural and ideological positioning of the translator, or of translators in general, or about the cognitive processes and mechanisms that contribute to shaping our translational behaviour. (Baker, 2000 : 258)
D’après Saldanha, la quête de cette motivation justifierait d’ailleurs l’intérêt porté au style du traducteur, plutôt qu’à celui du texte traduit :
Considering style as a personal attribute, as well as a textual one, allows us to attribute responsibility for stylistic choices and to go beyond the source text in search for motivation. (Saldanha, 2011 : 3)
Ces recherches subséquentes dans l’au-delà du texte semblent cependant difficilement conciliables avec le fonctionnement des traducteurs automatiques, qui restent encore dénués de conscience, si bien que nous préférons pour l’instant tenter simplement de comprendre si leurs productions permettent de leur attribuer un style.
- 16 « Any study of the translator’s textual voice needs a way of operationalizing the notion of voice (...)
10Comme l’indiquent Kenny et Winters (2020 : 126), « toute étude s’attachant à la voix textuelle du traducteur nécessite une façon d’opérationnaliser la notion de voix16 ». Les définitions détaillées que fournissent Baker (2000) et Saldanha (2011, 2014), bien qu’elles concernent le style du traducteur, et non celui du texte traduit, nous apportent des éléments importants pour la formulation de critères nous permettant d’établir l’existence ou non d’un style chez les traducteurs automatiques.
11En premier lieu, les deux chercheuses insistent sur la nécessaire récurrence des caractéristiques stylistiques :
More crucially, a study of a translator’s style must focus on the manner of expression that is typical of a translator, rather than simply instances of open intervention. […] Which means that style, as applied in this study, is a matter of patterning: it involves describing preferred or recurring patterns of linguistic behaviour, rather than individual or one-off instances of intervention. (Baker, 2000 : 245)
Afin de satisfaire un tel critère statistique, nous avons suivi l’exemple de nombreux traductologues (Baker, 2000 ; Munday, 2008 ; Saldanha, 2011) en réunissant nos textes sous la forme d’un corpus électronique. La fréquence de certaines stratégies traductives pourra ainsi être calculée automatiquement par différents logiciels.
- 17 Ce terme ne correspond pas au concept de coherence que Blum-Kulka (1986) différencie de cohesion (...)
- 18 « Linguistic habits are stylistically relevant when they are motivated, i.e. meaningful, and form (...)
12Le deuxième point à prendre en considération concerne la cohérence17 entre ces choix récurrents, sans laquelle l’analyste ne saurait détecter de style, comme l’affirment Leech et Short (1981 : 42). Il ne suffit en effet pas d’observer la fréquence élevée d’un phénomène pour établir l’existence d’un style ; il faut également que cette récurrence puisse être reconnue comme stratégie (plus ou moins consciente). Saldanha (2011 : 5) lie d’ailleurs cohérence et motivation : « les habitudes linguistiques sont pertinentes stylistiquement si elles sont motivées, c’est-à-dire si elles ont un sens, et relèvent de choix cohérents18 ». S’il n’est pas envisageable d’étudier les motivations des traducteurs automatiques, qui ne font que reproduire les stratégies sur lesquelles ils ont été entraînés, le critère de cohérence reste pertinent : on ne saurait reconnaître l’existence d’un style si les choix de traduction d’un même phénomène du texte source diffèrent constamment.
13Le troisième élément à prendre en compte est ce que Saldanha désigne par le terme prominence, c’est-à-dire la capacité d’un style à se différencier des autres : « Prominence refers to the fact that stylistic features are those that distinguish a particular text or set of texts from other texts. » (Saldanha, 2014 : 101) En effet, pour reconnaître le style d’un traducteur, il est nécessaire qu’il puisse se distinguer de celui d’un autre traducteur. Nous avons donc choisi d’étudier deux traducteurs automatiques différents, ce qui nous permettra de déterminer si les traductions produites par chacun témoignent d’un style qui leur serait propre.
14Un dernier élément doit être pris en compte lors de l’examen de traductions (qu’elles soient effectuées par un être humain ou une machine) :
In order to attribute a specific stylistic pattern to the translator, it should not be possible to explain it as either evidence of the author’s style or of textual meaning, or as the inevitable result of linguistic constraints (Saldanha, 2011 : 6)
Il s’agit d’un enjeu fondamental, puisqu’un texte traduit comporte nécessairement la combinaison de traits stylistiques choisis par au moins deux individus : l’auteur et le traducteur (ibid. : 2). Pour certifier l’existence du style de ce dernier, il nous faut isoler la voix du traducteur de celle de l’auteur, en écartant les caractéristiques stylistiques inspirées par le texte source, même si Baker (2000 : 263) reconnaît que la décision de préserver des éléments stylistiques du texte source fait partie du style d’un traducteur littéraire.
15En résumé, nous considérerons qu’un traducteur automatique a un style qui lui est propre si nous pouvons distinguer des caractéristiques linguistiques récurrentes qui :
16• démontrent des choix de traduction cohérents à travers le texte ;
• permettent de distinguer les deux systèmes de traduction automatique ;
• ne peuvent être expliquées uniquement par rapport au style du texte original ou à la langue source.
17Les deux systèmes de traduction automatique choisis pour analyse sont les deux outils génériques neuronaux grand public DeepL et Google Traduction. Trois critères ont été retenus pour sélectionner ces deux traducteurs.
18Tout d’abord, contrairement à certains chercheurs (Besacier et Schwartz, 2015 ; Toral et Way, 2015, 2018 ; Kuzman et al., 2019), nous n’avons ni les moyens ni les compétences nécessaires pour entraîner nous-mêmes un outil de traduction automatique qui serait spécifiquement adapté aux textes littéraires. Nous avons donc préféré utiliser des systèmes gratuits, faciles d’utilisation, et qui puissent produire rapidement une traduction. Ce choix permet en outre à nos analyses d’être reproduites par d’autres chercheurs sur des corpus différents. De plus, Kuzman et al. (2019) ont démontré qu’un système comme Google Traduction pouvait se révéler plus performant que des modèles neuronaux adaptés spécifiquement aux textes littéraires, grâce au nombre conséquent de données (plusieurs millions d’exemples) sur lequel il est entraîné. Ces chercheurs affirment ainsi la nécessité, pour obtenir de meilleurs résultats, d’entraîner les traducteurs automatiques sur des données non-littéraires, une stratégie que Toral et Way (2015, 2018) ont également choisie.
- 19 Voir Youdale (2020 : 12-13) pour un aperçu du fonctionnement de chaque système de traduction auto (...)
19Par ailleurs, les recherches récentes évaluant les systèmes de traduction automatique (Toral et al., 2018 ; Loock, 2018) ont montré le bond qualitatif indiscutable des traducteurs neuronaux, par rapport aux systèmes précédents à base de règles ou de statistiques19. Il semblerait donc logique de tester la possibilité de l’existence d’un style sur les systèmes les plus performants.
20Enfin, si la comparaison entre un système statistique et neuronal aurait pu se révéler particulièrement intéressante, la plupart des systèmes statistiques grand public de traduction automatique sont devenus neuronaux autour de 2016 (c’est notamment le cas de Google Traduction). D’après nos recherches, le traducteur Yandex utiliserait encore une approche hybride intégrant système neuronal et statistique ; cependant, une comparaison rapide des traductions produites par Yandex et Google Traduction a montré des similitudes si frappantes (notamment lexicales) que nous avons préféré choisir le système le plus connu, et celui ayant fait l’objet de plusieurs évaluations académiques au cours des dernières années (par exemple dans Tezcan et al., 2019).
21Ayant une connaissance approfondie du roman The Talented Mr Ripley (1955) de Patricia Highsmith, que nous étudions dans le cadre de notre travail de thèse, nous avons décidé de le choisir comme texte source. En plus de disposer d’une version électronique de cette œuvre, nous l’avons sélectionnée pour sa langue littéraire qui, malgré un lexique et des structures syntaxiques globalement simples, implique des éléments stylistiques potentiellement problématiques pour la machine, comme la longueur des phrases et la présence importante d’énoncés de représentations de pensées utilisant la technique du discours indirect libre. Plusieurs articles (Toral et al., 2018 ; Tezcan et al., 2019) ont en effet démontré que les performances des traducteurs automatiques neuronaux déclinaient à mesure que les phrases s’allongeaient ; tandis que le discours indirect libre, dont la traduction s’avère déjà difficile pour les traducteurs humains, pourrait poser un obstacle insurmontable pour une machine ne pouvant l’identifier, comme l’a démontré Poncharal (2021).
22Plus précisément, nous avons sélectionné trois chapitres de ce roman, la version gratuite des deux traducteurs automatiques ne permettant pas de traduire en une seule fois des textes comportant un nombre de caractères supérieur à 5 000. Sachant d’avance que certaines analyses devraient être faites manuellement (par exemple celles concernant le discours indirect libre, qu’aucun logiciel d’annotation automatique ne sait reconnaître), il nous semblait impensable d’étudier le roman en entier. Les trois chapitres (3, 12 et 25) ont été choisis selon les critères présentés par Ho (2011 : 91) : en plus de représenter environ 10 % du roman, de façon à refléter le style général de ce dernier, ils se situent à trois moments différents mais importants de l’intrigue, et peuvent être considérés comme représentatifs de la variété lexicale et syntaxique de l’œuvre entière.
23Comme le notent Leech et Short,
To find out what is distinctive about the style of a certain corpus or text we work out the frequencies of the features it contains and then measure these figures against equivalent figures which are “normal” for the language in question. The style is then to be measured in terms of deviations – either higher frequencies or lower frequencies – from the norm. (Leech et Short, 1981 : 43)
24De même, Saldanha (2011 : 11) remarque que la seule comparaison de textes produits par deux traducteurs ne permet pas de caractériser le style de ces derniers, aucun ne pouvant être pris comme point de référence.
25Nous avons donc choisi d’utiliser comme « norme » la traduction française officielle du roman, publiée par Calmann-Lévy en 1956, et effectuée par Jean Rosenthal. Il est bien entendu problématique de considérer cette traduction comme la « norme », puisqu’il ne s’agit que d’une des multiples interprétations et traductions possibles du roman. L’inclusion d’une « mesure-étalon » apparaît néanmoins indispensable pour comparer les deux traducteurs automatiques, et dégager les choix qui seraient directement influencés par le texte source.
26En résumé, quatre corpus feront l’objet d’analyses quantitatives et qualitatives : le texte original des trois chapitres susmentionnés ; la traduction de ces chapitres par le bio-traducteur Jean Rosenthal ; et celle effectuée respectivement par les deux traducteurs automatiques choisis, DeepL et Google Traduction.
27Chaque chapitre est analysé quantitativement, via un comptage automatique ou manuel, de façon à analyser la récurrence et la cohérence de différentes caractéristiques linguistiques. Comme dans Saldanha (2011), qui s’inspire déjà de la méthodologie de Baker (2000), chaque nouvelle série d’analyses est guidée par les résultats précédemment obtenus, de façon à éviter tout biais analytique (data-driven approach). Les macro-analyses quantitatives sont complétées par des micro-analyses qualitatives qui permettent de formuler des hypothèses expliquant les résultats obtenus.
- 20 Les lemmes correspondent aux formes simples d’un mot, tandis que le ratio type-token mesure la di (...)
- 21 Ce logiciel permet d’aligner automatiquement l’original et sa traduction sous forme de fichier Ex (...)
28Puisqu’il s’agit ici d’une ébauche initiale de recherche concernant l’existence d’un style chez les traducteurs automatiques, la première vague d’analyses concerne des mesures devenues « standard » en stylistique et en traductologie de corpus : le nombre de mots, le nombre de lemmes et le ratio type-token20. Ces données sont calculées automatiquement par les logiciels Sketch Engine et WordSmith Tools. Si ces logiciels permettent également de calculer le nombre de phrases et leur longueur moyenne, nous avons rapidement constaté que les chiffres obtenus étaient erronés à cause de la ponctuation au sein du discours direct (l’énoncé rapportant étant tantôt considéré comme une phrase entière, tantôt comme appartenant à la même phrase que l’énoncé rapporté), ainsi que du point suivant Mr., Mrs. et M. Pour ne pas fausser nos résultats, nous avons préféré effectuer un comptage manuel du nombre de phrases, après utilisation du logiciel LF Aligner21.
- 22 La requête est [tag= “VVD.*”], qui ordonne au logiciel de repérer les verbes conjugués au prétéri (...)
29Ce comptage manuel a permis une observation préalable des traductions suffisamment précise pour constater des disparités au niveau de la traduction des temps, ce qui rejoint les analyses de plusieurs chercheurs considérant les erreurs récurrentes des traducteurs automatiques (Poncharal, 2021). Afin de mener cette deuxième vague d’analyses, nous avons créé, à partir de l’alignement fait par LF Aligner, un corpus parallèle au format TMX qui a pu être importé dans Sketch Engine. Là, une simple requête22 dans l’outil Concordances Parallèles a pu générer un fichier Excel avec toutes les phrases comportant un prétérit et leur traduction correspondante. Ces traductions ont dû à nouveau être annotées manuellement, en raison des erreurs flagrantes constatées chez Sketch Engine, qui a pourtant théoriquement les capacités d’identifier les temps français.
- 23 Le vouvoiement apparaît même lorsque le personnage principal s’adresse à son ami. Cette conventio (...)
30Les mêmes étapes ont été suivies pour déterminer le taux de vouvoiement et de tutoiement utilisé dans les traductions automatiques, en sachant que Jean Rosenthal utilise exclusivement le vouvoiement23. Cette fois, une double requête a été faite dans Sketch Engine : la recherche du terme vous/tu dans le texte français traduisant le terme you dans le texte anglais. L’annotation manuelle a consisté à déterminer quel couple de personnages était concerné par chaque forme.
31Cette dernière exploration nous ayant rendue sensible aux problèmes liés au discours direct, nous avons voulu vérifier une intuition concernant le choix de traduction du verbe say (également étudié par Baker, 2000 et Poncharal, 2006). Plus précisément, nous avons d’abord confirmé grâce à Sketch Engine la fréquence d’utilisation de ce verbe, en utilisant l’outil Wordlist pour classer les verbes par fréquence. Le logiciel nous ayant indiqué que, parmi les cinq verbes les plus utilisés, trois étaient les auxiliaires be, have et do, nous avons analysé les traductions des deux autres : say et think. Ne pouvant d’avance connaître la variété des traductions de ces verbes, nous avons à nouveau dû manuellement annoter les fichiers produits par Sketch Engine, après avoir lancé une requête en cherchant ces termes en tant que lemmes.
32Enfin, afin d’effectuer un premier pas au-delà de ces recherches élémentaires mais fondamentales, nous avons tenu à analyser les choix de traduction du discours indirect libre ainsi que des énoncés plus « ambigus », pour lesquels le chercheur ne peut déterminer avec certitude s’il s’agit d’un discours indirect libre ou d’un énoncé narratif. Pour illustrer ce deuxième cas, nous prenons un exemple, issu du chapitre 3 :
- 24 Nous ajoutons dans certaines citations des caractères gras ou soulignés pour indiquer les segment (...)
(1) Mr Greenleaf was rollicking on about Richard and himself in Paris, when Richard had been ten years old. It was not in the least interesting24. If anything happened with the police in the next ten days, Tom thought, Mr Greenleaf would take him in. (Highsmith, 1999 [1955] : 19)
La phrase en gras peut soit constituer un commentaire narratif concernant la teneur du discours de M. Greenleaf, soit provenir de l’esprit du personnage, dont les pensées commencent à vagabonder.
33Ayant déjà annoté le texte original pour ces deux catégories dans le cadre de notre travail de thèse, nous avons pu facilement comparer les traductions des différents énoncés en utilisant l’alignement créé par LF Aligner, afin de déterminer si le discours indirect libre et l’ambiguïté étaient respectivement conservés ou supprimés dans les trois traductions.
34Le tableau 1 rassemble les résultats de la première vague d’analyses quantitatives.
Tableau 1. Analyses quantitatives de la diversité lexicale au sein du texte original (Highsmith), de la traduction humaine (Rosenthal), et des traductions produites respectivement par chaque traducteur automatique.
|
Highsmith
|
Rosenthal
|
DeepL
|
Google Traduction
|
Nombre de mots
|
10008
|
11224
|
11177
|
11063
|
Nombre de lemmes
|
1634
|
1750
|
1646
|
1670
|
Ratio type-token standardisé
|
40,75%
|
43,57%
|
42,50%
|
43,35%
|
Nombre de phrases
|
726
|
717
|
721
|
725
|
Longueur moyenne de phrases
|
13,79
|
15,65
|
15,50
|
15,26
|
- 25 « The process of interpretation performed by the translator on the source text might lead to a TL (...)
Tout d’abord, nous constatons que, pour les trois traductions, toutes les mesures, à l’exception du nombre de phrases, sont plus élevées que celles du texte original. Il est possible d’y voir là une démonstration de l’hypothèse de l’explicitation préalablement mentionnée, qui considère que « [l]e processus d’interprétation mené par le traducteur du texte source conduit à un texte cible plus redondant que le texte original25 » (Blum-Kulka, 1986 : 19). Cette augmentation peut également s’expliquer par les contraintes linguistiques du français, connu pour être moins synthétique que l’anglais.
35En ce qui concerne le nombre de phrases, sa diminution dans la traduction de Jean Rosenthal s’explique par la tendance de ce dernier à préférer les phrases longues, ce qui l’amène par exemple à réunir deux phrases originales en une seule grâce au point-virgule :
(2a) Tom swung a left-handed blow with the oar against the side of Dickie’s head. The edge of the oar cut a dull gash that filled with a line of blood as Tom watched. (Highsmith, 1999 [1955] : 91)
(2b) Tom assena encore un grand coup sur la tempe de Dickie ; le bord de la rame fit une grande plaie qui se mit aussitôt à saigner. (Rosenthal, 1978 [1956] : 160-161)
Il peut néanmoins sembler surprenant que les traducteurs automatiques produisent eux aussi des textes ayant un nombre de phrases moins élevé. Il s’agit en réalité souvent d’une mauvaise interprétation du tiret anglais, traduit par une virgule au lieu des points de suspension qui auraient été attendus :
(3a) Mr Greenleaf looked at him suddenly, and Tom saw that pitiful expression he had noticed the first evening he had met him.
“No, I — It’s possible. That’s all I can say about it.” (Highsmith, 1999 [1955] : 212-213)
(3b) M. Greenleaf le regarda soudainement, et Tom vit cette expression pitoyable qu’il avait remarquée le premier soir où il l’avait rencontré.
“Non, c’est possible. C’est tout ce que je peux dire à ce sujet.” (DeepL)
- 26 . Comme l’exemple précédent le montre, l’influence du texte source porte même sur les guillemets, (...)
36Le tableau 1 montre également une similarité bien plus importante entre d’un côté le texte original et de l’autre les deux traducteurs automatiques, par rapport aux résultats mesurés chez le bio-traducteur. Pour confirmer l’influence du texte source sur les traducteurs automatiques26, nous avons calculé pour chaque chapitre le pourcentage de différence entre les mesures du texte source et celles de chacun des trois textes cibles, puis déterminé l’écart entre les deux pourcentages extrêmes. Ainsi, dans le tableau 2 ci-dessous, un chiffre élevé témoigne d’un écart important entre les différents chapitres :
Tableau 2. Écart entre les mesures extrêmes de diversité lexicale selon les chapitres et les traducteurs.
|
Rosenthal
|
DeepL
|
Google Traduction
|
Nombre de mots
|
3,83
|
0,48
|
0,45
|
Nombre de lemmes
|
6,70
|
0,22
|
2,49
|
Ratio type-token standardisé
|
10,57
|
1,90
|
3,33
|
Nombre de phrases
|
1,20
|
0,42
|
0,49
|
Longueur moyenne des phrases
|
2,66
|
1,28
|
1,16
|
Les mesures observées pour les traducteurs automatiques sont systématiquement inférieures à celles du traducteur humain, ce qui tend à confirmer la forte influence exercée par le texte original. La figure 1, qui offre une visualisation de l’évolution du ratio type-token standardisé en fonction des chapitres pour les quatre textes considérés illustre également ce constat :
Figure 1. Évolution du ratio type-token standardisé en fonction des chapitres pour chaque texte du corpus.
Alors que la courbe du traducteur humain diffère clairement des trois autres, celles des deux traducteurs automatiques correspondent presque exactement aux tendances du texte original. Ainsi, Jean Rosenthal semble plutôt fonder ses choix sur le contexte, augmentant largement le nombre de mots dans le chapitre 25, qui comporte le plus de dialogues des trois, mais préférant diversifier son vocabulaire dans le chapitre 12, dans lequel le discours intérieur du personnage est majoritaire.
37Le tableau 3 décrit les différents temps français utilisés pour traduire le prétérit original.
Tableau 3. Choix de traduction du prétérit original en fonction des trois traducteurs.
- 27 Cette catégorie rassemble le subjonctif, le conditionnel, le plus-que-parfait, les participes, le (...)
|
Rosenthal
|
DeepL
|
Google Traduction
|
Passé simple
|
388
|
163
|
283
|
Imparfait
|
149
|
156
|
142
|
Passé composé
|
36
|
231
|
170
|
Présent
|
2
|
47
|
4
|
Autres27
|
61
|
39
|
37
|
Il semble difficile d’interpréter tels quels les résultats de ce tableau, le prétérit pouvant apparaître dans les passages narratifs ou dialogués. Le tableau 4 supprime de l’analyse tous les passages dialogués :
Tableau 4. Choix de traduction du prétérit original dans les passages narratifs en fonction des trois traducteurs.
|
Rosenthal
|
DeepL
|
Google Traduction
|
Passé simple
|
388
|
163
|
283
|
Imparfait
|
131
|
136
|
125
|
Passé composé
|
0
|
190
|
128
|
Présent
|
0
|
44
|
1
|
Autres
|
50
|
36
|
32
|
Si la tendance de Jean Rosenthal à préférer le passé simple, suivi de l’imparfait, correspond tout à fait à un contexte narratif, il est plus difficile de déceler une stratégie cohérente pour les deux traducteurs automatiques, qui semblent utiliser au hasard le passé simple, l’imparfait et le passé composé. Google Traduction apparaît cependant plus réticent que DeepL à employer le passé composé et le présent (qui constituent en effet des erreurs de traduction).
38Une analyse qualitative des passages où le passé simple est traduit par un présent ou un passé composé témoigne de l’influence du cotexte. Ainsi, après un passage en discours direct comportant un présent ou un passé composé, DeepL aura tendance à utiliser ce même temps pour la narration intervenant juste après :
(4a) “Mr Ripley’s in the insurance business,” Mr Greenleaf announced, and Tom thought he must have had a few already, or he was very nervous tonight, because Tom had given him quite a description last night of the advertising agency where he had said he was working.
“Not a very exciting job,” Tom said modestly to Mrs Greenleaf.
A maid came into the room with a tray of martinis and canapés.
“Mr Ripley’s been here before,” Mr Greenleaf said. “He’s come here with Richard.”
“Oh, has he? I don’t believe I met you, though.” She smiled. “Are you from New York?”
“No, I’m from Boston,” Tom said. That was true. (Highsmith, 1999 [1955] : 14)
(4b) “M. Ripley travaille dans le domaine de l’assurance”, annonça M. Greenleaf, et Tom pensa qu’il devait déjà en avoir quelques-uns, ou qu’il était très nerveux ce soir, car Tom lui avait décrit en détail hier soir l’agence de publicité où il avait dit travailler.
“Ce n’est pas un travail très excitant”, dit Tom modestement à Mme Greenleaf.
Une femme de chambre entre dans la pièce avec un plateau de martinis et de canapés.
“M. Ripley est déjà venu ici”, dit M. Greenleaf. “Il est venu avec Richard.”
“Oh, vraiment ? Je ne crois pas vous avoir rencontré.” Elle a souri. “Vous êtes de New York ?”
“Non, je suis de Boston,” dit Tom. C’est vrai. (DeepL)
Google Traduction est également influencé par le cotexte, choisissant le passé composé après avoir employé le présent :
(5a) Nervously he looked at the map in his hands, looking desperately around San Remo for somewhere else to go, though Dickie was already swinging their suitcase down from the rack. “We’re not far from Nice, are we?” Tom asked.
“No.”
“And Cannes. I’d like to see Cannes as long as I’m this far. At least Cannes is France,” he added on a reproachful note. (Highsmith, 1999 [1955] : 84)
(5b) Il regarda nerveusement la carte dans ses mains, cherchant désespérément autour de San Remo un autre endroit où aller, même si Dickie balançait déjà leur valise du porte-bagages.
“Nous ne sommes pas loin de Nice, n’est-ce pas ?” a demandé Tom.
“Non.”
“Et Cannes. J’aimerais voir Cannes tant que je suis aussi loin. Au moins, Cannes, c’est la France”, a-t-il ajouté sur une note de reproche. (Google Traduction)
Ces stratégies indiquent non seulement que les deux traducteurs, malgré la présence de guillemets, ne différencient pas les passages dialogués du discours narratif, mais aussi qu’ils n’adoptent pas non plus des stratégies cohérentes, pouvant traduire indifféremment le prétérit original par différents temps français.
39Le tableau 5 indique, pour chaque échange entre deux personnages, le nombre de traductions de you par tu ou vous selon les deux traducteurs automatiques :
Tableau 5. Choix de traduction de you en fonction des deux traducteurs automatiques.
|
DeepL
(VOUS)
|
DeepL
(TU)
|
Google Traduction
(VOUS)
|
Google Traduction
(TU)
|
Mr Greenleaf → Mrs Greenleaf
|
1
|
0
|
0
|
1
|
Mr Greenleaf → Tom
|
24
|
11
|
26
|
6
|
Marge → Tom
|
1
|
1
|
2
|
0
|
Marge → Dickie
|
0
|
2
|
2
|
0
|
Mrs Greenleaf → Tom
|
4
|
1
|
4
|
1
|
Dickie → Tom
|
1
|
3
|
2
|
3
|
Tom → Mr Greenleaf
|
9
|
1
|
9
|
3
|
Tom → Marge
|
0
|
1
|
0
|
1
|
Tom → Mrs Greenleaf
|
2
|
0
|
2
|
0
|
Tom → Dickie
|
3
|
4
|
5
|
2
|
Les interactions les plus problématiques apparaissent lorsque Mr Greenleaf s’adresse à Tom, et lorsque Tom parle à Dickie. En effet, dans les deux cas, on constate que les traducteurs automatiques emploient alternativement tu et vous, parfois au sein d’un même chapitre, sans que l’intrigue ne justifie une telle transition. Par exemple, dans l’extrait suivant, DeepL fait se succéder les deux traductions au sein d’un même dialogue, rendant l’échange entre les deux personnages proche de l’incohérence :
(6) “M. Greenleaf, je crois que je devrais y aller.”
“Maintenant ? Mais je voulais vous montrer... Bon, peu importe. Une autre fois.”
Tom savait qu’il aurait dû demander : “Me montrer quoi ?” et être patient pendant qu’on lui montrait ce que c’était, mais il ne pouvait pas.
“Je veux que tu visites les chantiers, bien sûr !” dit joyeusement M. Greenleaf. “Quand pouvez-vous sortir ? Seulement pendant votre heure de déjeuner, je suppose. Je pense que tu devrais être capable de dire à Richard à quoi ressemblent les chantiers de nos jours.” (DeepL)
Quelques manipulations démontrent à nouveau l’influence du cotexte sur les choix des traducteurs automatiques. Ainsi, la simple suppression du point d’exclamation (sans doute associé à un contexte plus oral) permet à DeepL de préférer vous à tu :
(6a) “I’d love for you to visit the yards!” (Highsmith, 1999 [1955] : 19)
(6b) “J’adorerais que tu visites les chantiers !” (DeepL)
(6a’) “I’d love for you to visit the yards.”
(6b’) “J’aimerais beaucoup que vous visitiez les chantiers.” (DeepL)
Le choix d’utiliser aimerais beaucoup plutôt que adorerais entre en résonance avec ce passage au vouvoiement, puisque la première solution semble légèrement plus littéraire. La machine identifie donc le point d’exclamation comme signal d’oralité, mais n’est pas influencée par la présence d’autres signes typographiques comme les guillemets, qui fonctionnent pourtant en littérature comme marqueurs de dialogues.
40Le tableau 6 indique les différentes traductions du verbe say selon les trois traducteurs :
Tableau 6. Choix de traduction du verbe say en fonction des trois traducteurs.
|
Rosenthal
|
DeepL
|
Google Traduction
|
DIRE
|
65
|
83
|
78
|
FAIRE
|
2
|
0
|
0
|
AVOUER
|
1
|
0
|
0
|
S’ÉCRIER
|
2
|
0
|
0
|
PARLER
|
1
|
0
|
0
|
PROPOSER
|
1
|
0
|
0
|
DÉCLARER
|
4
|
0
|
9
|
ASSURER
|
2
|
0
|
0
|
DESSERRER LES DENTS
|
1
|
0
|
0
|
EXPLIQUER
|
1
|
0
|
0
|
MURMURER
|
1
|
0
|
0
|
RÉPONDRE
|
2
|
2
|
0
|
ANNONCER
|
1
|
0
|
0
|
SE TAIRE
|
1
|
0
|
0
|
Ø
|
3
|
1
|
0
|
SELON
|
0
|
2
|
1
|
- 28 Les résultats du tableau 1, en particulier le nombre de lemmes et le ratio type-token standardisé (...)
Si Jean Rosenthal évite la trop grande répétition, que le français apprécie rarement, les deux systèmes neuronaux choisissent massivement de reproduire le verbe original, ce qui témoigne à nouveau de la forte influence exercée par le texte source, ainsi que d’une certaine pauvreté lexicale28, particulièrement flagrante par rapport à la diversité de la traduction humaine.
Des conclusions similaires peuvent être tirées à partir des choix de traduction de think :
Tableau 7. Choix de traduction du verbe think en fonction des trois traducteurs.
|
Rosenthal
|
DeepL
|
Google Traduction
|
PENSER
|
15
|
46
|
45
|
(SE) DIRE
|
12
|
1
|
0
|
(SE) CROIRE
|
13
|
2
|
2
|
SONGER
|
2
|
0
|
0
|
FRAPPER
|
1
|
0
|
0
|
RÉFLÉCHIR
|
1
|
0
|
2
|
TROUVER
|
1
|
1
|
1
|
AVOIR UNE OPINION
|
1
|
0
|
0
|
Ø
|
4
|
0
|
0
|
Nous constatons à nouveau la forte similarité des choix effectués par les deux traducteurs automatiques, qui emploient massivement le verbe penser. Cependant, les deux machines s’éloignent parfois de cette traduction littérale, et peuvent adopter des traductions qui correspondent tout à fait au contexte du passage. Les trois traducteurs ont ainsi utilisé le verbe trouver au même endroit :
(7a) Tom thought it beautiful—the sweep of curving harbour extended by little lights to long thin crescent tips, the elegant yet tropical-looking main boulevard along the water with its rows of palm trees, its row of expensive hotels. (Highsmith, 1999 [1955] : 85)
(7b) Tom trouva l’endroit magnifique : la courbe gracieuse de la rade prolongée par de petites lumières qui brillaient aux deux extrémités du croissant, l’élégante promenade au bord de l’eau, avec son air un peu tropical, ses rangées de palmiers et ses rangées de palaces. (Rosenthal, 1978 [1956] : 150)
(7c) Tom trouvait la ville magnifique – la courbe du port prolongée par de petites lumières jusqu’à la pointe d’un long croissant, l’élégant boulevard principal d’aspect tropical le long de l’eau avec ses rangées de palmiers, sa rangée d’hôtels coûteux. (DeepL)
(7d) Tom l’a trouvé magnifique – la courbure du port incurvé prolongé par de petites lumières jusqu’aux pointes de longs croissants minces, le boulevard principal élégant mais d’aspect tropical le long de l’eau avec ses rangées de palmiers, sa rangée d’hôtels chers. (Google Traduction)
41Le tableau 8 indique le nombre d’énoncés de discours indirect libre dans les quatre textes étudiés :
Tableau 8. Nombre d’énoncés de discours indirect libre selon les trois chapitres au sein des quatre textes étudiés.
|
Highsmith
|
Rosenthal
|
DeepL
|
Google Traduction
|
Chapitre 3
|
6
|
5
|
3
|
4
|
Chapitre 12
|
23
|
23
|
17
|
18
|
Chapitre 25
|
3
|
1
|
3
|
2
|
Total
|
32
|
29
|
23
|
24
|
Tous les traducteurs ont tendance à effacer le discours indirect libre, mais Jean Rosenthal reste le plus proche du texte original. Les analyses qualitatives démontrent que la disparition du discours indirect libre ne repose pas uniquement sur les choix de traduction des temps (par exemple l’emploi du présent ou du passé composé à la place de l’imparfait) mais aussi sur des choix lexicaux plus précis, comme le montre l’exemple suivant :
(8a) The book must stink, Tom thought. He had known writers. You didn’t write a book with your little finger, lolling on a beach half the day, wondering what to eat for dinner. (Highsmith, 1999 [1955] : 83)
(8b) Le livre doit puer, pensa Tom. Il avait connu des écrivains. Vous n’avez pas écrit un livre avec votre petit doigt, allongé sur une plage la moitié de la journée, vous demandant quoi manger pour le dîner. (Google Traduction)
La mauvaise traduction de you, qui appelle plutôt un on indéfini, rend difficile de concevoir que le héros puisse avoir dans l’esprit un tel discours intérieur, alors que le contexte indique clairement qu’il ne s’adresse (mentalement) à personne d’autre que lui-même.
42La traduction des énoncés ambigus appelle des constats similaires :
Tableau 9. Nombre d’énoncés ambigus selon les trois chapitres au sein des quatre textes étudiés.
|
Highsmith
|
Rosenthal
|
DeepL
|
Google Traduction
|
Chapitre 3
|
2
|
2
|
0
|
1
|
Chapitre 12
|
8
|
6
|
6
|
5
|
Chapitre 25
|
2
|
2
|
0
|
0
|
Total
|
12
|
10
|
6
|
6
|
Si le traducteur humain reste proche du texte original, les deux traducteurs automatiques effacent la moitié des énoncés ambigus. Là encore, les choix lexicaux et temporels expliquent une telle disparition :
(9a) It was not in the least interesting. (Highsmith, 1999 [1955] : 19)
(9b) Ça n’avait pas le moindre intérêt. (Rosenthal, 1978 [1956] : 36)
(9c) Ce n’était pas du tout intéressant. (DeepL)
(9d) Ce n’était pas le moins du monde intéressant. (Google Traduction)
Pour que l’énoncé apparaisse comme ambigu, il faut qu’il puisse appartenir de façon plausible à la fois au discours narratif, et aux pensées du personnage. Dans les trois traductions, l’ambiguïté est levée. Chez Jean Rosenthal, le choix du pronom familier ça au lieu d’un plus neutre cela empêche de concevoir cette phrase comme appartenant à la narration. De même, l’emploi de pas du tout par DeepL ne convient pas au registre littéraire du narrateur. Dans les deux cas, l’énoncé ne peut donc qu’être interprété comme un discours indirect libre. Au contraire, l’expression pas le moins du monde à laquelle Google Traduction a recours frôle le registre soutenu ; l’énoncé ne peut alors qu’être narratif, le héros usant plutôt (même au sein de son discours intérieur) d’un registre neutre, voire familier.
43En conclusion, les trois critères retenus pour démontrer l’existence d’un style chez les traducteurs automatiques ne sont pas remplis. Tout d’abord, les deux systèmes neuronaux semblent massivement influencés par la langue source, comme l’avait montré Loock (2018) pour DeepL en comparant les fréquences d’apparition de différents phénomènes linguistiques en français original et en français traduit automatiquement. Si la décision de rester proche du texte source peut néanmoins être considérée comme une stratégie de traduction à part entière, c’est surtout l’incohérence des choix traductifs qui nous amène à avancer l’absence d’un style chez les deux traducteurs automatiques étudiés. Enfin, si nous avons pu observer quelques différences de stratégies entre les deux systèmes – qui tendraient à montrer la supériorité de Google Traduction sur DeepL par rapprochement avec la traduction humaine utilisée comme norme –, il reste problématique d’affirmer que chaque machine a une voix qui lui serait singulière, tant ces différences semblent minimales comparées au fossé qui sépare ces deux traducteurs de la traduction humaine. En reprenant la métaphore musicale de Pekkanen (2013 : 70), loin du « duo » harmonieux entre auteur et traducteur, la voix de la machine relève donc davantage d’un « bruit » (Taivalkoski-Shilov, 2019 : 697) qui tend parfois à étouffer celle de l’auteur original par l’usage de stratégies discordantes.
44Pour terminer sur une note plus positive, nous nous inspirons de l’observation de Youdale (2020 : 21) selon lequel la valeur des traducteurs automatiques ne repose pas sur la qualité de leurs productions mais sur la façon dont leurs erreurs nous montrent les différences linguistiques qui peuvent poser problème en traduction. En conjuguant cette idée à une réflexion faite par Baker (2000 : 21), qui s’interroge sur la possibilité de discerner le style d’un traducteur par la comparaison de textes cibles traduisant le même texte source, nous émettons l’hypothèse que la plus-value des traductions automatiques pour les traductologues peut justement reposer sur la possibilité d’obtenir un deuxième texte cible facilement et rapidement, ce qui pourrait aider à la découverte de caractéristiques stylistiques chez le traducteur humain.