Tether Data, S.A. de C.V., qui opère sous le nom de Tether AI Research, a publié TranslatePsy-AfriSLM le 27 août 2026. TranslatePsy-AfriSLM est présenté comme une suite open source de traduction automatique couvrant 19 langues africaines. Les poids des modèles, le code d’inférence et les scripts de traitement sont publiés sous licence Apache 2.0 pour la recherche et l’éducation.
Les données d’entraînement synthétiques relèvent toutefois d’une autre licence, CC-BY-NC 4.0, elle aussi limitée aux usages de recherche et d’éducation annoncés. Cette distinction est déterminante pour un projet qui voudrait intégrer ces modèles dans un produit ou un service : la publication facilite les usages non commerciaux indiqués, mais n’accorde pas une autorisation commerciale sans restriction.
Une couverture qui va de l’amharique au zoulou
TranslatePsy-AfriSLM couvre l’afrikaans, l’amharique, le haoussa, l’igbo, le kinyarwanda, le lingala, le luganda, le malgache, le nyanja, l’oromo, le shona, le somali, le sotho du Sud, le swahili, le tswana, le wolof, le xhosa, le yoruba et le zoulou.
La publication propose aussi des versions GGUF compatibles avec llama.cpp. Cette déclinaison est conçue pour permettre l’inférence sur un ordinateur portable ou un smartphone, sans GPU coûteux, connexion permanente à Internet ni matériel avancé. Pour les chercheurs et les enseignants, l’intérêt est de pouvoir exécuter les modèles plus près de l’endroit où la traduction est nécessaire. Cette possibilité locale ne modifie pas les restrictions de licence attachées aux modèles et aux données.
Un filtrage fondé sur des données synthétiques
Le corpus open source initial contient 427 millions de paires de phrases brutes réunies à partir de WMT22, MALA, OPUS et Fine Translations. Selon la publication, ce mélange est réservé à la recherche et n’est pas destiné à être publié.
L’équipe a constitué un mélange synthétique distinct à partir de textes monolingues de MADLAD-400. Pour produire les données parallèles, elle a utilisé NLLB-3.3B via CTranslate2 dans les deux directions : de l’anglais vers les langues africaines, puis des langues africaines vers l’anglais.
La sélection de la qualité combine AfriCOMET, SSA-COMET et MetricX-24. Le score unifié a été étalonné sur environ 352 000 paires de phrases traduites par des humains. Après filtrage, le volume de données d’entraînement open source est passé de 44,93 milliards de tokens à 1,76 milliard. La réduction annoncée atteint ainsi 96 %, sans baisse rapportée des performances de traduction.
La configuration synthétique finale utilisait un seuil unifié d’estimation de la qualité de z̄ ≥ 0,68. Elle contenait 32,37 milliards de tokens et a obtenu un score de 0,632 en SSA-COMET sur BOUQuET avec le modèle 2B. Ces valeurs décrivent le processus de sélection et le protocole évalué ; elles ne constituent pas une configuration universelle pour chaque langue ni pour chaque déploiement.
Des résultats variables selon les langues et les métriques
L’évaluation a porté sur les 19 langues utilisées pendant l’affinage et sur huit langues qui n’avaient pas été vues pendant celui-ci. Le protocole s’appuyait sur Flores-200, BOUQuET et Smol, avec respectivement 1 012, 854 et 863 phrases.
Pour les 19 langues vues pendant l’affinage, la publication indique que TranslatePsy-AfriSLM-0.8B a dépassé Qwen3.5-122B-A10B et TranslateGemma-27B sur les trois benchmarks. Il a égalé NLLB-3.3B sur Flores-200 et l’a dépassé sur BOUQuET et Smol.
Les langues non vues demandent une lecture plus prudente. TranslatePsy-AfriSLM-2B a amélioré le score SSA-COMET par rapport au backbone Qwen3.5-2B dans chacune des huit langues, avec des gains particulièrement marqués pour le Sepedi, le bambara et l’akan. L’amélioration s’est montrée moins régulière avec les autres métriques. Le résultat le mieux établi se limite donc à cette métrique et à ce protocole, plutôt qu’à un classement général des systèmes de traduction.
TranslatePsy-AfriSLM associe une couverture linguistique étendue, des artefacts de modèles publiés et une option d’inférence locale. Son intérêt concret dépendra cependant du cadre d’utilisation : les licences annoncées visent la recherche et l’éducation, tandis que les performances rapportées restent liées à des benchmarks, des métriques et des tailles de modèles précis. Un déploiement plus large devra tenir compte à la fois de ces conditions d’usage et de ces limites d’évaluation.