Utilisation de mesures de confiance pour améliorer le décodage en traduction de parole

Les mesures de confiance au niveau mot (Word Confidence Estimation-WCE) pour la traduction auto-matique (TA) ou pour la reconnaissance automatique de la parole (RAP) attribuent un score de confiance a chaque mot dans une hypothese de transcription ou de traduction. Dans le passe, l'estimation de ces mesures a le plus souvent ete traitee separement dans des contextes RAP ou TA. Nous proposons ici une estimation conjointe de la confiance associee a un mot dans une hypothese de traduction automatique de la parole (TAP). Cette estimation fait appel a des parametres issus aussi bien des systemes de transcription de la parole (RAP) que des systemes de traduction automatique (TA). En plus de la construction de ces estimateurs de confiance robustes pour la TAP, nous utilisons les informations de confiance pour re-decoder nos graphes d'hypotheses de traduction. Les experimentations realisees montrent que l'utilisation de ces mesures de confiance au cours d'une seconde passe de decodage permettent d'obtenir une amelioration significative des performances de traduction (evaluees avec la metrique BLEU-gains de deux points par rapport a notre systeme de traduc-tion de parole de reference). Ces experiences sont faites pour une tâche de TAP (francais-anglais) pour laquelle un corpus a ete specialement concu (ce corpus, mis a la disposition de la communaute TALN, est aussi decrit en detail dans l'article). Abstract. Word Confidence Estimation (WCE) for machine translation (MT) or automatic speech recognition (ASR) assigns a confidence score to each word in the MT or ASR hypothesis. In the past, this task has been treated separately in ASR or MT contexts and we propose here a joint estimation of word confidence for a spoken language translation (SLT) task involving both ASR and MT. We build robust word confidence estimators for SLT, based on joint ASR and MT features. Using these word confidence measures to re-decode the spoken language translation graph leads to a significant BLEU improvement (2 points) compared to the SLT baseline. These experiments are done for a French-English SLT task for which a corpus was specifically designed (this corpus being made available to the NLP community). Mots-cles : Mesures de confiance, traduction automatique de la parole, parametres joints, re-decodage de graphe.