Posez une question en tunisien à un modèle de langue généraliste : il vous répondra presque toujours en arabe standard. Ce n’est pas un réglage à corriger, c’est le reflet de ce qu’il a lu. L’arabe littéraire occupe la presse, la littérature, les encyclopédies — tout ce qui constitue un corpus d’entraînement. Le tunisien est une langue essentiellement parlée, dont l’écrit tient dans les messageries et les réseaux sociaux.

Le problème n’est donc pas le modèle, c’est la donnée. C’est aussi ce qui le rend adressable : un corpus tunisien, constitué et indexé, change ce qu’un modèle peut retrouver au moment de répondre, sans qu’il faille le réentraîner.

Le corpus que Tukai maintient tient en deux index séparés : environ 13 700 entrées en alphabet arabe, et 13 200 en arabizi — l’écriture latine avec chiffres que les Tunisiens emploient réellement.

Deux index, et non un corpus mixte, parce que la récupération ne franchit pas la frontière entre deux systèmes d’écriture : un corpus en alphabet arabe ne permet pas de retrouver ce que quelqu’un vient d’écrire en « chnowa a3malt ». Il a fallu construire le second pour que la question posée en lettres latines trouve quelque chose.

Chiffres relevés le 2 août 2026.