= L'ASCII
Communiquer dans plusieurs langues implique d’avoir des systèmes
d'encodage adaptés à nos alphabets ou idéogrammes respectifs.
Le premier système d'encodage informatique est l’ASCII (American
standard code for information interchange). Publié en 1968 aux États-
Unis par l’American National Standards Institute (ANSI), avec
actualisation en 1977 et 1986, l'ASCII est un code standard de 128
caractères traduits en langage binaire sur sept bits (A est traduit par
«1000001», B est traduit par «1000010», etc.). Les 128 caractères
comprennent 33 caractères de contrôle (qui ne représentent donc pas de
symbole écrit) et 95 caractères imprimables: les 26 lettres sans accent
en majuscules (A-Z) et minuscules (a-z), les chiffres, les signes de
ponctuation et quelques caractères spéciaux, le tout correspondant aux
touches du clavier anglophone.
L'ASCII permet uniquement la lecture de l’anglais et du latin. Il ne
permet pas de prendre en compte les lettres accentuées présentes dans
bon nombre de langues européennes, et à plus forte raison les langues
non alphabétiques (chinois, japonais, coréen, etc.). Ceci ne pose pas
de problème majeur les premières années, tant que l’échange de fichiers
électroniques se limite essentiellement à l’Amérique du Nord. Mais le
multilinguisme devient bientôt une nécessité vitale. Des variantes de
l’ASCII (norme ISO-8859 ou ISO-Latin) prennent en compte les caractères
accentués de quelques langues européennes. La variante pour le
français, par exemple, est définie par la norme ISO-8859-1 (ISO-Latin-
1).
= L'Unicode
Avec le développement du web, l’échange des données s’internationalise
de plus en plus. On ne peut plus se limiter à l’utilisation de
l’anglais et de quelques langues européennes, traduites par un système
d’encodage datant de 1968. De plus, le passage de l’ASCII original à
ses différentes extensions devient vite un véritable casse-tête, y
compris au sein de l’Union européenne, les problèmes étant entre autres
la multiplication des variantes, la corruption des données dans les
échanges informatiques ou encore l’incompatibilité des systèmes, les
pages ne pouvant être affichées que dans une seule langue à la fois.
Olivier Gainon, fondateur de CyLibris et pionnier de l’édition
électronique littéraire, écrit en décembre 2000: «Il faut que le réseau
respecte les lettres accentuées, les lettres spécifiques, etc. Je crois
très important que les futurs protocoles permettent une transmission
parfaite de ces aspects - ce qui n’est pas forcément simple (dans les
futures évolutions de l’HTML ou des protocoles IP, etc.). Donc il faut
que chacun puisse se sentir à l’aise avec l’internet et que ce ne soit
pas simplement réservé à des (plus ou moins) anglophones. Il est
anormal aujourd’hui que la transmission d’accents puisse poser problème
dans les courriers électroniques. La première démarche me semble donc
une démarche technique. Si on arrive à faire cela, le reste en découle:
la représentation des langues se fera en fonction du nombre de
connectés, et il faudra envisager à terme des moteurs de recherche
multilingues.»
Publié pour la première fois en janvier 1991, l’Unicode est un système
d'encodage universel sur 16 bits spécifiant un nombre unique pour
chaque caractère. Ce nombre est lisible quels que soient la plateforme,
le logiciel et la langue utilisés. L’Unicode peut traiter 65.000
caractères uniques et prendre en compte tous les systèmes d’écriture de
la planète. A la grande satisfaction des linguistes, il remplace
progressivement l’ASCII, avec des variantes UTF-8, UTF-16 et UTF-32
(UTF: Unicode transformation format) en fonction du nombre de bits
utilisés. Il devient une composante des spécifications du World Wide
Web Consortium (W3C), l'organisme international chargé du développement
du web.
L’utilisation de l’Unicode se généralise à partir de 1998, par exemple
pour les fichiers texte sous plateforme Windows (Windows NT, Windows
2000, Windows XP et versions suivantes), qui étaient jusque-là en
ASCII.
Mais l’Unicode ne peut résoudre tous les problèmes, comme le souligne
en juin 2000 Luc Dall’Armellina, co-auteur et webmestre d’oVosite, un
espace d’écriture hypermédia: «Les systèmes d’exploitation se dotent
peu à peu des kits de langues et bientôt peut-être de polices de
caractères Unicode à même de représenter toutes les langues du monde;
reste que chaque application, du traitement de texte au navigateur web,
emboîte ce pas. Les difficultés sont immenses: notre clavier avec ses ±
250 touches avoue ses manques dès lors qu’il faille saisir des Katakana
ou Hiragana japonais, pire encore avec la langue chinoise. La grande
variété des systèmes d’écriture de par le monde et le nombre de leurs
signes font barrage. Mais les écueils culturels ne sont pas moins
importants, liés aux codes et modalités de représentation propres à
chaque culture ou ethnie.»
Patrick Rebollar, professeur de littérature française au Japon et
modérateur de la liste de diffusion LITOR (littérature et ordinateur),
donne son sentiment en janvier 2000: «Il s'agit d'abord d'un problème
logiciel. Comme on le voit avec Netscape ou Internet Explorer, la
possibilité d'affichage multilingue existe. La compatibilité entre ces
logiciels et les autres (de la suite Office de Microsoft, par exemple)
n'est cependant pas acquise. L'adoption de la table Unicode devrait
résoudre une grande partie des problèmes, mais il faut pour cela
réécrire la plupart des logiciels, ce à quoi les producteurs de
logiciels rechignent du fait de la dépense, pour une rentabilité qui
n'est pas évidente car ces logiciels entièrement multilingues
intéressent moins de clients que les logiciels de navigation.»
= ASCII et/ou Unicode
Le Projet Gutenberg est fondé dès 1971 par Michael Hart pour numériser
les œuvres littéraires et les mettre gratuitement à la disposition de
tous.
Les œuvres sont numérisées en mode texte, en utilisant l’ASCII original
sur sept bits ou, pour les langues avec accents, l'ASCII sur huit bits
pour une prise en compte des caractères accentués. Mais, même dans ce
cas, le Projet Gutenberg propose systématiquement en complément une
version ASCII sur sept bits sans accents. Sauf, bien entendu, dans le
cas de langues non encodables en ASCII, comme le chinois, qui est
encodé au format Big-5 pour le chinois traditionnel.
Surnommé à juste raison «le plus petit dénominateur commun», l'ASCII
sur sept bits est le seul format compatible avec 99% des machines et
des logiciels, et pouvant être converti dans de nombreux autres
formats. Il sera toujours utilisé quand d’autres formats auront
disparu. Il est l’assurance que les collections ne deviendront jamais
obsolètes, et survivront aux changements technologiques des prochaines
décennies ou même des prochains siècles. Il n'existe pas d'autre
standard aussi largement utilisé, y compris l'Unicode, système
d'encodage universel créé en 1991. Ce jusqu'en 2008, date à laquelle
les deux systèmes d'encodage sont également représentés sur le web.
Le Projet Gutenberg propose certains livres dans d’autres formats que
l'ASCII, notamment dans les trois formats répandus que sont les formats
HTML, XML et RTF. Des fichiers Unicode sont également présents et
remplacent peu à peu les fichiers ASCII sur huit bits pour les langues
avec accents comme le français. De plus, tout format proposé par tel ou
tel volontaire est généralement accepté (PDF, LIT, TeX et beaucoup
d'autres), dans la mesure où un fichier ASCII est également présent.
Les collections du Projet Gutenberg sont d'abord essentiellement
anglophones, puisque ce projet est basé aux États-Unis et qu'il sert en
priorité la communauté anglophone nationale et internationale. En
octobre 1997, Michael Hart annonce son intention d'intensifier la
production de livres dans des langues autres que l'anglais. Début 1998,
le catalogue comprend quelques œuvres en allemand, en espagnol, en
français (dix titres), en italien et en latin. En juillet 1999, Michael
écrit: «J'introduis une nouvelle langue par mois maintenant, et je vais
poursuivre cette politique aussi longtemps que possible.»
Le multilinguisme devient ensuite l'une des priorités du Projet
Gutenberg, tout comme l'internationalisation, avec le Project Gutenberg
Australia (créé en août 2001), le Projet Gutenberg Europe (créé en
janvier 2004), le Project Gutenberg Canada (créé en juillet 2007), et
d'autres Projets Gutenberg à venir dans divers pays, notamment au
Portugal.
Dans le Projet Gutenberg original, 25 langues sont représentées en
janvier 2004, 42 langues en juillet 2005, dont le sanscrit et les
langues mayas, et 50 langues en décembre 2006. À cette date, les
langues principales sont l’anglais, le français, l’allemand, le
finnois, le hollandais, l’espagnol, l’italien, le chinois, le portugais
et le tagalog.
Dès ses débuts en janvier 2004, le Projet Gutenberg Europe propose un
site multilingue pour gérer la relecture partagée entre les
volontaires, afin de prendre en compte les principales langues
nationales. En avril 2004, grâce à des traducteurs volontaires, le site
est disponible en douze langues. L'objectif à moyen terme est un site
en soixante langues, et donc soixante équipes linguistiques, avec prise
en compte de toutes les langues européennes. Le Projet Gutenberg Europe
utilise l'Unicode et non l'ASCII, pour pouvoir traiter des livres dans
un grand nombre de langues.