Soundex

Soundex est un algorithme phonétique conçu pour encoder des mots, en particulier des noms propres, afin de regrouper ceux qui se prononcent de manière similaire malgré des orthographes différentes.

L'objectif est d'améliorer la recherche approximative, l'indexation phonétique et la détection de variantes orthographiques dans les bases de données.

Soundex génère une clé composée d'une lettre suivie de trois chiffres en suivant ces règles :

— Conserver la première lettre du mot

— Transformer les consonnes restantes en codes numériques selon des groupes phonétiques : BFPV=1, CGJKQSXZ=2, DT=3, L=4, MN=5, R=6

— Supprimer les voyelles (sauf la première lettre), les H et W

— Fusionner les codes identiques consécutifs

— Tronquer ou compléter avec des zéros pour obtenir une longueur finale de quatre caractères

Il n'existe pas d'algorithme Soundex inverse. Pour retrouver un mot à partir d'une clé, comparer cette clé avec celles des mots d'un dictionnaire ou d'une base de données.

Les mots partageant la même clé sont considérés comme phonétiquement similaires.

Soundex présente de nombreuses limitations :

— Sensibilité à la première lettre

— Adaptation mauvaise pour les langues non anglo-saxonnes

— Regroupements trop larges, générant des faux positifs

— Manque de précision pour les noms courts ou atypiques

Identifier une clé Soundex via sa structure typique : une lettre majuscule suivie de trois chiffres entre 0 et 6

La première lettre correspond littéralement à celle du mot d'origine, tandis que les chiffres encodent les sonorités consonantiques.

Plusieurs dérivés existent :

— American Soundex : version classique, utilisée dans de nombreux systèmes historiques.

— Metaphone / Double Metaphone : alternatives plus modernes et précises, souvent préférées dans les systèmes contemporains.

Soundex a été formalisé au début du XXe siècle, notamment dans le cadre des travaux de recensement aux États-Unis, vers les années 1910–1920, pour faciliter la recherche de patronymes malgré leurs orthographes souvent variables.