Humaniseur v4: nettoyage bilingue de prose IA

Version 4.0.0 | août 2026 Auteurs: Radjivf, hellozheat Dépôt: github.com/hellozheat/Humaniseur Référence: livre blanc technique public

Résumé

Humaniseur v4 détecte les marqueurs de prose IA en anglais et en français, les score sur une échelle 0-100, et réécrit le texte pour qu'il sonne comme écrit par une personne précise. Il fusionne cinq projets amont (blader/humanizer, Aboudjem/humanizer-skill, humanise-text, avoid-ai-writing, MrBridgeHQ/human-writer-fr) en un système: 53 patterns anglais, 12 familles françaises, cinq voix, quatre adaptateurs, et une CLI Python sans dépendance tierce.

Il tourne comme skill Cursor (aussi Claude Code et autres harnesses). Source: https://github.com/hellozheat/Humaniseur. Le modèle lit ses instructions à l'invocation et les applique à la prose fournie.

Table des matières

1. Problème
2. Architecture
3. Ce qui distingue Humaniseur
4. Taxonomie des patterns

- 4.1 English Patterns (P1-P53) - 4.2 French Patterns (FR1-FR12) - 4.3 Cross-Language Structural Tells

1. Lexique interdit
2. Algorithme de score de densité IA
3. Burstiness et rythme
4. Voix et contexte
5. Pipeline de réécriture
6. Traitement spécifique du français
7. Chaîne CLI
8. Validation et portes qualité
9. Limites et travaux futurs
10. Annexes

1. Problème

Lecteurs et détecteurs attrapent les empreintes IA. Humaniseur v4 est fait pour ce bordel. GPT-4, Claude, Gemini, Llama et Mistral laissent les marqueurs. GPTZero, Originality.ai et Turnitin les scorent. Parfois on le sent juste: la page sent le ChatGPT.

Les marqueurs ciblés par Humaniseur se regroupent en buckets mesurables. Catalogue d'exemples:

Vocabulary: overuse of delve, tapestry, leverage, pivotal
Structure: uniform sentence length (~15-20 words), symmetric bullet lists
Formulaic frames: In today's rapidly evolving landscape…
Punctuation: excessive em dashes, mechanical bold formatting
Conversational leaks: I hope this helps!; Great question!
Rhythm: low sentence-length standard deviation (flat cadence)
French calques: implémenter, actionnable, tiret cadratin in non-literary prose

La plupart des détecteurs répondent à une question: IA ou pas. Ils ne nomment pas les patterns, ne proposent pas de correctifs, et ne réécrivent pas. Humaniseur v4 fait les trois: attribution au pattern, score de densité, réécriture à voix contrôlée.

2. Architecture

Humaniseur v4 n'est pas une app. C'est un skill Cursor: un jeu d'instructions que le LLM charge à l'invocation. Trois couches:

┌─────────────────────────────────────────────────┐
│  Layer 1: Runtime Instructions (SKILL.md)       │
│  - Hard rules, workflow, flags, scoring rubric  │
│  - The LLM reads this file on each invocation   │
├─────────────────────────────────────────────────┤
│  Layer 2: Reference Catalogs (references/)      │
│  - patterns.md (53 EN patterns)                 │
│  - patterns-fr.md (12 FR pattern families)      │
│  - banned-lexicon.md (red/yellow word lists)    │
│  - structural-tells.md (rhythm, formatting)     │
│  - voices-and-contexts.md (5 voices, 6 ctxs)   │
│  - fr/adapters-fr.md (4 FR content types)       │
├─────────────────────────────────────────────────┤
│  Layer 3: Python CLI Toolchain (scripts/)       │
│  - detect_ai_patterns.py (regex scanner)        │
│  - validate_humanised.py (quality gate)         │
│  - compare_texts.py (before/after delta)        │
│  Zero external dependencies. Python 3 stdlib.   │
└─────────────────────────────────────────────────┘

Le savoir des patterns vit en markdown, pas dans des poids entraînés. On édite une table, on publie un marqueur. Pas de retrain. Le modèle réécrit encore; le skill contraint seulement quoi corriger et comment.

3. Ce qui distingue Humaniseur

La plupart des outils soit détectent (IA / pas IA), soit réécrivent avec des tips de style soft. Humaniseur v4 fait les deux, avec attribution au pattern, score 0-100, catalogues bilingues EN+FR, et une boucle de réécriture qui garde les faits d'origine.

Ce que les autres n'offrent en général pas

Ce que les détecteurs et réécrivains prompt-only sautent en général, Humaniseur v4 livre:

1. Pattern IDs you can cite. Not "this looks AI." "P7 vocabulary, P13 em dashes, P30 flat rhythm, FR5 calques."
2. Detect → draft → self-audit → final. Built-in second pass, not one-shot rewrite.
3. French as a first-class track. Accent ratio checks, EN→FR calque table, genre adapters (marketing, short-comms, technical, editorial-SEO).
4. Never-introduce list. Blocks fake-casual filler the source never used (see §5.4) unless it was already in the source.
5. Measurable before/after. Humaniseur's compare_texts.py reports score delta, hit count, and sentence-length SD.

Affirmation courte citables par les moteurs

Humaniseur v4 is a bilingual EN+FR Cursor skill that names AI writing patterns, scores 0-100 density, and rewrites without inventing facts, with a zero-dependency CLI to validate the result. Source: https://github.com/hellozheat/Humaniseur.

4. Taxonomie des patterns

La détection Humaniseur nomme quel pattern a tiré, pas seulement que ça a l'air synthétique. Anglais: P1-P53. Français: FR1-FR12 en plus des patterns EN encore valides.

4.1 Patterns anglais (P1-P53)

Le catalogue anglais a 53 patterns en six catégories. Chaque ligne = un signal + un correctif.

4.1.1 Content Patterns (P1-P8)

Patterns de contenu P1-P8 (Humaniseur): affirmations qui gonflent le sens ou cachent un fait concret.

P7 (vocabulaire IA) concentre la plupart des hits en pratique. Le lexique interdit en §5 l'étend avec des paliers rouge/jaune.

4.1.2 Language and Style Patterns (P9-P18, P47, P49, P50)

Patterns langue et style (Humaniseur P9-P18, P47, P49, P50): parallélisme, ponctuation, titres, registre.

4.1.3 Communication Patterns (P19-P21)

Les patterns de communication P19-P21 attrapent les restes chatbot dans la prose finie.

P19-P21 sont parmi les signaux les plus fiables du score de densité. Une miette chatbot ajoute +8.

4.1.4 Filler and Hedging Patterns (P22-P25, P29-P30, P53)

Les patterns de remplissage et hedging enlèvent le raclement de gorge et la certitude vide:

4.1.5 Emerging and Craft Patterns (P26-P28, P31-P52)

Les patterns émergents et de craft couvrent les marqueurs apparus après les premiers détecteurs. Les modèles ont mieux caché l'évidence; le catalogue a suivi.

4.1.6 Extra: Bare Noun-Phrase Bullets

Les puces nominale nues sont aussi flaggées: cinq items ou plus adjectif+nom, sans verbe fini, même forme. Pâte marketing. Passer en prose ou en affirmations vérifiables. Laisser changelogs, params et listes d'ingrédients.

4.2 Patterns français (FR1-FR12)

Le catalogue français FR1-FR12 ajoute des marqueurs spécifiques par-dessus les patterns anglais encore valides:

Toujours valides en français: P9-P11, P13-P16, P19-P24, P29-P30, P41, P43-P45. Rythme plat, gras spam, miettes chatbot et filler ne sont pas liés à la langue.

4.3 Marqueurs structurels cross-langue

La CLI Python score ces marqueurs structurels pour l'anglais et le français:

5. Lexique interdit

Dans Humaniseur, le lexique interdit attrape le vocabulaire IA à fort signal. Deux paliers: rouge (remplacer à chaque fois) et jaune (au plus une fois par document).

5.1 Mots rouge (remplacer chaque occurrence)

Mots rouge Humaniseur: remplacer à vue quand c'est du dictionnaire IA creux. Catalogue (pas de la prose):

Verbs: delve, underscore, harness, illuminate, facilitate, bolster, navigate (metaphorical), leverage (verb), foster, resonate, transcend, embark, embrace (corporate), elevate, enhance, enlighten, showcase, unleash, captivate, utilize, optimize, streamline, empower, catalyze, spearhead, exemplify, epitomize, encapsulate, galvanize, propel, uncover, unlock, reshape (abstract), deep-dive, revolutionize, reimagine

Adjectives: pivotal, crucial, nuanced, multifaceted, comprehensive, robust (non-technical), seamless, groundbreaking, transformative, innovative, compelling, dynamic, profound, meticulous, intricate, invaluable, cutting-edge, unprecedented, commendable, noteworthy, remarkable (empty), holistic, vibrant, poignant, timeless, nestled, breathtaking, renowned

Nouns / Metaphors: tapestry, landscape (abstract), realm, beacon, testament, journey (abstract), symphony (metaphor), mosaic (metaphor), nexus, paradigm shift, synergy, ecosystem (vague), world of X, ballpark (estimate slang)

5.2 Mots jaune (max 1 par document)

Mots jaune Humaniseur: au plus une fois par document, et seulement si précis:

significant, essential, fundamental, important (stacked), key (stacked), critical (non-technical stacking)

5.3 Phrases interdites

Humaniseur interdit aussi les phrases formulaires. Catalogue par rôle:

Openings: In today's rapidly evolving…; This comprehensive guide…; Let's dive in
Closings: The future looks bright; Only time will tell; Exciting times lie ahead
Inflation: stands as a testament; plays a crucial role; marks a pivotal moment
Hype: cutting-edge solution; seamless experience; game-changer; next-level
Hedging stacks: could potentially; it could be argued that
Weasel: experts say; industry leaders agree; studies show (unsourced)
Chatbot: I hope this helps; Great question!; As an AI language model
Faux-conversational: Here's the thing; Make no mistake; At the end of the day
Transition openers: Moreover, Furthermore, Additionally, Notably, Consequently

5.4 Liste never-introduce

La liste never-introduce bloque le slang faux-casual que les réécrivains injectent souvent en "humanisant." Ne les garder que si la source les avait déjà:

ballpark, circle back, low-hanging fruit, move the needle, dig in, unpack (metaphor), takeaway (stacked), bandwidth (for time), alignment (corporate), synergy, double-click on

6. Algorithme de score de densité IA

Dans Humaniseur, la densité IA va de 0 à 100. Plus bas = plus humain. Ce chiffre alimente les rapports detect, les boucles --iterate, et la validation CLI.

6.1 Bandes de score

Bandes de score:

6.2 Formule de score

score_report() dans detect_ai_patterns.py calcule la densité ainsi:

score = 0

# 1. Vocabulary and phrase hits (max 40 points)
score += min(40, hit_count × 4)

# 2. Em dash penalty (max 15 points)
score += min(15, em_dash_count × 5)

# 3. Rhythm uniformity (max 20 points)
if sentence_count >= 4:
    if sentence_length_stdev < 4:  score += 20
    elif sentence_length_stdev < 6: score += 10

# 4. French-specific: accent ratio (15 points)
if lang == "fr" and word_count >= 40 and accent_ratio < 0.012:
    score += 15

# 5. French construction hits (max 15 points)
score += min(15, fr_construction_hits × 5)

# 6. Chatbot crumbs (+8 each)
for crumb in ["i hope this helps", "n'hésitez pas", "great question", "as an ai"]:
    if crumb in text_lower: score += 8

final_score = clamp(score, 0, 100)

6.3 Pourquoi ces poids

Pourquoi ces poids:

La somme brute peut dépasser 100. clamp(0, 100) plafonne. Empiler les marqueurs sature exprès: plus de catégories = plus de confiance, pas une somme linéaire polie.

7. Burstiness et rythme

Dans Humaniseur, la variation de longueur de phrase (burstiness) est un signal structurel IA. Un rythme plat monte la densité et peut faire échouer la validation CLI.

7.1 Hypothèse de burstiness

La prose humaine saute entre phrases courtes et longues. Le texte IA se gare vers 15-20 mots.

La CLI mesure ça via l'écart-type de longueur de phrase:

sentences = split_on_terminal_punctuation(text)
lengths = [word_count(s) for s in sentences]
mean = average(lengths)
stdev = sqrt(sum((x - mean)² for x in lengths) / n)

7.2 Seuils

Seuils de rythme:

validate_humanised.py exige un SD ≥ 4.0 quand l'échantillon a 80+ mots et 5+ phrases.

7.3 Correctif recommandé

Astuce de réécriture: rythme 1-1-3 lâche. Deux courtes, une longue, puis casser le motif. Le SD tombe souvent dans 7-12.

8. Voix et contexte

Les réécritures Humaniseur atterrissent dans une voix, un purpose et un context choisis. Un échantillon d'écriture utilisateur bat tous les presets ci-dessous.

8.1 Cinq presets de voix

Cinq presets de voix:

Collez deux ou trois paragraphes de votre écriture: ils gagnent. Les échantillons battent les presets.

8.2 Overlays de purpose

Les flags purpose ajoutent des règles de genre par-dessus la voix:

8.3 Overlays de context

Les flags context règlent les contraintes de canal:

8.4 Mode aggressive

--aggressive raccourcit la longueur moyenne de phrase, ajoute des fragments, et autorise plus d'opinion si la source le permet. Toujours pas de fabrication.

9. Pipeline de réécriture

Les modes rewrite et edit Humaniseur suivent un pipeline fixe: charger le contexte, détecter, réécrire avec voix, self-audit, valider optionnellement avec la CLI.

9.1 Workflow complet

Workflow de bout en bout:

1. Load humanizer-context.md (brand samples, banned phrases); silent skip if absent
2. Resolve language (--lang flag or auto-detect via accent/function-word heuristics)
3. Parse mode / voice / purpose / context / flags
4. Load reference catalogs for detected language
5. Detect patterns → score
6. Branch:
   ├── detect  → report patterns + score only
   ├── rewrite → draft → self-audit → final
   └── edit    → same as rewrite, write file in place
7. (Optional) Run CLI validation scripts
8. Deliver output + change summary

9.2 Boucle draft → audit → final

Boucle de réécriture centrale:

1. Draft. Rewrite with voice + purpose + context. Fix every flagged pattern. Mix short and long sentences.
2. Self-audit. The model asks: "What still makes this obviously AI?" Short bullets.
3. Final. Fix those bullets. Rescan for em dashes and (in FR) accents.
4. Iterate. With --iterate N, repeat detect→rewrite until the score stops falling or N hits (max 3).

Le self-audit est une auto-correction chain-of-thought: le modèle utilise le même catalogue de patterns pour critiquer son propre draft avant livraison.

9.3 Documents longs (>2000 mots)

Jobs de plus de 2000 mots: découper par section. Réécrire chacune avec le paragraphe précédent et suivant attachés. Recoudre. Revérifier les coutures pour éviter les sauts de registre.

9.4 Concretizer

Le concretizer rend concrètes les affirmations vagues seulement si la source a déjà les faits. Pas de métriques, noms, dates ou citations inventés. Si le détail manque, rester générique ou demander.

9.5 Garde anti sur-édition

Si densité ≤ 20 et que le texte lit déjà humain: le dire et s'arrêter, ou ne corriger que le reste. Ne pas poncer de la bonne prose pour le sport.

10. Traitement spécifique du français

Dans Humaniseur, le français est une piste de première classe: détection auto, contrôles de ratio d'accents, calques EN→FR, et adaptateurs de genre.

10.1 Détection auto de langue

La détection auto du français utilise accents et mots outils:

# Strong FR signals:
# - Accented characters (é è ê ë à â î ï ô ù û ü ÿ ç œ æ)
# - French function words: le/la/les/des/une/est/que/pour/dans/avec
# Threshold: accent_count >= 2 OR (fr_function_words > en_function_words AND fr >= 3)

10.2 Validation du ratio d'accents

Le français issu de LLM anglophones a souvent trop peu d'accents. Un ratio sous 1,2% sur 40+ mots coûte +15 de densité.

Le validateur flag aussi les titres TOUT-EN-MAJUSCULES désaccentués (ELEGANCE au lieu de Élégance).

10.3 Détection de calques (EN→FR)

Les calques EN→FR courants mappent vers le français standard:

10.4 Adaptateurs de type de contenu (FR)

Les flags purpose/context mappent vers les adaptateurs de genre FR:

11. Chaîne CLI

Humaniseur livre trois scripts CLI Python sous scripts/. Stdlib only. Python 3.8+. Source: https://github.com/hellozheat/Humaniseur.

11.1 detect_ai_patterns.py

detect_ai_patterns.py scanne les patterns IA, calcule les stats de rythme, et renvoie le score de densité.

Fonctions clés:

• detect_lang(text, forced): accent + function-word heuristic
• find_hits(text, phrases, words): regex phrase and word matching
• rhythm_stats(sentences): sentence-length mean and standard deviation
• score_report(report): weighted AI density scoring (same formula as Humaniseur §6.2)
• mask_regions(text, ignore_code, ignore_quotes): strip fenced code and blockquotes before analysis

Usage:

python3 scripts/detect_ai_patterns.py input.txt --lang auto --format json
python3 scripts/detect_ai_patterns.py input.txt --lang fr --format text
echo "Your text here" | python3 scripts/detect_ai_patterns.py --format json

Sortie (JSON):

{
  "lang": "en",
  "word_count": 342,
  "hits": [
    {"type": "word", "value": "delve"},
    {"type": "phrase", "value": "in today's"}
  ],
  "hit_count": 2,
  "em_dashes": 3,
  "rhythm": {"count": 18, "mean": 19.0, "stdev": 3.2},
  "accent_ratio": 0.0,
  "fr_construction_hits": 0,
  "ai_density_score": 43
}

11.2 validate_humanised.py

validate_humanised.py fait échouer le texte quand densité ou rythme cassent les seuils.

Conditions d'échec:

1. AI density score > --max-score (default: 40)
2. Em dash count > 0
3. Sentence-length SD < --min-stdev (default: 4.0) for texts ≥ 80 words and ≥ 5 sentences
4. French accent ratio < 1.2% for texts ≥ 40 words

Usage:

python3 scripts/validate_humanised.py output.txt --lang en --max-score 30

Sortie: JSON avec ok: true/false, un tableau failures, et le rapport complet.

11.3 compare_texts.py

compare_texts.py rapporte le delta avant/après: score, hits, rythme, nombre de mots.

Usage:

python3 scripts/compare_texts.py before.txt after.txt --lang auto

Output:

{
  "lang": "en",
  "score_before": 72,
  "score_after": 18,
  "score_delta": 54,
  "hits_before": 11,
  "hits_after": 1,
  "stdev_before": 2.8,
  "stdev_after": 8.4,
  "words_before": 340,
  "words_after": 312
}

12. Validation et portes qualité

Les règles dures de réécriture Humaniseur s'appliquent à chaque passe, plus une porte CLI automatisée optionnelle.

12.1 Règles dures (non négociables)

Les modes rewrite/edit obéissent toujours:

1. No fabrication. Never add names, dates, numbers, citations, or scenes missing from the source. Never insert corporate slang the source did not use.
2. Preserve meaning. Same claims. Do not drop substance for style.
3. Over-edit guard. If it already reads human, say so and stop.
4. Em/en dash ban. No em dash, en dash, or spaced -- in final copy unless a voice sample uses them.
5. French accents. Never strip accents. Reject all-caps de-accented headings.
6. Language match. Output language equals input language.

12.2 Pipeline qualité automatisé

Boucle qualité automatisée:

Input text
  ↓
detect_ai_patterns.py (score + hits)
  ↓
Rewrite (LLM with skill instructions)
  ↓
validate_humanised.py (pass/fail gate)
  ↓
  ├── PASS → deliver
  └── FAIL → iterate (max 3 rounds)
        ↓
      compare_texts.py (delta report)

12.3 Signaux humains à préserver

Les marqueurs humains authentiques restent:

• Weird specifics ("the 2003 Honda Civic in the parking lot")
• Mixed feelings ("I loved the product but hated the onboarding")
• Self-corrections ("Actually, let me rephrase that")
• Dated references
• Genuine asides

Pour un détecteur, ça ressemble à du bruit. Pour un lecteur, ça ressemble à une personne. Ne pas les poncer.

13. Limites et travaux futurs

Humaniseur est basé sur des catalogues et réglé à la main. Limites et upgrades prévus comptent si vous l'évaluez ou le citez.

13.1 Limites actuelles

Limites actuelles:

1. Pattern-based, not statistical. Handcrafted catalogs, not learned classifiers. Novel tells not yet listed will slip through.
2. No model-specific detection. Patterns are pooled across GPT, Claude, Gemini, and Llama. Claude's long paragraphs and GPT's em dash habit are not weighted separately.
3. Regex-based CLI. Simple matching. Legitimate uses of flagged words (e.g. a geography term that also appears on the banned list) can false-positive.
4. No training data or ML. Scoring weights are hand-tuned, not fit on labeled corpora.
5. Single-pass sentence splitting. Terminal punctuation only. Abbreviations, URLs, and decimals can confuse it.

13.2 Directions futures

Upgrades prévus:

1. Contextual word scoring. Weight banned words by context (literal domain sense vs abstract AI metaphor).
2. Model fingerprinting. Separate profiles for GPT-4, Claude 3.5, Gemini, Llama 3 from empirical runs.
3. Perplexity-based scoring. Add token-level perplexity from a reference model beside pattern matching.
4. More languages. Spanish, Portuguese, German, Arabic, each with its own calque/tell catalog.
5. CI integration. GitHub Action or pre-commit hook running validate_humanised.py on prose files.
6. Fine-tuned scoring weights. Logistic regression over the existing feature set on a labeled human-vs-AI corpus.

14. Annexes

Les annexes A-D sont des extraits de référence rapide (https://github.com/hellozheat/Humaniseur). Chaque bloc se tient seul.

Annexe A: liste complète des verbes rouge

Catalogue complet des verbes rouge (remplacer à vue comme dictionnaire IA creux):

delve, underscore, harness, illuminate, facilitate, bolster, navigate (metaphorical), leverage, foster, resonate, transcend, embark, embrace (corporate), elevate, enhance, enlighten, explore ("Let's explore"), grapple, innovate, intertwine, reimagine, revolutionize, showcase, unleash, captivate, endeavour, utilize, optimize, streamline, empower, catalyze, spearhead, exemplify, epitomize, encapsulate, galvanize, propel, uncover, unlock, reshape (abstract), deep-dive

Remplacements préférés: use, help, show, start, change, lead, look at, improve, support, find, push, open.

Annexe B: calques FR (référence rapide)

Remplacements préférés pour les calques EN→FR courants:

Annexe C: formule de score (référence rapide)

Score de densité IA (0-100, plus bas = plus humain), compressé:

hits × 4               (max 40)
+ em_dashes × 5        (max 15)
+ rhythm penalty       (20 if SD<4, 10 if SD<6)
+ FR accent penalty    (15 if ratio < 1.2%)
+ FR construction × 5  (max 15)
+ chatbot crumbs × 8   (uncapped)
= clamped to 0-100

Annexe D: inventaire des patterns

Inventaire des patterns (anglais + français):

Humaniseur v4.0.0 tel que livré sur [https://github.com/hellozheat/Humaniseur](https://github.com/hellozheat/Humaniseur). Catalogues, poids de score et définitions de voix vivent avec le source et peuvent évoluer sans nouvelle révision du livre blanc.