Comparateur de similarité textuelle

Cet outil compare deux textes que vous collez en utilisant deux algorithmes indépendants, réels et bien documentés — pas une heuristique vague du type « ça se ressemble ». Le premier est la similarité de Jaccard sur les n-grammes : chaque texte est découpé en mots, puis divisé en séquences de n mots consécutifs (un n-gramme ; la valeur par défaut est n=3, un trigramme, que vous pouvez régler de 1 à 5). L'indice de Jaccard des deux ensembles de n-grammes obtenus — la taille de leur intersection divisée par la taille de leur union — est une mesure standard de similarité d'ensembles utilisée en recherche d'information et en détection de quasi-doublons. Une valeur de n plus élevée capture des segments de phrases partagés plus longs et est plus stricte sur la formulation exacte ; une valeur plus basse est plus tolérante et capture les chevauchements de mots même entre des phrases structurées différemment.

Le second algorithme est une véritable plus longue sous-séquence commune (LCS) au niveau des mots, calculée avec une réelle table de programmation dynamique en O(n·m) sur les deux séquences de mots — le même algorithme classique que celui utilisé par les outils de diff, pas une approximation. Contrairement au score des n-grammes, la LCS n'exige pas que les mots correspondants soient contigus ; elle capture donc les recoupements même lorsqu'une phrase a été réorganisée ou légèrement modifiée entre des expressions partagées. Le pourcentage de chevauchement est calculé à partir de la longueur de la LCS par rapport à la longueur moyenne des deux textes. La table de programmation dynamique fait ensuite l'objet d'un retour arrière pour identifier précisément quels mots de chaque texte ont participé à cette plus longue séquence commune. C'est là le point fort : ces mots sont remis en correspondance sur votre texte d'origine — avec ses espaces, retours à la ligne et ponctuation d'origine conservés — et affichés sous forme de passages surlignés côte à côte, ce qui vous permet de voir exactement quels passages se recoupent au lieu de vous fier à un simple nombre.

Périmètre et honnêteté sont ici essentiels : il s'agit d'un outil de comparaison de deux textes, pas d'un détecteur de plagiat. Il n'a pas de connexion internet, pas d'index de recherche et aucune base de données de contenu externe à consulter — il peut uniquement vous indiquer à quel point les deux textes que vous avez collés sont similaires l'un par rapport à l'autre. Cela en fait un outil adapté pour comparer des versions de brouillons, vérifier à quel point une paraphrase ou une réécriture a réellement changé le texte, ou repérer les contenus quasi-dupliqués au sein de vos propres pages. La correspondance des mots n'est pas sensible à la casse, et la table de LCS en O(n·m) est limitée à quelques millions de cellules de paires de mots — pour les très longs textes (environ quelques milliers de mots combinés), l'étape de LCS exacte et le surlignage sont omis avec une note en langage clair, tandis que le score de Jaccard sur les n-grammes, qui est d'une complexité linéaire, est toujours calculé sur l'intégralité du texte. Tout s'exécute localement dans votre navigateur ; aucun texte ne quitte jamais votre appareil.