Diarisation des locuteurs
La diarisation des locuteurs (speaker diarization) consiste à découper un enregistrement audio par locuteur, en indiquant pour chaque passage de parole qui l'a prononcé. Elle répond à la question « qui a parlé quand ».
Aussi appelé : diarisation, diarization, speaker labelling, who spoke when
Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode
Une simple transcription de réunion est un mur de mots. La diarisation ajoute à chaque segment des étiquettes comme Locuteur 1 et Locuteur 2, pour que vous puissiez suivre la conversation, attribuer les citations et résumer les points de chaque personne. C'est une fonctionnalité standard des outils de comptes rendus de réunion, d'analyse de centres d'appels, de transcription d'entretiens et de podcasts.
Comment ça marche
Un pipeline typique repère d'abord où se trouve la parole, la découpe en courts segments, transforme chaque segment en embedding de locuteur (une empreinte vocale compacte) et regroupe ces embeddings pour que les segments aux voix similaires partagent une étiquette. Les systèmes neuronaux plus récents gèrent une plus grande partie de ce travail dans un seul modèle, y compris la parole qui se chevauche. Des boîtes à outils ouvertes comme pyannote, avec des modèles comme pyannote community-1, sont très utilisées ; certains modèles de transcription produisent directement des étiquettes de locuteur.
En quoi elle diffère du speech-to-text
Le speech-to-text produit les mots. La diarisation produit les tours de parole, sans savoir ce qui a été dit. Les produits combinent les deux en alignant les horodatages. La diarisation n'identifie pas non plus les personnes par leur nom : elle regroupe des voix. Associer une voix à une personne connue relève de l'identification du locuteur, une tâche distincte soumise à ses propres règles de confidentialité.
Limites
Les erreurs augmentent avec les conversations croisées, les interjections brèves, les voix similaires, les mauvais micros et un nombre inconnu de locuteurs. Beaucoup d'outils vous permettent d'indiquer le nombre de locuteurs attendu, ce qui aide.
Termes liés
- Speech-to-text
- Le speech-to-text (transcription de la parole), aussi appelé reconnaissance automatique de la parole (ASR), est un logiciel qui convertit l'audio parlé en texte écrit. Il alimente la transcription, les sous-titres, les commandes vocales et la partie écoute des agents vocaux.
- Agent vocal
- Un agent vocal (voice agent) est un agent d'IA qui tient une conversation orale en temps réel : il écoute une personne, décide quoi dire ou faire et répond avec une voix de synthèse, souvent sur une ligne téléphonique ou dans une application.
- Embedding
- Un embedding (plongement vectoriel) est une liste de nombres (un vecteur) qui représente un morceau de texte, une image ou d'autres données, produite de sorte que les éléments de sens proche obtiennent des vecteurs proches les uns des autres.
- Text-to-speech
- Le text-to-speech (TTS, synthèse vocale) est un logiciel qui transforme un texte écrit en audio parlé. La TTS moderne utilise des réseaux de neurones qui prédisent le son de la parole à partir du texte, puis le restituent sous forme d'onde sonore.