Se connecterEssayer gratuitement

Qu'est-ce que la diarisation des locuteurs ?

La diarisation des locuteurs est l'étape de la reconnaissance vocale qui détermine qui parle, et à quel moment. Elle découpe un enregistrement en segments selon la voix et les étiquette Locuteur 1, Locuteur 2, etc. Ainsi, la transcription d'une interview ou d'une réunion montre les prises de parole de chacun au lieu d'un seul bloc de texte.

Exemple
Sans diarisation :
Alors on commence par où le plan de lancement commence par les prix d'accord.

Avec diarisation :
Locuteur 1 · 00:00:02  Alors, on commence par où ?
Locuteur 2 · 00:00:04  Le plan de lancement commence par les prix.
Locuteur 1 · 00:00:07  D'accord.

Comment ça marche

L'audio est découpé en courts morceaux, chaque morceau est transformé en empreinte vocale, et les empreintes proches sont regroupées par locuteur. La transcription est ensuite alignée mot à mot sur ces groupes.

Diariser n'est pas identifier

La diarisation sait que deux voix sont différentes, pas à qui elles appartiennent. Les noms viennent de vous : renommez une fois Locuteur 1 en Anna, et toutes ses répliques suivent.

Quand elle a du mal

Quand les gens parlent en même temps, avec des réponses très courtes comme « ouais », des voix proches, ou un seul micro éloigné de certains intervenants. Indiquer le nombre de personnes présentes dans l'enregistrement l'aide à bien regrouper les voix.

Questions

Combien de locuteurs la diarisation peut-elle gérer ?

Plusieurs, mais la précision baisse quand leur nombre augmente et que les prises de parole raccourcissent. Deux à cinq locuteurs dans un enregistrement clair donnent les meilleurs résultats.

Fonctionne-t-elle dans toutes les langues ?

Oui. La diarisation écoute les voix, pas les mots : elle fonctionne de la même façon dans toutes les langues.

Pourquoi deux personnes sont-elles fusionnées en un seul locuteur ?

Leurs voix se ressemblent, ou elles partagent un même micro éloigné. Indiquez le nombre de locuteurs, ou corrigez les étiquettes dans l'éditeur.

En savoir plus

Termes associés

  • Transcription verbatim

    La transcription verbatim restitue la parole exactement telle qu'elle a été prononcée : chaque « euh » et « hum », les mots répétés, les faux départs, les bégaiements et souvent des sons non verbaux comme [rires]. À l'inverse, le verbatim nettoyé (clean verbatim) garde les mots et le sens de l'intervenant, mais supprime les tics de langage et les hésitations pour un texte fluide.

  • Timecode

    Le timecode (code temporel) repère chaque image d'une vidéo sous la forme heures:minutes:secondes:images : 01:02:03:12 correspond à l'image 12 de la troisième seconde. Les monteurs s'en servent pour retrouver le même instant dans toutes les copies d'un projet. Les fichiers de sous-titres, eux, comptent généralement le temps en millisecondes, et c'est là que les confusions commencent.

  • Sous-titres SDH

    SDH signifie Subtitles for the Deaf and Hard of Hearing, c'est-à-dire sous-titres pour sourds et malentendants. En plus des dialogues, ils nomment les personnes qui parlent hors champ et décrivent les sons importants, comme [porte qui claque], [téléphone qui vibre] ou [musique angoissante], pour que la vidéo reste compréhensible sans le son. Les plateformes de streaming les signalent, par exemple, par English [SDH].

Mis à jour: