Blog
Qu'est-ce que la diarisation ? Comment ça marche
Auteur : Hushscript Publié le : Dernière révision :
La diarisation des locuteurs est le processus automatique qui découpe un enregistrement en segments par locuteur et répond à la question « qui a parlé, et quand ? » avant qu’un humain ne lise la transcription. La recherche actuelle sur la diarisation dans l’ACL Anthology décrit la même tâche pour les conversations à plusieurs. C’est la différence entre un mur de mots et une conversation structurée, et c’est pourquoi la transcription d’un entretien à deux revient sous la forme d’un dialogue lisible plutôt que d’un long paragraphe.
En termes simples : vous envoyez un enregistrement, le moteur de diarisation repère les moments où la voix change, regroupe les segments qui semblent venir de la même personne et renvoie une transcription avec une ligne par tour de parole, étiquetée par voix. Cet article présente le sens de la diarisation, son fonctionnement étape par étape, sa différence avec l’identification du locuteur, les outils utilisés par les développeurs et ses points faibles.
Qu’est-ce que la diarisation des locuteurs ? La définition en clair
Imaginez que vous transcriviez à la main un entretien de 90 minutes. Une fois la parole mise en texte, la tâche suivante est l’attribution : « Journaliste : », « Invité : », en alternance, à chaque changement de voix. Décider qui parle à chaque seconde, c’est exactement ce que fait la diarisation pour vous. On parle aussi de diarisation de la parole. La définition est la même : associer chaque partie de l’audio à la voix qui lui correspond.
Le résultat est une transcription au format dialogue :
Locuteur A [00:00:12] : La première chose à comprendre est que les données n'existent que pour un instant.
Locuteur B [00:00:27] : C'est vrai, et c'est ce que la plupart des gens ne réalisent pas avant qu'il ne soit trop tard.
Locuteur A [00:00:34] : Exactement. La vraie question est donc de savoir ce que vous faites dans cette fenêtre.
Chaque énoncé est lié à un locuteur et à un horodatage. Vous pouvez ensuite renommer Locuteur A et Locuteur B avec de vrais noms, en une modification par locuteur, et l’étiquette est mise à jour partout où elle apparaît.
L’alternative, une transcription simple sans diarisation, est un bloc de texte continu où il faut réécouter l’audio pour savoir qui a dit quoi. Au-delà de quelques minutes avec deux voix ou plus, c’est un vrai travail manuel, et c’est celui que la diarisation supprime.
Ce dont vous avez besoin avant de commencer
La diarisation s’exécute sur l’enregistrement lui-même ; la seule vraie condition est donc un audio où les locuteurs se distinguent raisonnablement :
- Un enregistrement contenant toutes les voix. La diarisation travaille sur un seul fichier : tous les locuteurs doivent y être présents. Une table ronde où tout le monde partage le micro de la salle fonctionne ; deux personnes enregistrées chacune sur leur appareil, dans deux fichiers distincts, non. Combinez-les d’abord en un seul mixage.
- Un son suffisamment clair. Il n’a pas besoin d’être de qualité studio. Il faut que chaque personne soit audible sans effort, avec peu de paroles superposées et de bruit de fond. Plus les voix sont nettement séparées, plus les étiquettes sont propres.
- Une idée approximative du nombre de personnes qui parlent. Vous n’avez pas à l’indiquer, mais le savoir aide à vérifier le résultat : si vous avez enregistré trois personnes et que la transcription affiche six locuteurs, vous savez où regarder.
Pas d’enrôlement au micro, pas d’échantillons de voix, pas de réglage par locuteur.
Comment fonctionne la diarisation des locuteurs
La diarisation se décompose en plusieurs étapes distinctes. Les connaître rend le résultat plus facile à lire, et plus facile à corriger en cas d’erreur. Ce schéma de la diarisation montre le déroulement du fichier audio jusqu’aux étiquettes, de gauche à droite :
audio -> trames -> caractéristiques -> changements -> groupes -> étiquettes
fichier 10-40 ms hauteur, spectre A | B | A | C A, B, C Locuteur A, B, C
Extraction des caractéristiques. L’audio est découpé en courtes trames, généralement de 10 à 40 millisecondes, et le moteur mesure des caractéristiques acoustiques dans chacune. Celles qui permettent de distinguer les locuteurs se trouvent dans le domaine fréquentiel : hauteur de la voix, formants et motifs spectraux, qui restent assez constants chez une même personne et diffèrent d’une personne à l’autre.
Segmentation. Le moteur cherche les points de changement de locuteur : les moments où ces caractéristiques vocales basculent. C’est la partie difficile. Un changement peut tomber au milieu d’une phrase quand quelqu’un interrompt, et le bruit ou les paroles superposées peuvent masquer une vraie frontière ou en inventer une fausse.
Regroupement. Les segments qui ressemblent à la même voix sont regroupés. Le moteur ne sait pas combien de personnes sont présentes : il déduit le nombre de locuteurs à partir de l’audio. Si vous connaissez ce nombre à l’avance, certaines configurations permettent de l’indiquer. Sinon, le moteur l’estime, et c’est de là que viennent la plupart des erreurs du type « une personne coupée en deux » ou « deux personnes fusionnées en une ».
Étiquetage. Chaque groupe reçoit une étiquette : Locuteur A, Locuteur B, Locuteur C, ou Locuteur 0, Locuteur 1. Ces étiquettes sont des repères arbitraires. Aucune identité n’y est associée : c’est simplement un identifiant stable pour une voix tout au long de l’enregistrement.
Cela décrit le pipeline classique. Les systèmes plus récents entraînent souvent des réseaux de neurones qui traitent plusieurs de ces étapes ensemble. L’objectif et le résultat restent les mêmes : une chronologie de qui a parlé et quand. Chez Hushscript, le tout s’exécute en une passe automatique en même temps que la transcription ; vous ne lancez donc pas de tâche d’étiquetage séparée.
Modèles de diarisation, outils Python et API
Les développeurs qui veulent exécuter la diarisation eux-mêmes ont plusieurs options. pyannote.audio est une boîte à outils Python open source pour la diarisation, construite sur PyTorch, avec des pipelines de diarisation prêts à l’emploi. Des projets comme WhisperX associent un modèle de transcription à un modèle de diarisation pour que le texte et les tours de parole coïncident. Dans les deux cas, il faut installer les modèles, fournir sa propre puissance de calcul et écrire du code autour.
Une API est la voie intermédiaire : vous envoyez l’audio, vous recevez le texte avec les tours de parole. L’API publique de Hushscript accepte une option speaker_detection sur les tâches de transcription. Consultez la page développeurs pour voir comment elle fonctionne.
Si vous voulez seulement le résultat, une transcription avec locuteurs étiquetés à partir d’un fichier, il n’y a rien à installer. La section suivante explique pourquoi la diarisation seule ne peut nommer personne, et les sections d’après présentent la voie sans code.
Diarisation et identification du locuteur : quelle différence ?
Les deux sont constamment confondues, mais elles répondent à des questions différentes.
La diarisation demande : qui parle en ce moment, par rapport aux autres voix de ce fichier ? Elle sépare les voix mais ne sait pas à qui elles appartiennent. Elle n’a besoin d’aucune connaissance préalable.
L’identification du locuteur, aussi appelée reconnaissance vocale, demande : s’agit-il de la même personne que dans un enregistrement de référence connu ? Elle exige un échantillon de voix enregistré au préalable pour comparer, et c’est la technologie derrière les systèmes de « vérification d’identité par la voix ».
Hushscript utilise la diarisation, pas la reconnaissance vocale. Il n’enregistre aucune voix et ne compare jamais votre enregistrement à celui de quelqu’un d’autre. Les étiquettes de locuteurs sont déduites des seules caractéristiques vocales présentes dans ce fichier.
C’est pour cette raison que la diarisation ne peut pas nommer les gens à votre place. Elle peut dire que « la même personne a parlé pendant ces 200 tours en une heure », mais pas qui est cette personne. Cette étape vous revient. Si vous cherchez un logiciel qui étiquette les locuteurs d’une transcription plutôt qu’une explication de la méthode, la page Diarisation et identification des locuteurs détaille comment Hushscript traite les enregistrements à plusieurs voix de bout en bout.
Un exemple concret : une réunion à trois
Imaginons que vous enregistriez une réunion de projet de 40 minutes avec trois personnes dans une même pièce, autour d’un seul micro d’ordinateur portable, dans un seul fichier .m4a. Vous le déposez, et après la transcription, le résultat ressemble à ceci :
Locuteur A [00:00:04] : D'accord, commençons par la date de lancement. Où en sommes-nous ?
Locuteur B [00:00:09] : Le design est terminé. Nous avons remis les derniers écrans lundi.
Locuteur C [00:00:14] : L'ingénierie a besoin d'environ deux semaines supplémentaires pour le flux de paiement.
Locuteur A [00:00:21] : Deux semaines nous placent au-delà de la date promise pour la commercialisation.
Locuteur B [00:00:27] : Pouvons-nous expédier sans le nouveau flux de paiement et le suivi ?
Locuteur C [00:00:33] : Pas proprement. L'ancien flux s'interrompt avec la nouvelle tarification.
Trois voix, séparées et étiquetées, avec un horodatage à chaque tour. Il ne reste qu’à renommer : Locuteur A devient « Priya » (c’est elle qui anime la réunion), Locuteur B devient « Tom », Locuteur C devient « Dana ». Après trois renommages, chaque ligne porte un vrai nom, et la transcription est prête à être collée dans le compte rendu de réunion avec une attribution correcte du début à la fin.
La même logique vaut pour un entretien à deux, un podcast à quatre ou un appel téléphonique à deux interlocuteurs : le moteur sépare ce qu’il entend, et c’est vous qui mettez les noms.
Essayer la diarisation en ligne avec Hushscript
La détection des locuteurs est une case à cocher dans les options d’envoi, et les étiquettes ne coûtent rien de plus. Le déroulement : vous déposez votre fichier, collez un lien audio pris en charge ou enregistrez dans le navigateur, et un aperçu de 5 minutes maximum avec étiquettes de locuteurs s’affiche sans compte. L’aperçu place chaque tour de votre propre audio sur sa ligne, avec son étiquette. Inscrivez-vous pour transcrire le reste, puis ouvrez la transcription terminée. À partir de là :
- Cliquez sur une étiquette de locuteur dans l’éditeur de transcription, par exemple
Locuteur B. - Choisissez Modifier les noms des intervenants dans le menu qui s’ouvre.
- Saisissez le vrai nom, par exemple « Tom », dans la boîte de dialogue, puis enregistrez.
- Toutes les occurrences de ce locuteur sont mises à jour en même temps, de la première ligne à la dernière.
Le renommage est global : vous ne modifiez jamais deux fois la même étiquette. Si le moteur a placé un tour sous le mauvais locuteur, réattribuez ce tour à la bonne étiquette. Vous pouvez ensuite exporter la transcription, noms inclus, dans l’un des 21 formats comme TXT, SRT, DOCX, PDF et JSON, ainsi qu’une archive .husharchive protégée par mot de passe.
Défis de la diarisation et comment les corriger
La diarisation est fiable sur des enregistrements propres et devient plus difficile à mesure que l’audio se dégrade. Voici les problèmes courants et que faire :
Paroles superposées. Quand deux personnes parlent en même temps, le moteur doit attribuer l’audio superposé à un seul locuteur, et il peut se tromper sur le croisement ou perdre quelques mots. Aucun réglage logiciel n’y change rien : l’audio contient réellement deux voix au même instant. Le levier, c’est la prévention : un enregistrement où l’on se passe la parole est diarisé bien plus proprement qu’un enregistrement plein d’interruptions. Quand des chevauchements se produisent, une relecture rapide face à l’audio repère les quelques lignes concernées.
Voix proches. Deux locuteurs de hauteur et d’accent voisins (par exemple deux hommes du même âge, ou des frères et sœurs) sont plus difficiles à séparer que deux voix contrastées, car leurs caractéristiques vocales se recoupent vraiment. Le moteur peut parfois intervertir un tour entre eux. Parcourez la transcription pour repérer les lignes qui semblent étranges pour le locuteur attribué, et réattribuez-les à la main.
Beaucoup de locuteurs. La précision baisse quand le nombre de personnes augmente, car chaque voix supplémentaire est un groupe de plus à séparer et une occasion de chevauchement de plus. Hushscript ne fixe aucune limite payante au nombre de locuteurs, mais un appel à dix personnes sur le micro d’un seul ordinateur portable demandera plus de relecture qu’un entretien à deux.
Une personne coupée en deux étiquettes. Si le son d’une personne change en cours d’enregistrement (elle se rapproche du micro, passe du casque au haut-parleur, ou la connexion se dégrade), le moteur peut interpréter la seconde moitié comme une nouvelle voix et créer une étiquette de trop. Réattribuez au bon locuteur les tours placés sous l’étiquette en trop.
Deux personnes fusionnées sous une seule étiquette. L’inverse se produit quand deux voix faibles ou lointaines se ressemblent trop pour que le moteur les sépare. C’est le plus difficile à réparer après coup, donc mieux vaut l’éviter : rapprochez le micro des locuteurs et évitez d’enregistrer depuis l’autre bout d’une grande pièce. Dans l’éditeur, vous pouvez scinder les tours et les réattribuer.
Audio lointain ou bruyant. Un micro d’ordinateur portable au bout d’une table de conférence, un téléphone posé sur la table pendant une discussion de groupe ou un fort écho dans la pièce brouillent toutes les frontières entre les voix. Rapprocher le micro aide tous les locuteurs, et réduire le bruit de fond (ventilateurs, circulation, musique) rend la séparation plus nette. La qualité de la diarisation suit de très près celle de l’audio.
Appels téléphoniques enregistrés en deux fichiers distincts. Si votre enregistreur a sauvegardé chaque côté d’un appel dans son propre fichier mono, la diarisation sur l’un ou l’autre fichier ne voit qu’une seule voix. Combinez d’abord les deux en un seul enregistrement mixé, pour que les deux voix soient présentes dans un même fichier, puis transcrivez-le.
Conseils de précision qui font vraiment la différence
Quelques habitudes améliorent nettement la diarisation, et la plupart concernent l’enregistrement, pas le logiciel :
- Laissez chacun parler à son tour. Les paroles croisées sont la première source d’erreurs de diarisation. Une discussion animée par un modérateur vaut mieux qu’une mêlée générale.
- Rapprochez le micro. La distance et l’écho de la pièce fondent les voix les unes dans les autres. Un micro proche par personne est idéal ; un micro partagé au milieu de la table vaut mieux qu’un micro dans un coin.
- Coupez le bruit de fond évident. La musique, un ventilateur qui tourne ou un café animé concurrencent les voix et brouillent les frontières.
- Mettez toutes les voix dans le fichier que vous transcrivez. La diarisation compare les locuteurs au sein d’un même enregistrement. Si un enregistreur a produit des pistes séparées par participant, mixez-les d’abord en un seul fichier pour que la passe de diarisation entende toute la conversation.
Rien de tout cela n’a besoin d’être parfait. Des tours de parole bien distincts et un micro raisonnablement placé suffisent à obtenir des étiquettes propres pour la plupart des enregistrements, et l’éditeur s’occupe du reste.
Pourquoi la diarisation compte pour les entretiens et les réunions
Sans diarisation, la transcription d’une conversation à plusieurs est presque inutilisable pour ses usages les plus courants :
- Citations directes. Vous ne pouvez pas citer quelqu’un si vous ne savez pas quelles lignes sont les siennes.
- Attribution dans les résumés. Un compte rendu de réunion qui ne dit pas qui a dit quoi n’est guère plus utile que pas de compte rendu du tout.
- Recherche par locuteur. Si vous cherchez ce qu’une personne a dit, vous ne pouvez pas filtrer un bloc de texte unique et indifférencié.
Avec la diarisation, tout cela devient simple et la transcription devient un document plutôt qu’un texte brut. Pour tout ce qui sera publié ou cité, journalisme, recherche ou notes d’épisode de podcast, une attribution exacte n’est pas facultative. Pour un usage interne, comme des comptes rendus de réunion, des entretiens de recherche ou des dossiers RH, la structure étiquetée est tout aussi précieuse : parcourir un dialogue est bien plus rapide que lire un mur de texte.
Pour un guide complet en contexte, consultez comment transcrire une interview, qui couvre l’enregistrement, la transcription et le renommage pour le journalisme et la recherche, et comment transcrire un podcast pour étiqueter animateurs et invités tout au long d’un épisode.
Les étiquettes de locuteurs ne coûtent rien de plus
La diarisation est incluse dans chaque transcription Hushscript sans frais supplémentaires. Il n’y a ni module complémentaire de diarisation, ni formule distincte, ni limite payante au nombre de locuteurs d’un enregistrement. Hushscript lui-même fonctionne au paiement à l’usage, sans abonnement. Les comptes personnels éligibles peuvent recevoir 30 minutes gratuites une seule fois après une vérification de carte réussie, ou avec leur premier achat si elles n’ont pas déjà été accordées. Vous ne payez ensuite que les minutes utilisées ; consultez la page Tarifs pour les détails.
Les étiquettes automatiques peuvent être fausses : relisez-les quand l’attribution compte. Déposez un enregistrement, récupérez les étiquettes, renommez-les et exportez le résultat. Pour en savoir plus sur l’ensemble du fonctionnement, consultez la page Retranscription audio en texte.
Sources et normes indépendantes
Hushscript a consulté ces références indépendantes et non concurrentes. Elles présentent des recherches, des normes ou le fonctionnement de plateformes et ne constituent pas une recommandation de Hushscript.
Sources vérifiées le :