Qu'est-ce que la diarisation des locuteurs, et pourquoi les notes de réunion en ont besoin

Alors, qu'est-ce que la diarisation des locuteurs ? En langage clair, la diarisation des locuteurs est le processus qui découpe un enregistrement audio en segments et étiquette chaque segment selon qui parlait. Elle répond à la question que toute transcription de réunion doit trancher pour être utile : qui a dit quoi, et quand.

Il est utile de distinguer deux choses souvent confondues. La transcription transforme le son en mots. La diarisation établit combien de voix distinctes sont présentes et attribue chaque portion de parole à l'une d'elles — d'abord, généralement, sous des étiquettes anonymes (« Locuteur 1 », « Locuteur 2 »), qu'une personne ou une étape ultérieure relie ensuite à de vrais noms. Une tâche liée mais distincte, l'identification des locuteurs, va plus loin et rattache une identité réelle à une voix. La diarisation est la couche « qui parle maintenant » ; l'identification est la couche « et son nom est » posée par-dessus.

Si vous avez déjà cherché le terme et êtes tombé sur une définition de dictionnaire pleine de jargon, voici la version en une phrase à retenir : la diarisation des locuteurs est le partitionnement automatique d'un enregistrement selon qui a parlé quand. Tout le reste de cet article découle de cette seule idée.

Imaginez un appel de quarante minutes entre quatre personnes qui vous est livré comme un seul bloc de texte ininterrompu, sans aucune indication de l'endroit où une personne s'arrête et la suivante commence. Vous pouvez lire chaque mot et rester incapable de reconstituer la réunion. Qui a accepté l'échéance ? Qui a soulevé l'objection ? Qui s'est engagé à envoyer le contrat ? Sans étiquettes de locuteurs, la transcription consigne que des choses ont été dites, mais pas par qui — et dans une réunion, le « par qui » est l'essentiel du sens.

C'est pourquoi l'identification des locuteurs, dans un contexte de réunion, n'est pas un agrément. Les tâches appartiennent à des personnes. Les engagements appartiennent à des personnes. Les décisions sont prises par des personnes, parfois malgré l'objection d'autres personnes, et la trace ne compte que si elle préserve cette structure. Une transcription qui-a-dit-quoi vous permet de répondre à « le client a-t-il vraiment accepté cela, ou est-ce notre propre commercial qui s'en est persuadé ? » — une transcription plate ne le peut pas.

Il y a un second coût, plus silencieux. Le signal comportemental — qui a mené la conversation, qui s'est tu, où les tours de parole se sont rompus — n'existe qu'une fois la parole attribuée aux locuteurs. Vous ne pouvez pas dire « le prospect a hésité avant de répondre » si vous ne savez pas quelle voix était le prospect. La diarisation est le fondement sur lequel se construit l'analyse plus intéressante, c'est pourquoi nous la traitons comme une étape de premier ordre plutôt que comme une coquetterie de mise en forme. Vous pouvez en lire davantage sur la façon dont nous l'utilisons sur la page diarisation des locuteurs d'auraScribe.

Sous le capot, la diarisation est une suite d'étapes plutôt qu'un seul tour de passe-passe. D'abord, le système effectue une détection d'activité vocale : il trouve les parties de l'audio qui contiennent de la parole et écarte le silence et le bruit. Puis il découpe la parole en courts segments et convertit chacun en une empreinte numérique — un plongement (embedding) qui capte les caractéristiques acoustiques d'une voix plutôt que les mots prononcés. Les segments aux empreintes similaires sont regroupés, et chaque groupe devient un locuteur. Enfin, les étiquettes de locuteurs sont alignées avec la transcription au niveau du mot pour que chaque phrase porte une attribution.

Les parties difficiles sont exactement là où vous les attendez. Deux personnes aux voix similaires peuvent se fondre en un seul groupe. Une personne sur une mauvaise connexion peut se fracturer en deux. Les chevauchements — des gens qui parlent les uns par-dessus les autres — sont réellement ardus, car à cet instant l'audio contient plus d'une voix à la fois. Estimer le nombre de locuteurs est un défi en soi : trop peu et des gens sont fusionnés, trop et une personne se retrouve scindée. Une bonne diarisation consiste surtout à gérer ces modes d'échec avec élégance plutôt qu'à prétendre qu'ils n'arrivent pas.

À cause de tout cela, la diarisation est rarement un modèle isolé. Chez auraScribe, elle tourne comme une étape au sein d'une séquence de passes plus large, chacune affinant la précédente, de sorte que l'attribution peut être revisitée avec plus de contexte au lieu d'être figée sur la première hypothèse. Si cette structure vous intrigue, la page pipeline multi-passes explique comment les étapes s'emboîtent. Des termes comme plongement, détection d'activité vocale et regroupement sont expliqués plus en profondeur dans notre glossaire.

Aucun système de diarisation n'est parfait, et l'approche honnête est de le concevoir en conséquence plutôt que de le masquer. La diarisation automatique vous amène l'essentiel du chemin : elle vous dit qu'il y avait quatre voix distinctes et répartit la parole entre elles. Ce qu'elle ne peut pas faire de façon fiable toute seule, c'est savoir que le Locuteur 2 est votre client et le Locuteur 3 votre collègue — ce mappage du groupe anonyme vers une identité réelle est l'endroit où une relecture humaine rapide gagne sa place.

En pratique, c'est une étape courte et rapide. Vous parcourez l'enregistrement, confirmez ou corrigez les frontières des locuteurs là où la machine doutait, et rattachez des noms aux étiquettes anonymes. Le système peut reporter ces noms, si bien que la même voix dans une réunion future est reconnue plutôt que réétiquetée de zéro. Le but n'est pas de vous faire refaire le travail ; c'est de vous laisser corriger la poignée d'endroits où l'audio était réellement ambigu, et de garder votre empreinte sur ce qui compte — l'attribution des engagements et des décisions aux bonnes personnes.

Nous sommes délibérés sur un point ici : nous préférons faire remonter un locuteur dont nous ne sommes pas sûrs plutôt que de le laisser tomber en silence. Un locuteur en trop est facile à fusionner en quelques clics. Un locuteur manquant — quelqu'un dont la contribution a été repliée dans celle d'une autre personne — est bien plus difficile à repérer et à récupérer. L'étape de relecture est donc biaisée vers le fait de vous montrer tout ce que l'audio contenait, non vers un résultat d'apparence nette qui perd discrètement des gens.

La précision de la diarisation n'est pas un chiffre unique, et vous devriez vous méfier de quiconque en cite un comme s'il l'était. Elle dépend fortement de l'enregistrement : un appel à deux capté sur de bons micros est un cas comparativement facile, tandis qu'un atelier à six avec paroles qui se chevauchent, deux personnes en haut-parleur et du bruit de fond en est un difficile. Plus il y a de locuteurs, plus il y a de chances de confondre deux voix similaires, et plus il y a de chevauchements, plus il y a de moments où l'audio ne contient tout simplement pas un seul locuteur net à attribuer.

Ce que nous dirons clairement, c'est ceci : la précision se dégrade à mesure que la salle se remplit, et nous concevons pour cette réalité plutôt que contre elle. Un audio propre aide énormément — un micro correct et des gens qui ne se coupent pas la parole feront davantage pour votre transcription que la modélisation la plus astucieuse. Là où l'audio est ambigu, nous penchons pour garder les locuteurs distincts et signaler l'incertitude pour l'étape de relecture, selon le principe ci-dessus qu'un locuteur en trop récupérable vaut mieux qu'un locuteur perdu et invisible.

La conséquence pratique est que la diarisation devrait être jugée sur les enregistrements que vous faites réellement, non sur un chiffre de benchmark. La meilleure façon de savoir si l'attribution qui-a-dit-quoi tient sur vos réunions est d'en faire passer quelques vraies et de regarder. Vous pouvez commencer gratuitement — essayez auraScribe sur vos propres enregistrements et voyez comment les étiquettes de locuteurs tiennent sur vos réunions typiques, de l'appel facile à deux à la séance de groupe désordonnée.