Qu’est-ce que la diarisation des locuteurs ?

La diarisation des locuteurs divise la parole enregistrée en segments selon la personne qui parle. Elle attribue des étiquettes telles que Locuteur 1 et Locuteur 2, mais n’identifie pas nécessairement les locuteurs par leur nom.

Une chaîne de diarisation détecte les zones de parole, extrait des représentations vectorielles de la voix ou d’autres caractéristiques des locuteurs, puis regroupe les segments qui semblent provenir de la même personne. La sortie répond à la question « qui a parlé quand » au moyen d’étiquettes anonymes propres à l’enregistrement, sauf si des données d’enrôlement ou une étape d’identification distincte fournissent les identités. La segmentation et le regroupement peuvent s’exécuter séparément ou conjointement, et l’attribution des locuteurs peut être calculée à partir du seul audio ou alignée ensuite sur la sortie de transcription. Le résultat est généralement fusionné avec les horodatages des mots pour créer des sous-titres attribués aux locuteurs, des notes de réunion ou des archives interrogeables.

« Locuteur 1 » désigne-t-il la même personne dans chaque fichier ? Non. La diarisation ne nécessite aucune connaissance préalable de l’identité des locuteurs, et ses étiquettes sont des repères interchangeables. Une étiquette n’a donc de sens qu’au sein de l’enregistrement dont elle provient. Pour obtenir des noms cohérents d’un enregistrement à l’autre, il faut associer les étiquettes de chaque enregistrement à des personnes connues, manuellement ou au moyen d’une étape distincte d’identification des locuteurs, par exemple en comparant chaque voix issue de la diarisation à des modèles de locuteurs enregistrés au préalable.
Dois-je connaître le nombre de personnes qui parlent ? La tâche elle-même ne suppose pas que le nombre de locuteurs soit connu et ne se limite pas à deux locuteurs. Toutefois, les API de transcription hébergées demandent souvent une plage attendue ou un maximum, par exemple MaxSpeakerLabels dans Amazon Transcribe, et des nombres minimal et maximal de locuteurs dans Google Cloud Speech-to-Text. Certains modèles neuronaux de diarisation limitent aussi le nombre de locuteurs du fait de leur architecture. Faites donc des essais avec le groupe le plus nombreux que vous pourriez raisonnablement rencontrer.
Que se passe-t-il lorsque des personnes parlent en même temps ? Le chevauchement des paroles contredit l’hypothèse simple selon laquelle chaque intervalle temporel appartient à une seule étiquette. Les systèmes qui prennent en charge les chevauchements peuvent produire des pistes de locuteurs simultanées plutôt qu’une seule séquence exclusive. Les systèmes fondés sur le regroupement sans détection des chevauchements attribuent un seul locuteur par segment. La parole de l’autre locuteur peut donc être comptabilisée comme non détectée lors de l’évaluation du résultat.
Comment mesure-t-on la précision de la diarisation ? Le taux d’erreur de diarisation (DER) additionne les durées de parole détectée à tort, de parole non détectée et de confusion de locuteur, puis divise cette somme par la durée totale de parole de référence. Il est distinct du taux d’erreur sur les mots : une transcription dont les mots sont exacts peut tout de même les attribuer au mauvais locuteur. Les valeurs de DER publiées dépendent des enregistrements de test et des choix d’évaluation, par exemple de l’exclusion ou non d’une courte marge de tolérance autour de chaque frontière entre tours de parole et de l’évaluation ou non des zones de chevauchement. Ne comparez donc que des chiffres issus d’enregistrements comparables, évalués avec les mêmes paramètres.

Activez la diarisation pour les réunions, entretiens, podcasts ou appels d’assistance dont les transcriptions doivent distinguer les locuteurs. Les services de transcription la proposent souvent sous forme d’option « étiquettes de locuteur ». Les étiquettes peuvent n’apparaître que dans les données structurées de transcription, et non dans les fichiers de sous-titres d’accessibilité. Vérifiez donc le format de sortie requis ; les sous-titres d’accessibilité indiquant les locuteurs devront alors peut-être être générés à partir des données structurées. Une balise de voix WebVTT associe au texte d’un segment le nom du locuteur sous forme d’annotation exploitable par les feuilles de style. Le nom ne fait pas lui-même partie du texte du segment : inscrivez-le donc aussi dans ce texte si les spectateurs doivent le lire. La précision diminue lorsque les paroles se chevauchent, en présence de bruit de fond ou lorsque l’audio est de mauvaise qualité. Elle dépend aussi du nombre de locuteurs.

Le Robot /speech/transcribe de Transloadit demande au fournisseur de transcription de distinguer les locuteurs lorsque speaker_labels vaut true, et le paramètre max_speakers définit le nombre maximal de locuteurs à détecter. Des étiquettes telles que speaker_1 sont associées aux mots et aux segments regroupés dans les sorties json et meta, tandis que les sorties text, srt et webvtt restent inchangées.

Seuls certains fournisseurs de transcription prennent en charge les étiquettes de locuteur, et ces étiquettes repèrent des voix récurrentes plutôt que des noms réels. La documentation du Robot répertorie les fournisseurs pris en charge.

Robot de transcription vocale : étiquettes de locuteur et formats de sortie

Découvrir les fonctionnalités audio de Transloadit

Qu’est-ce que la diarisation des locuteurs ?

Fonctionnement de la diarisation des locuteurs

Points clés

Quand la diarisation des locuteurs est importante

Comment Transloadit contribue à la diarisation des locuteurs

Références

Transformer vos connaissances sur les médias en une chaîne de traitement opérationnelle