Glossaire / Comment il vous entend
Diarisation des locuteurs
Aussi : étiquettes de locuteur
Mis à jour le
Définition
La diarisation des locuteurs consiste à déterminer qui a parlé à quel moment dans un enregistrement, pour pouvoir étiqueter une transcription par locuteur. Elle répond à « qui a dit ça ? » plutôt qu’à « qu’est-ce qui a été dit ? ».
La diarisation est un modèle distinct de la reconnaissance vocale. Elle repère les changements de voix, regroupe les segments qui semblent venir de la même personne et attribue à chacun une étiquette, en général Intervenant 1 et Intervenant 2 jusqu’à ce qu’un nom y soit associé. Combinée à une transcription, elle produit la présentation familière des comptes rendus de réunion, où chaque ligne est attribuée.
C’est une fonction de transcription, pas de dictée. Quand vous dictez, il y a un seul locuteur, vous, donc un outil de dictée n’a aucun usage de la diarisation et ne devrait pas être jugé sur son absence. Quand vous transcrivez une réunion, un entretien ou un podcast, c’est la différence entre une transcription et un bloc de texte indigeste.
Pourquoi c’est difficile
Deux personnes aux voix proches, une personne dont la voix change avec un rhume, des paroles qui se chevauchent et un micro d’ordinateur portable qui fond tout le monde dans la même ambiance de pièce : tout cela met le regroupement en échec. Le nombre de locuteurs est en général deviné plutôt que connu. Les meilleurs systèmes sont bons sur un audio propre où chacun parle à son tour, comme un podcast, et bien moins bons sur une vraie réunion où trois personnes parlent en même temps. Attendez-vous à corriger les étiquettes à la main.
Quels outils la proposent
Les outils de transcription de réunions comme Otter.ai sont construits autour d’elle. Les outils de transcription de fichiers comme MacWhisper proposent des étiquettes de locuteur sur les enregistrements. Les outils de dictée, en général, non, car la tâche n’a jamais deux locuteurs. Si la diarisation fait partie de vos critères, c’est un outil de transcription qu’il vous faut.
Comment ajouter des noms d’intervenants à un enregistrement sur votre Mac
La boîte à outils open source pyannote.audio fait la diarisation localement sur votre ordinateur. Elle indique qui a parlé quand, avec l’heure de début et de fin de chaque tour de parole. Elle ne produit pas les mots : vous associez sa sortie à une transcription issue d’un modèle de reconnaissance vocale.
Les étapes ci-dessous utilisent le pipeline communautaire, publié sous licence CC-BY-4.0, qui demande un compte Hugging Face gratuit pour le téléchargement.
- Vérifiez que ffmpeg est installé, par exemple avec : brew install ffmpeg
- Installez la boîte à outils dans Terminal avec : pip install pyannote.audio
- Connectez-vous à Hugging Face et acceptez les conditions d’utilisation sur la page pyannote/speaker-diarization-community-1.
- Créez un jeton d’accès Hugging Face sur hf.co/settings/tokens.
- En Python, chargez le pipeline avec Pipeline.from_pretrained, en passant le nom du pipeline et votre jeton, puis appelez-le sur votre fichier audio.
- Parcourez le champ speaker_diarization de la sortie pour lire chaque tour de parole avec son heure de début, son heure de fin et son étiquette d’intervenant.
- Si vous savez combien de personnes ont parlé, passez num_speakers à l’appel du pipeline. Si vous ne connaissez qu’une fourchette, passez min_speakers et max_speakers.
Whisper ou Parakeet savent-ils distinguer les intervenants ?
Non. Ce sont tous deux des modèles de reconnaissance vocale, et aucun n’est conçu pour étiqueter les intervenants. La fiche du modèle Whisper indique que les modèles n’ont pas été évalués de façon solide sur la classification ou la diarisation des intervenants. La fiche de NVIDIA pour Parakeet TDT 0.6B v2 ne cite pas la diarisation parmi ses capacités.
L’article sur Whisper relève une bizarrerie liée. Les premiers modèles avaient tendance à écrire des noms d’intervenants plausibles mais presque toujours faux, parce que beaucoup de transcriptions d’entraînement incluaient le nom de la personne qui parlait. Les auteurs ont supprimé ce comportement par un affinage sur des transcriptions sans annotation d’intervenant. Si une transcription issue d’un modèle de reconnaissance seul contient des noms d’intervenants, ne vous y fiez pas.
Comment se mesure la précision de la diarisation
La mesure standard est le taux d’erreur de diarisation (DER), exprimé en pourcentage : plus il est bas, mieux c’est. Il additionne trois types d’erreur : la fausse alarme, quand de la parole est signalée alors qu’il n’y en avait pas, la détection manquée, quand de la parole réelle n’est attribuée à personne, et la confusion d’intervenants, quand de la parole est attribuée à la mauvaise personne.
Comme pour le taux d’erreur de mots, les règles de calcul changent le chiffre. Certaines évaluations tolèrent une courte marge de temps autour de chaque changement d’intervenant, et certaines ignorent la parole qui se chevauche. Les bancs d’essai de pyannote indiquent qu’ils n’utilisent aucune marge de tolérance et n’ignorent pas la parole qui se chevauche, ce qui est le cadre le plus strict. Vérifiez ces deux choix avant de comparer des DER de sources différentes.
Les questions qu’on se pose.
Que signifie la diarisation en transcription ?
Étiqueter une transcription selon la personne qui parlait. Un modèle de diarisation détecte les changements de voix et regroupe les segments par locuteur, pour qu’une transcription de réunion se lise comme une conversation plutôt que comme un seul bloc.
Les logiciels de dictée identifient-ils les locuteurs ?
Presque jamais, car la dictée n’a qu’un locuteur. Les étiquettes de locuteur sont une fonction des outils de transcription de réunions et de fichiers. Si vous en avez besoin, choisissez un outil de transcription ; si vous avez besoin de dictée en direct, une app de dictée.
Whisper fait-il la diarisation ?
Non. Whisper transcrit les mots, et sa fiche indique qu’il n’a pas été évalué de façon solide sur la diarisation. Pour obtenir des noms d’intervenants, il faut lancer un modèle de diarisation à part, comme le pipeline open source pyannote.audio, et combiner ses horodatages avec la transcription.
Qu’est-ce que le taux d’erreur de diarisation ?
Le taux d’erreur de diarisation (DER) est la mesure standard de précision pour l’étiquetage des intervenants : plus il est bas, mieux c’est. Il combine les fausses alarmes, la parole manquée et la parole attribuée au mauvais intervenant.
La diarisation peut-elle fonctionner hors ligne sur un Mac ?
Oui. Le pipeline communautaire open source de pyannote.audio fonctionne localement sur votre ordinateur, et une fois téléchargé, il s’utilise sans connexion Internet.
