Glossaire
Le taux d'erreur de diarisation (DER) est la métrique de précision standard pour la diarisation des interlocuteurs. Contrairement au WER qui mesure les erreurs au niveau des mots, le DER mesure le pourcentage de temps audio où le système de diarisation se trompe sur l'interlocuteur. Plus c'est bas, mieux c'est. Les systèmes de pointe atteignent 5-15% de DER sur les benchmarks conversationnels; la diarisation en production sur un podcast propre à 2 interlocuteurs peut descendre à 3-5%.
Ce que compte le DER
DER = (Discours manqué + Fausse alarme + Confusion des interlocuteurs) / Temps total de discours. Discours manqué: le système l'a marqué comme du silence alors qu'il y avait en réalité du discours. Fausse alarme: le système a pensé qu'il y avait du discours dans une région de silence. Confusion des interlocuteurs: le système a étiqueté le discours comme Interlocuteur A alors qu'il s'agissait en réalité de l'Interlocuteur B. Les trois composantes sont additionnées et divisées par la durée totale de référence du discours.
Nombres de référence (2026)
DIHARD III (difficile, conditions réelles) : SOTA ~15-18 % DER. VoxConverse: SOTA ~4-5 %. Corpus de réunions AMI: SOTA ~12-15 %. Podcasts en production à 2 intervenants (enregistrement propre, sans chevauchement) : généralement 3-7 % DER. Les cas difficiles — discours chevauchants, voix similaires, énoncés très courts — augmentent considérablement le DER. La plupart des benchmarks académiques incluent une marge de 250 ms autour des limites des intervenants pour être indulgents sur les erreurs d'alignement courtes.
DER vs WER
Ils mesurent des choses orthogonales. Le WER mesure si les mots sont corrects ; le DER mesure si les étiquettes des locuteurs sont correctes. Vous pouvez avoir 0% de WER (transcription parfaite) et 50% de DER (toutes les étiquettes de locuteur sont fausses). Inversement, 50% de WER et 0% de DER signifie que vous avez obtenu les locuteurs corrects mais que vous avez mal transcrit la moitié des mots. La transcription en production se soucie des deux — nous rapportons chacun séparément lors de la mesure de la qualité.
En pratique
Un podcast de 60 minutes avec 2 animateurs. Référence : chaque animateur parle 30 minutes. Notre système étiquette 28 minutes comme Animateur 1 (correct), 30 minutes comme Animateur 2 (correct), et confond 2 minutes (Animateur 1 → Animateur 2). DER = 2 / 60 = 3,3%. Excellent pour un podcast propre.
Termes associés
Essayez la transcription multi-locuteurs
Commencez — gratuitementDernière mise à jour : 16 novembre 2026
Questions Fréquemment Posées
La métrique d'exactitude standard pour la diarisation des locuteurs : pourcentage du temps audio où le système attribue le mauvais locuteur (ou manque de la parole). Les systèmes de pointe atteignent un DER de 5-15% sur les benchmarks conversationnels.
DER (Taux d'erreur de diarisation) Affecte la manière dont vous comprenez la qualité de la transcription, le timing, la compatibilité ou la technologie derrière les résultats de la transcription vocale.
Utilisez le flux de travail associé à /interview-transcription lorsque vous souhaitez voir comment ce concept de glossaire se connecte à une tâche de transcription réelle.
Parcourir le glossaire de transcription ou lisez le guide complet de la transcription IA.