Glossaire
La diarisation des locuteurs est le processus de segmentation d'un enregistrement multi-locuteurs en énoncés par locuteur — généralement étiquetés Locuteur 1, Locuteur 2, Locuteur 3, etc. C'est un modèle séparé de l'ASR de base ; Whisper seul vous donne du texte sans étiquettes de locuteur. La diarisation est ce qui transforme "...nous devrions expédier vendredi. Je ne suis pas d'accord." en "Locuteur 1: nous devrions expédier vendredi. Locuteur 2: Je ne suis pas d'accord."
Comment fonctionne la diarisation
Un pipeline de diarisation fait trois choses : (1) Détection d'activité vocale — trouver les segments où quelqu'un parle. (2) Embeddings de locuteur — extraire un vecteur de longueur fixe représentant les caractéristiques vocales de chaque segment. (3) Regroupement — regrouper les segments par embeddings similaires, chaque cluster = un locuteur. Les systèmes modernes (pyannote, NeMo, WhisperX) obtiennent un Taux d'Erreur de Diarisation (DER) de 5-15 % sur les benchmarks conversationnels.
Pourquoi cela est important pour la transcription
Sans diarisation, une transcription d'entretien de 60 minutes ressemble à un mur de texte — vous ne pouvez pas savoir qui parle. Avec la diarisation, chaque utterance est attribué, et vous pouvez effectuer une analyse au niveau des locuteurs : extraire chaque citation d'une personne, calculer les ratios de temps de parole, séparer les questions du journaliste des réponses de l'interviewé. Nous ajoutons des identifiants de locuteurs comme une fonctionnalité en un clic sur les transcriptions là où cela compte.
Limitations
La diarisation échoue sur : les voix qui sonnent pareil (frères et sœurs, même genre + âge), les chevauchements importants (deux personnes qui parlent simultanément), les utterances très courts (un seul "yeah"), et les enregistrements avec une forte réverbération. Attendez une précision de 90 % et plus sur un entretien de podcast propre, tombant à 70-85 % sur un appel de conférence à 5 personnes enregistré sur un seul micro.
En pratique
Déposez un épisode de podcast à 2 hôtes dans Transcript.you et cliquez sur Speaker ID. Nous étiquetons chaque paragraphe avec Locuteur 1 / Locuteur 2. Vous trouvez ensuite et remplacez "Locuteur 1" par "Sarah" et "Locuteur 2" par "James" dans l'exporté DOCX. Temps total : 3 minutes pour une heure de contenu.
Termes associés
Lectures complémentaires
Essayez la transcription d'interview
Commencez — gratuitementDernière mise à jour : 16 novembre 2026
Questions Fréquemment Posées
Le processus d'identification de "qui a dit quoi" dans un enregistrement multi-locuteurs. Souvent étiqueté comme Intervenant 1, Intervenant 2, etc. Nécessite un modèle séparé de la transcription de base.
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.