N'oubliez pas de nous ajouter aux favoris !

Glossaire

Embedding de locuteur — Une empreinte numérique d'une voix

Un embedding de locuteur est un vecteur de longueur fixe (généralement 192 ou 256 dimensions) qui représente numériquement les caractéristiques vocales d'un locuteur — hauteur, formants, résonance de la cavité vocale, style de parole. Le même locuteur produit des embeddings similaires dans différentes enregistrements; différents locuteurs produisent des embeddings différents. Les embeddings de locuteur sont le moteur derrière la diarisation des locuteurs et la vérification des locuteurs.

Comment les embeddings sont calculés

Un réseau de neurones entraîné sur des milliers d'heures de données de locuteurs étiquetées (VoxCeleb, etc.) apprend à sortir un vecteur pour chaque segment audio d'entrée de sorte que les vecteurs du même locuteur se regroupent et que les vecteurs de différents locuteurs soient éloignés. Architectures courantes: x-vecteurs (basé sur TDNN), ECAPA-TDNN (actuel SOTA), embeddings de locuteur WavLM (basé sur le transformateur). Dimensions de sortie : 192 (ECAPA) ou 256 (x-vector).

Cas d'utilisation 1 : diarisation

Prenez un enregistrement multi-intervenants, segmentez-le via VAD, calculez une empreinte vocale par segment, puis regroupez les empreintes (k-means ou agglomérative). Chaque groupe = un intervenant. Étiquetez-les Intervenant 1, Intervenant 2, etc. L'utilisateur les renomme par la suite. C'est exactement ce qui se passe lorsque vous cliquez sur "Speaker ID" sur un transcript Transcript.you.

Cas d'utilisation 2 : vérification de locuteur

"Est-ce la voix de Sarah ?" Calculez l'embedding de référence de Sarah à partir d'un enregistrement connu. Calculez l'embedding de l'enregistrement nouveau. Calculez la similarité cosinus. Au-dessus du seuil → même locuteur. C'est ainsi que fonctionnent les biométries vocales (connexion vocale bancaire, personnalisation "Hey Siri" de Siri). Nous ne faisons pas actuellement de vérification — la diarisation suffit pour la clarté du transcript.

En pratique

Déposez un enregistrement Zoom de 4 personnes dans Transcript.you et cliquez sur Speaker ID. Nous découpions par VAD, calculons un embedding ECAPA pour chaque énoncé (~1 seconde chacun), puis regroupons les embeddings en 4 groupes. Chaque énoncé reçoit une étiquette Speaker N. Recherchez et remplacez pour renommer les personnes réelles. Temps de traitement total : ~10 secondes pour un appel d'une heure.

Termes associés

Lectures complémentaires

Essayez la transcription multi-locuteurs

Commencez — gratuitement

Dernière mise à jour : 16 novembre 2026

Questions Fréquemment Posées

Que signifie Embedding de locuteur en transcription ?

Un vecteur de longueur fixe qui capture les caractéristiques vocales d'un locuteur. Utilisé dans la diarisation pour regrouper les segments par identité du locuteur sans connaître les noms à l'avance.

Pourquoi Embedding de locuteur critère lors du choix d'un flux de travail de transcription ?

Embedding de locuteur 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.

Où puis-je appliquer Embedding de locuteur sur Transcript.you ?

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.