Glossaire
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 — gratuitementDernière mise à jour : 16 novembre 2026
Questions Fréquemment Posées
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.
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.
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.