Diarisation : comment une transcription sait qui parle

La diarisation est l'étape de la transcription automatique qui répond à la question « qui parle, et quand » : elle découpe un enregistrement en segments, regroupe ceux qui semblent venir de la même voix et les étiquette Intervenant 1, Intervenant 2, etc. Elle ne connaît le nom de personne ; c'est vous, ou un système qui connaît déjà les participants, qui ajoutez les noms ensuite. Elle fonctionne bien sur des enregistrements clairs avec quelques voix bien distinctes, et peine avec les voix qui se chevauchent, les voix proches, l'audio téléphonique et les grands groupes.

Ce guide explique la diarisation simplement, ce qui la distingue de la reconnaissance du locuteur, son fonctionnement technique, ce qui la met en échec et comment obtenir une transcription avec identification des intervenants fiable.

Qu'est-ce que la diarisation ?

Une transcription brute est un bloc de texte. La diarisation la transforme en conversation :

Intervenant 1  00:00:03  Merci d'être là. On commence par le budget ?
Intervenant 2  00:00:07  D'accord. On dépasse d'environ dix pour cent sur les déplacements.
Intervenant 1  00:00:12  Très bien, qu'est-ce qui explique ça ?

Le terme vient de l'anglais « diary », le journal : le système tient un registre de la voix active à chaque instant. Dans la plupart des outils de transcription, la diarisation tourne en parallèle de la reconnaissance vocale. Le modèle de parole produit des mots horodatés, le modèle de diarisation produit des segments d'intervenants horodatés, et les deux sont alignés pour que chaque mot ou phrase reçoive une étiquette.

Si vous transcrivez des entretiens, des réunions ou des podcasts, ce sont ces étiquettes qui rendent le texte exploitable : vous citez la bonne personne, vous voyez qui a le plus parlé et vous parcourez un long appel intervenant par intervenant.

Diarisation et reconnaissance du locuteur

Les deux notions sont souvent confondues, et beaucoup de pages produit emploient « identification des locuteurs » de façon floue pour l'une comme pour l'autre.

Certains outils combinent les deux. Une plateforme de visioconférence sait quel participant connecté a son micro actif : elle peut afficher les noms sans aucune analyse de la voix. Certaines applications vous laissent étiqueter une voix une fois, puis tentent de la reconnaître dans les enregistrements suivants. Le modèle de transcription avec diarisation d'OpenAI, par exemple, accepte de courts extraits de référence pour des locuteurs connus, selon sa documentation. La diarisation simple d'un fichier importé, ce que font la plupart des services de transcription, aboutit à des étiquettes génériques que vous renommez.

Comment fonctionne la diarisation

Les systèmes modernes diffèrent dans le détail, mais la plupart suivent les mêmes grandes étapes. La boîte à outils open source pyannote.audio, l'une des bibliothèques de diarisation les plus utilisées, développée par le chercheur français Hervé Bredin, décrit son pipeline dans l'article d'Interspeech 2023 « pyannote.audio 2.1 speaker diarization pipeline: principle, benchmark, and recipe » en trois étapes principales : une segmentation locale sur de courtes fenêtres glissantes, des plongements (embeddings) de locuteurs et un regroupement global.

1. Repérer la parole

La détection d'activité vocale indique quelles parties de l'enregistrement contiennent de la parole et écarte silences, musique et bruit. Les erreurs à ce stade se propagent : la parole manquée ne reçoit aucune étiquette, et un bruit pris pour de la parole peut créer un intervenant fantôme.

2. Segmenter la parole

La parole est découpée en courts morceaux où, idéalement, une seule personne parle. Les modèles neuronaux récents analysent quelques secondes à la fois et estiment quels intervenants sont actifs dans chaque trame, ce qui leur permet aussi de signaler les chevauchements.

3. Transformer chaque segment en empreinte vocale

Un réseau de neurones convertit chaque segment en plongement : une série de nombres qui décrit le son de la voix (hauteur, timbre, façon de parler) plutôt que ce qui est dit. Les segments d'une même personne devraient produire des plongements proches les uns des autres.

4. Regrouper les plongements

Un algorithme de regroupement (clustering) rassemble les plongements similaires, et chaque groupe devient un intervenant. Le plus difficile est de décider combien de groupes il y a : trop peu, et deux personnes fusionnent sous une seule étiquette ; trop, et une même personne se retrouve répartie sur plusieurs étiquettes. Certains services vous laissent indiquer le nombre d'intervenants attendu pour les aider.

5. Aligner avec les mots

Enfin, les segments d'intervenants sont mis en correspondance avec les horodatages des mots issus de la reconnaissance vocale, pour que chaque ligne de la transcription reçoive une étiquette. Les erreurs aux frontières sont fréquentes : le premier mot d'une réponse peut être attribué à l'intervenant précédent.

Les chercheurs mesurent la qualité avec le taux d'erreur de diarisation (DER), qui combine la parole manquée, les fausses alertes et les confusions d'intervenants. Les chiffres publiés varient énormément d'un jeu de données à l'autre, de l'audio radio très propre aux réunions bruyantes à plusieurs, si bien qu'un chiffre unique de « précision » en dit peu sur vos propres enregistrements.

Ce qui met en échec la séparation des intervenants

• Les voix qui se chevauchent. Quand deux personnes parlent en même temps, une voix l'emporte généralement et les mots de l'autre peuvent être perdus ou mal attribués.
• Les voix qui se ressemblent. Deux personnes d'âge, de genre et d'accent proches produisent des plongements voisins qui peuvent fusionner.
• L'audio téléphonique et compressé. Les lignes téléphoniques à bande étroite et les messages vocaux très compressés suppriment une grande partie des détails sur lesquels reposent les plongements.
• Un grand nombre d'intervenants. Chaque voix supplémentaire complique le regroupement, surtout si certaines personnes parlent peu.
• Les interventions très courtes. « Oui », « d'accord » et autres interjections d'un mot sont trop brèves pour produire un plongement fiable.
• Un seul micro éloigné. Un ordinateur portable au milieu de la pièce capte l'écho et des niveaux inégaux ; la même personne peut sonner différemment selon sa place.
• Des conditions qui changent. Un intervenant qui se déplace, passe du casque au haut-parleur ou se met à chuchoter peut être scindé en deux étiquettes.
• Le bruit de fond et la musique. Ils peuvent être pris pour de la parole ou brouiller les caractéristiques des voix.

Comment séparer les intervenants de façon plus fiable

L'essentiel des gains vient de l'enregistrement, pas du logiciel. Nos conseils pour une transcription précise traitent de la qualité audio en général ; pour les intervenants en particulier :

• Donnez à chaque personne son propre micro si possible, ou au moins placez tout le monde à distance similaire d'un micro commun.
• Si vous pouvez enregistrer chaque personne sur une piste séparée (configuration podcast, ou enregistrement d'appel en stéréo avec un interlocuteur par canal), transcrivez les pistes séparément. Des canaux distincts sont plus fiables que n'importe quel regroupement de voix.
• Demandez aux participants de ne pas se couper la parole pendant les passages dont vous avez besoin mot à mot, et de marquer un temps avant de répondre.
• Évitez le haut-parleur et l'audio de visioconférence diffusé par les enceintes de la salle quand un enregistrement direct est possible.
• Faites dire son nom à chaque participant au début. Cela n'entraîne pas le modèle, mais accélère le renommage des étiquettes.
• Gardez une conversation dans un seul fichier quand c'est possible. Si vous la transcrivez en plusieurs morceaux, les étiquettes ne correspondront pas : l'Intervenant 1 de la première partie peut devenir l'Intervenant 2 de la seconde.
• Vérifiez les premières minutes de la transcription. Si deux personnes sont fusionnées, le problème persiste en général sur tout le fichier.

Pour les entretiens, notre guide de la transcription d'entretien aborde le placement du micro et le consentement ; pour les appels, consultez le guide de la transcription de réunions Google Meet, Zoom et Teams.

Renommer et corriger les intervenants dans Audiotexta

Lorsque vous chargez un fichier, collez un lien ou enregistrez depuis le micro dans Audiotexta, la transcription revient avec l'identification des intervenants et des horodatages. Pour transformer Intervenant 1 et Intervenant 2 en vrais noms, renommez l'intervenant dans l'éditeur ; le nouveau nom s'applique à tous ses segments dans la transcription. L'éditeur surligne les mots pendant la lecture et vous permet de cliquer sur n'importe quel mot pour aller à ce moment de l'audio, ce qui permet de vérifier rapidement à l'oreille un tour de parole douteux et de le corriger.

Renommez et corrigez avant d'exporter, pour que les noms se retrouvent dans les fichiers TXT, SRT et VTT (disponibles avec l'offre gratuite, sans compte) ou DOCX, PDF, CSV et JSON avec l'offre Pro. Dans les fichiers de sous-titres, les noms aident le spectateur à suivre le dialogue ; en CSV ou en JSON, ils vous permettent d'analyser qui a dit quoi.

Comme tout système de diarisation, Audiotexta donne les meilleurs résultats sur un audio clair avec des voix distinctes, et il ne reporte pas les noms d'un fichier à l'autre : chaque enregistrement repart avec des étiquettes neuves et anonymes.

Outils de transcription avec identification des intervenants

L'identification des intervenants est devenue courante, mais elle est mise en œuvre de façons différentes. Voici un aperçu fondé sur la documentation de chaque éditeur ou, lorsque c'est indiqué, sur des descriptions de tiers (vérifié en octobre 2026 ; les fonctions évoluent, confirmez sur le site de l'éditeur).

Les plateformes de réunion ont ici un vrai avantage : quand chacun se connecte avec son propre compte, elles connaissent les noms sans avoir à les deviner d'après la voix. Les applications qui mémorisent les empreintes vocales, comme Otter, font gagner du temps de renommage si vous enregistrez souvent les mêmes personnes. Pour les enregistrements importés d'entretiens, d'appels téléphoniques ou de podcasts, la diarisation fondée sur la voix est la seule option, et une relecture rapide avec renommage dans l'éditeur fait partie du travail.