Transcription distinguant les locuteurs
Diarisation ou identification des locuteurs
L'une répond à la question « qui parle quand ? » au moyen de groupes anonymes. L'autre détermine si une voix correspond à une personne connue. Les confondre conduit à de mauvais réglages et à de fausses attentes.
Une transcription peut distinguer les participants sans savoir qui ils sont. Elle ne peut reconnaître une voix connue qu'après son enregistrement et son rapprochement. Ces tâches sont liées, mais répondent à des problèmes différents et échouent de manières différentes.
Deux questions distinctes
Diarisation : qui parle quand ?
La diarisation analyse l'enregistrement, détecte les zones de parole, extrait les caractéristiques vocales et regroupe les zones similaires. Le résultat est une chronologie portant des étiquettes anonymes :
00:00-00:12 Locuteur_000:12-00:25 Locuteur_100:25-00:41 Locuteur_0
Le système n'a pas besoin de connaître le nom des personnes. Cette méthode convient aux entretiens, réunions, podcasts et appels dont la transcription doit indiquer les tours de parole.
Identification : quelle personne connue parle ?
L'identification compare un locuteur détecté à une bibliothèque d'échantillons vocaux connus. Lorsque la correspondance dépasse le seuil d'identité, une étiquette anonyme peut être remplacée par un nom. Dans Owl Meeting, cette bibliothèque est stockée localement et gérée depuis la page Locuteurs.
L'identification nécessite un enregistrement préalable. Si une personne ne figure pas dans la bibliothèque, le système ne peut pas déduire sa véritable identité du seul enregistrement.
| Diarisation | Identification | |
|---|---|---|
| Question principale | Qui parle quand ? | S'agit-il d'une personne connue et enregistrée ? |
| Échantillons préalables | Non requis | Requis pour nommer automatiquement |
| Étiquette courante | Locuteur_0 | Alex, Priya, Intervieweur |
| Réglage principal | Nombre de locuteurs ou seuil de regroupement | Langue de l'empreinte vocale et seuil d'identité |
| Erreur courante | Une personne divisée ou deux personnes fusionnées | Personne connue non reconnue ou mal attribuée |
Fonctionnement de la procédure combinée
Lorsque les deux fonctions sont activées pour un fichier, l'ordre est important :
- Détecter la parole. L'enregistrement est divisé en zones contenant de la parole.
- Regrouper les voix. La diarisation rassemble les zones semblant provenir d'une même voix.
- Comparer les échantillons connus. L'option Identification compare chaque groupe obtenu à la bibliothèque locale d'empreintes vocales.
- Appliquer un nom si le seuil est atteint. Une correspondance fiable remplace l'étiquette temporaire ; les groupes sans correspondance restent anonymes.
- Reconnaître et relire le texte. La reconnaissance vocale produit la transcription, puis l'utilisateur vérifie les étiquettes et les mots à l'aide du son source.
Des réglages pour des types d'erreurs différents
Nombre de locuteurs
Si le nombre de participants est connu, l'indiquer fournit une contrainte utile au regroupement. Le décompte automatique convient quand il est inconnu, mais dépend davantage du seuil et de la qualité de l'enregistrement.
Seuil de regroupement
Ce seuil détermine la différence tolérée au sein d'un groupe. Un réglage trop sensible peut diviser une personne en plusieurs étiquettes ; un réglage trop permissif peut fusionner deux voix proches. Testez-le sur un passage comportant de véritables changements de locuteur.
Langue de l'empreinte vocale
Owl Meeting propose des modèles d'empreinte vocale distincts en chinois et en anglais. La langue des échantillons et celle réglée pour le fichier doivent être compatibles, faute de quoi l'identification peut échouer même si la diarisation fonctionne.
Seuil d'identité
Le seuil d'identité définit la force nécessaire pour appliquer un nom connu. Le relever réduit les correspondances faibles, mais peut laisser des personnes connues sans nom. L'abaisser identifie davantage de segments, au prix d'un risque accru d'erreur. Privilégiez une attribution automatique prudente lorsque l'identité est importante.
Créer des échantillons vocaux utiles
Un échantillon doit représenter la personne, et non la pièce. Utilisez un extrait clair ne contenant que le locuteur visé, sans chevauchement, musique forte ni autre voix en arrière-plan. Dans la procédure actuelle d'Owl Meeting, 5 à 30 secondes constituent une durée pratique.
Une même personne peut sembler différente avec un microphone de conférence, un téléphone, un casque ou un micro éloigné. Plusieurs échantillons représentatifs peuvent aider si vos enregistrements proviennent de ces conditions distinctes. N'ajoutez pas de nombreux extraits médiocres presque identiques : davantage de données ne signifie pas forcément de meilleures données.
Diagnostiquer l'étiquette avant de tout modifier
| Symptôme | Couche probable | Premier contrôle |
|---|---|---|
| Une personne apparaît comme deux locuteurs | Diarisation | Nombre de locuteurs, seuil, changement de microphone ou bruit de fond |
| Deux personnes partagent une étiquette | Diarisation | Indiquer le nombre connu ou rendre le regroupement plus sensible |
| Groupes corrects, mais noms absents | Identification | Identification, langue d'empreinte, échantillons et seuil d'identité |
| Nom attribué au mauvais groupe | Identification | Relever le seuil d'identité et remplacer les échantillons contaminés |
| Étiquettes correctes, mais mots erronés | Reconnaissance vocale | Modèle, qualité audio, langue et dictionnaire |
Séparer ces couches évite une erreur courante : changer de modèle de reconnaissance pour corriger un regroupement, ou modifier le nombre de locuteurs pour corriger les mots. Évaluez séparément les limites des prises de parole, les noms et le texte.
Connaître les limites
- Les paroles simultanées sont difficiles à attribuer, car deux voix occupent la même zone temporelle.
- De très brèves interventions peuvent ne pas contenir assez d'informations vocales pour un regroupement ou une identification stable.
- La voix varie avec la maladie, l'émotion, la distance, le microphone, la compression et le canal.
- Des voix similaires peuvent être fusionnées, tandis qu'une voix changeante peut être divisée.
- Les noms automatiques doivent être vérifiés avant de servir dans un procès-verbal officiel, un codage de recherche ou une preuve.
Pour la configuration, consultez la gestion des locuteurs. Pour le regroupement et les seuils appliqués aux fichiers, consultez la transcription de fichiers.
Questions fréquentes
La diarisation reconnaît-elle les personnes par leur nom ?
Non. La diarisation divise un enregistrement en groupes comme Locuteur 0 et Locuteur 1. Associer un groupe à une personne nommée exige une étape distincte de rapprochement d'identité ou un étiquetage manuel.
Faut-il des échantillons vocaux pour la diarisation ?
Non. La diarisation peut regrouper différentes voix sans bibliothèque préenregistrée. Des échantillons sont nécessaires pour comparer un groupe de locuteurs à des personnes connues et appliquer automatiquement leur nom.
Pourquoi une même personne est-elle répartie entre deux étiquettes ?
La voix d'une personne peut varier avec la distance, le microphone, l'émotion, le bruit ou le canal. Le seuil de regroupement automatique peut aussi être trop sensible. Indiquez le nombre connu de locuteurs ou ajustez le seuil, puis relisez le résultat.
Commencez par des groupes de locuteurs anonymes
Vérifiez d'abord que la diarisation crée les bonnes limites entre locuteurs. N'ajoutez l'identification qu'une fois le regroupement stable.