La diarisation transforme un bloc de transcription en conversation : l’agent, puis le client, puis de nouveau l’agent.
Comment ça marche
Un pipeline de diarisation comporte généralement trois étapes :
- Trouver la parole. La détection d’activité vocale repère les moments où quelqu’un parle.
- Encoder de courtes fenêtres. Un modèle d’embedding de locuteur transforme chaque tranche en vecteur qui capture la voix.
- Regrouper. Les tranches aux vecteurs proches reçoivent la même étiquette, et la parole superposée est gérée quand le modèle le permet.
Le pipeline ouvert speaker-diarization-3.1 de pyannote sur Hugging Face prend de l’audio mono à 16 kHz (il convertit la stéréo en mono et rééchantillonne les autres fréquences) et écrit les résultats au format RTTM, un format texte avec une ligne par tour de parole. Une ligne RTTM donne le fichier, le canal, l’heure de début, la durée et l’étiquette du locuteur :
SPEAKER call42 1 0.00 4.21 <NA> <NA> SPEAKER_00 <NA> <NA>
SPEAKER call42 1 4.35 2.80 <NA> <NA> SPEAKER_01 <NA> <NA>
Sa fiche de modèle indique le taux d’erreur de diarisation (DER) par benchmark, de 7,8 % sur REPERE à 50,0 % sur AVA-AVD, avec 11,3 % sur VoxConverse. Cet écart montre à quel point les résultats dépendent de l’audio : réunions, télévision et appels téléphoniques ne se comportent pas de la même façon.
Certaines API hébergées s’en chargent pour vous. Le guide speech-to-text d’OpenAI documente un modèle de diarisation, gpt-4o-transcribe-diarize, avec une réponse diarized_json dont les segments portent les champs speaker, start et end, et des extraits de référence facultatifs de 2 à 10 secondes pour jusqu’à quatre locuteurs connus. OpenAI indique que ce modèle est déprécié, avec un arrêt le 26 février 2027, et son guide (vérifié le 2026-11-15) ne documente d’étiquettes de locuteur sur aucun autre modèle.
Pourquoi c’est important
- Centres d’appels et interviews. Contrôle qualité, conformité et résumés ont tous besoin de savoir qui a dit quoi.
- Traitement en aval par un LLM. Un prompt de résumé avec des tours « Agent : » et « Client : » donne de meilleures réponses qu’un bloc de texte compact.
- Coût. La diarisation demande du calcul supplémentaire, facturé à part ou inclus selon le fournisseur. L’index des prix des API speech-to-text signale les fournisseurs qui la facturent en supplément.
Sur BroadNet Inference
La documentation de BroadNet ne mentionne pas de diarisation. L’endpoint de transcription renvoie uniquement {"text": "..."}, sans étiquettes de locuteur ni horodatage. Une approche pratique : exécutez localement un outil de diarisation ouvert comme pyannote, découpez l’audio à chaque changement de locuteur avec ffmpeg, puis envoyez chaque extrait à BroadNet Transcribe Arabic ou à BroadNet Transcribe en renseignant language. Si les deux interlocuteurs sont sur des canaux stéréo distincts, séparez plutôt les canaux : aucun modèle n’est alors nécessaire. Voir transcrire les enregistrements d’un centre d’appels pour le processus complet.