Tous les articles
Guides· Mis à jour le 2026/10/18

Qu'est-ce que la diarisation des locuteurs ? Comment l'IA détermine qui a dit quoi

Qu'est-ce que la diarisation des locuteurs ? Découvrez comment l'IA sépare les voix, transforme l'audio en dialogue étiqueté et gère les limites.

La transcription répond à ce qui a été dit. La diarisation des locuteurs répond à qui l'a dit. C'est l'étape qui transforme un bloc de texte indifférencié en un dialogue lisible — Locuteur 1, puis Locuteur 2, et de nouveau — et c'est ce qui rend la transcription d'un entretien, d'une réunion ou d'un podcast exploitable plutôt qu'un mur de mots.

Une définition en une phrase

La diarisation des locuteurs est le processus de partitionnement d'un enregistrement audio par locuteur — déterminer « qui a parlé quand » et regrouper chaque segment sous une étiquette de locuteur cohérente, sans nécessairement connaître l'identité réelle des locuteurs. Elle répond au qui, pas au qui exactement.

Cette dernière distinction déroute les gens, elle mérite donc un tableau.

Diarisation vs. reconnaissance vs. vérification

TâcheQuestion à laquelle elle répondDoit-elle connaître les personnes d'avance ?
Diarisation des locuteurs« Qui a parlé quand ? » (Locuteur 1 vs. Locuteur 2)Non
Reconnaissance / identification du locuteur« Quelle personne connue est-ce ? »Oui — un ensemble de voix connues
Vérification du locuteur« Est-ce la personne précise qu'elle prétend être ? »Oui — une identité revendiquée

La diarisation est celle qu'il vous faut pour la transcription. Elle ne cherche à nommer personne ; elle garde simplement chaque voix distincte séparée de façon cohérente pour que vous puissiez les étiqueter vous-même ensuite (« Intervieweur », « Participant »). La reconnaissance et la vérification sont les technologies derrière la biométrie vocale et le déverrouillage par la voix — un autre métier.

Comment fonctionne la diarisation, en bref

Sous le capot, la plupart des systèmes exécutent un pipeline à peu près comme ceci :

  1. Détection d'activité vocale — trouver où quelqu'un parle et écarter le silence.
  2. Segmentation — découper la parole en courts morceaux mono-locuteur aux points probables de changement de locuteur.
  3. Embedding — transformer chaque morceau en une « empreinte vocale » numérique qui capte les caractéristiques de la voix.
  4. Regroupement (clustering) — regrouper les empreintes vocales pour que les morceaux d'une même voix tombent ensemble, produisant Locuteur 1, Locuteur 2, et ainsi de suite.

La partie difficile est souvent le regroupement : le système doit souvent estimer combien il y a de locuteurs plutôt qu'on le lui indique, et des voix qui se ressemblent sont faciles à fusionner par erreur.

Où elle peine

La diarisation est vraiment difficile, et connaître ses modes d'échec vous aide à enregistrer pour les éviter :

  • Parole superposée. Quand deux personnes parlent en même temps, un même passage audio appartient à deux locuteurs — difficile à séparer proprement.
  • Voix semblables. Deux locuteurs à la hauteur et à l'accent proches peuvent être regroupés en un seul.
  • Tours très courts. Un rapide « oui » ou « d'accord » donne au système peu d'audio pour travailler.
  • Diaphonie et micros partagés. Un seul micro captant toute une pièce brouille les frontières entre les personnes.
  • Nombre de locuteurs inconnu. Mal deviner le nombre de locuteurs scinde une personne en deux, ou fond deux en une.

Rien de tout cela n'est propre aux machines — les humains aussi réécoutent pour démêler une réunion aux voix croisées. Comme pour les mots eux-mêmes, traitez les étiquettes de locuteur automatiques comme un premier jet solide et corrigez les erreurs évidentes. (Sur la façon dont on mesure la précision des mots, voir quelle est la précision de la transcription par IA.)

Ce que cela a donné dans notre test

Nous avons vérifié les étiquettes de locuteurs de ScribeToAny sur le même enregistrement que celui de nos exemples de transcription (en anglais) : une interview de 64 secondes entre deux personnes, réalisée à partir d'un script avec deux voix de synthèse, la voix de l'invitée accélérée de 32 % par endroits. Détecter les locuteurs était réglé sur deux.

  • 14 tours de parole sur 14 sont revenus avec la bonne étiquette, y compris les réponses accélérées.
  • Les étiquettes étaient SPEAKER_00 et SPEAKER_01 : la première voix entendue et la deuxième. Les appeler HOST et MAYA, c'était à nous de le faire.
  • Les 14 tours sont arrivés en 30 segments, car les segments sont découpés à la longueur d'un sous-titre, pas aux changements de locuteur. En fusionnant chaque suite de même étiquette, on retrouve 14 paragraphes lisibles.

C'est le meilleur des cas. Les deux voix de synthèse sont nettement différentes, personne ne parle par-dessus l'autre, il n'y a pas de bruit de fond, et nous avons indiqué au système qu'il y avait deux locuteurs, ce qui évite l'étape la plus difficile : estimer leur nombre. Une réunion à quatre sur un seul micro d'ordinateur portable se situe à l'autre bout de la liste ci-dessus.

Pourquoi cela compte pour votre transcription

Les étiquettes de locuteur font la différence entre une transcription exploitable et une qu'il faut réécouter :

  • Les entretiens se lisent comme un vrai échange, et vous pouvez citer le participant sans chercher qui a dit quoi.
  • Les réunions deviennent un compte rendu : décisions et actions se rattachent à une personne.
  • Les podcasts se transforment en notes d'épisode et sous-titres où l'animateur et l'invité sont distincts.

Obtenir des transcriptions étiquetées par locuteur

Dans ScribeToAny, activer les étiquettes de locuteur marque chaque segment au fil de la transcription, de sorte qu'un enregistrement à plusieurs revient comme un dialogue plutôt qu'un bloc. La langue parlée est détectée automatiquement (environ 98 prises en charge), et dans l'éditeur du navigateur, cliquer sur n'importe quel segment rejoue ce moment — le moyen le plus rapide de confirmer une frontière de locuteur ou de corriger une étiquette avant d'exporter.

Pour enregistrer en vue d'une bonne diarisation : donnez à chaque personne son propre micro si vous le pouvez, gardez une pièce silencieuse et encouragez l'alternance des tours plutôt que le parler-par-dessus. Une séparation nette dans l'audio est ce dont dépend une séparation nette dans la transcription.

Elle est aussi intégrée aux outils par scénario — transcription de réunion, transcription d'entretien et transcription de podcast s'attendent chacun à plus d'une voix. Pour un flux de recherche complet avec attribution des locuteurs, voir comment transcrire des entretiens de recherche ; pour transformer un épisode en notes d'épisode étiquetées, transcription gratuite de podcast pour les notes d'épisode.


La diarisation est l'étape discrète qui rend une transcription lisible — elle sépare les voix pour que les mots appartiennent à quelqu'un. Enregistrez chaque locuteur proprement, laissez l'outil étiqueter les tours et corrigez les quelques-uns qu'il rate. Commencez avec la transcription d'entretien et votre transcription se lira comme une conversation.