Locuteurs et diarisation
La transcription d'un appel ou d'une réunion n'est utile que si vous savez qui a dit quoi. Cette page explique ce qu'indiquent les étiquettes de locuteur, comment les transformer en noms réels et comment afficher des locuteurs qui parlent en même temps.
Qui a parlé et quand, et non qui parle
La diarisation regroupe les parties d'un enregistrement qui proviennent de la même voix et attribue une étiquette à chaque groupe, comme speaker_1 ou speaker_2. Une étiquette indique que deux passages proviennent de la même voix. Elle ne vous dit pas à qui appartient cette voix.
Les étiquettes restent cohérentes au sein d'une même transcription, ce qui vous permet de suivre chaque voix du début à la fin. Elles ne signifient rien en dehors de celle-ci : speaker_1 dans un appel et speaker_1 dans le suivant ne désignent pas nécessairement la même personne. Pour suivre une personne d'un enregistrement à l'autre, nommez-la avec des extraits de référence.
La diarisation fonctionne dans les deux modes, mais les étiquettes n'arrivent pas sous la même forme :
| Hors ligne | Temps réel | |
|---|---|---|
| Où apparaissent les étiquettes | Sur chaque segment de la transcription finale, avec ses temps de début et de fin | Sur chaque portion de texte, à mesure qu'elle arrive au cours de la session |
| Ce que vous pouvez construire | Des enregistrements étiquetés par locuteur, des sous-titres et des résumés pour chaque locuteur | Des sous-titres en direct qui indiquent qui parle |
Pour les options de requête et les exemples propres à chaque mode, voir Diariser les locuteurs.
Nommer les locuteurs avec des extraits de référence
Quand vous savez à l'avance qui parle, comme l'agent et le client lors d'un appel d'assistance, vous pouvez envoyer un court extrait de chaque voix, associé à un nom. La transcription affiche alors ces noms à la place des étiquettes génériques, et un même nom désigne la même personne dans toutes les transcriptions.
Une référence n'est utile que si elle correspond à la voix de l'enregistrement :
- Utilisez la même personne. Une voix différente au timbre similaire n'est pas associée au nom.
- Enregistrez dans des conditions similaires. Un extrait provenant du même microphone ou de la même ligne téléphonique que l'audio réel constitue la correspondance la plus proche.
- Prévoyez des locuteurs non identifiés. Un locuteur sans référence conserve une étiquette générique, si bien qu'un appel impliquant une troisième personne inattendue est quand même transcrit.
Recommandations pour les extraits de références
| Propriété | Recommandation |
|---|---|
| Durée | 3 à 15 secondes |
| Nombre de références | Jusqu'à 8. Le nombre total de locuteurs dans les références et dans la prédiction ne doit pas dépasser 10. |
| Débit de parole | Au moins 85 % de l'extrait doit être du Speech. Évitez les silences prolongés. |
| Conditions | Plus les conditions acoustiques et vocales sont proches de l'audio à transcrire, meilleure est la correspondance. |
Les extraits de références fonctionnent hors ligne et en temps réel. Pour savoir comment les envoyer, consultez Diariser les locuteurs.
Chevauchement de parole
Dans les conversations réelles, les gens parlent en même temps : une personne en interrompt une autre, ou quelqu'un dit « oui » pendant qu'une autre personne parle.
Une transcription avec chevauchements n'est pas une simple suite de tours de parole. Si votre interface affiche un seul locuteur à la fois, comme une transcription de type messagerie ou une chronologie à piste unique, prévoyez comment afficher deux locuteurs actifs simultanément. Par exemple, classez les segments par temps de début et laissez-les se chevaucher, pour n'en tronquer aucun.