Qui a dit quoi : comment la transcription IA identifie chaque intervenant

Réponse rapide

Pour identifier automatiquement les intervenants dans un enregistrement, il faut lancer la transcription IA avec la diarisation des locuteurs activée — l’étape qui découpe un flux audio unique en segments “qui a parlé quand”. La transcription revient déjà divisée par voix (Intervenant 1, Intervenant 2, …), vous renommez chaque étiquette une seule fois, et ce nom se propage sur l’intégralité du fichier. Un appel de 60 minutes avec cinq participants passe d’un bloc de texte informe à un dialogue proprement attribué, le temps de préparer un café.

Deux conditions doivent être réunies pour que ça fonctionne. L’audio doit être suffisamment propre pour que les voix soient distinguables, et le moteur doit gérer le cas difficile : la parole superposée, quand deux personnes parlent en même temps. Sur un audio propre, Atter AI transcrit à 98,7 % de précision et étiquette les intervenants dans la même passe — vous ne lancez pas la diarisation comme une étape séparée et plus lente.

Ce que « identifier les intervenants automatiquement » veut dire en vrai

Quand les gens disent vouloir que l’IA « sache qui parle », ils demandent en réalité deux choses séparées. La première est automatique. La seconde ne l’est pas, et prétendre le contraire mène à de mauvaises surprises.

La diarisation des locuteurs, c’est la partie automatique. Le modèle écoute la forme d’onde, construit une empreinte vocale pour chaque intervenant distinct à la volée, et segmente la transcription en conséquence. Pas besoin d’échantillons préalables. Déposez l’enregistrement d’une réunion de quatre inconnus et le système les séparera en quatre pistes étiquetées, sans broncher.

L’identification des locuteurs — mettre le bon prénom sur chaque piste — nécessite un geste humain. Vous écoutez la première occurrence de l’Intervenant 2, reconnaissez la voix, et renommez l’étiquette. Dès ce moment, chaque segment de l’Intervenant 2 dans tout le fichier porte ce prénom. Sur un appel typique, vous faites ça deux à six fois au total. C’est tout.

Pourquoi c’est important ? Aucun outil de transcription IA généraliste ne peut deviner magiquement le nom de votre collègue depuis un audio. Un outil qui prétend le faire soit utilise des empreintes vocales préenregistrées (un compromis sur la vie privée), soit invente. La diarisation honnête plus 30 secondes de renommage, c’est plus rapide et plus fiable que les deux alternatives.

Si vous débutez avec l’IA appliquée à vos appels, commencez par le guide de transcription de réunions avec l’IA pour les bases de la capture, puis revenez ici pour la couche intervenants.

Comment ça marche sous le capot

La diarisation se déroule en trois grandes étapes. Les connaître vous dit exactement d’où viennent les erreurs.

1. Détection de l'activité vocaleLe modèle décide d'abord quelles parties de l'audio sont de la parole, par opposition au silence, à la musique ou aux bruits de clavier. Une mauvaise détection d'activité vocale explique pourquoi un bruit de fond se retrouve parfois étiqueté comme un locuteur fantôme.
2. Extraction d'empreintes et regroupementChaque segment de parole est transformé en empreinte vocale numérique, et les segments aux empreintes similaires sont regroupés. Chaque groupe devient un intervenant. Les voix proches — deux hommes avec une tonalité voisine — sont là où le regroupement trébuche.
3. Alignement avec la transcriptionLa frise temporelle des locuteurs est cousue sur la transcription mot à mot, pour que chaque phrase hérite d'une étiquette. La parole superposée est le moment le plus difficile : deux empreintes vocales sont actives en même temps.

La métrique de référence des chercheurs est le taux d’erreur de diarisation (DER) — la part du temps audio mal attribuée. Les systèmes modernes atteignent un DER de 5 à 10 % sur un audio propre avec deux à quatre locuteurs, et ce chiffre grimpe vite dès qu’on ajoute des intervenants ou que l’audio se dégrade. Modèle mental utile : même un excellent système va mal étiqueter quelques secondes d’un appel agité, ce qui explique pourquoi un rapide passage humain reste utile.

Les chiffres qui décident si ça marche

La qualité de l’identification des intervenants ne se résume pas à un oui ou non. Quelques seuils concrets prédisent presque tout du résultat.

10+

Intervenants distincts que la diarisation peut séparer dans un seul enregistrement

~13%

Des appels multi-participants contiennent de la parole superposée, le cas le plus difficile

98,7%

Précision de transcription sur audio propre

Quelques autres qui comptent en pratique :

• Deux à quatre intervenants, c’est la zone confortable, où l’étiquetage automatique est quasiment sans effort. Au-delà de 8 à 10 voix, attendez-vous à fusionner ou diviser une étiquette à la main.
• La distance au micro est le levier le plus puissant. Une piste par participant (tout le monde sur son propre casque) réduit les erreurs de diarisation de 4 à 6 fois par rapport à un micro de table unique captant tout le monde à distance.
• La parole superposée — les gens qui se coupent la parole — représente environ 13 % d’un appel multi-personnes typique et concentre la majorité des mauvaises attributions. Voilà pourquoi les réunions agitées sont plus dures à étiqueter que les débats ordonnés.
• Un seul renommage propage un prénom sur 100 % des segments de cet intervenant instantanément — l’effort ne s’accumule pas avec la durée de l’appel, seulement avec le nombre d’intervenants.

Ce dernier point est la victoire silencieuse. Un appel de 15 minutes et un appel de 3 heures vous coûtent le même effort de renommage si tous deux ont cinq intervenants. Atter AI n’impose aucune limite de durée ni de taille de fichier, donc la réunion de direction de 3 heures entre comme un seul fichier et s’étiquette en une passe.

Pas à pas : de l’audio brut au compte rendu nominatif

Voici le flux réel, du début à la fin.

1. Capturer à la sourceEnregistrez des pistes par participant quand c'est possible — Zoom, Teams et Webex le supportent tous. Si vous êtes coincé avec un seul micro de salle, placez-le au centre et demandez aux participants de ne pas se couper la parole. Votre futur vous vous remerciera.
2. Déposer le fichier et laisser la diarisation tournerGlissez le fichier. La transcription revient déjà découpée en Intervenant 1, Intervenant 2, etc. — pas de réglage à chercher séparément.
3. Renommer chaque étiquette une seule foisCliquez sur la première apparition de chaque intervenant, écoutez deux secondes, tapez le vrai prénom. Ça se met à jour partout dans le fichier.
4. Vérifier les moments de chevauchementNaviguez vers les passages où la transcription montre un échange rapide. C'est là qu'une ligne isolée peut être attribuée à la mauvaise personne. Corrigez les quelques cas que vous repérez.
5. Exporter avec les étiquettes intactesTexte attribué par intervenant, sous-titres SRT/VTT ou résumé étiqueté — les prénoms voyagent avec l'export.

Une fois la transcription correctement attribuée, les étiquettes d’intervenants font un vrai travail en aval. C’est elles qui permettent à un résumé IA de dire « Priya s’est engagée à rendre le cahier des charges vendredi » au lieu de « quelqu’un a dit quelque chose sur un cahier des charges ». Pour l’étape suivante, extraire les tâches avec le bon responsable attaché repose entièrement sur des étiquettes correctes en amont.

Où l’étiquetage automatique lâche (et comment corriger)

Aucune diarisation n’est parfaite. Voici les quatre modes d’échec que vous rencontrerez vraiment, par ordre de fréquence approximative.

L’erreur la plus fréquente est le locuteur fantôme : un bruit de fond, une toux ou le claquement d’une porte est regroupé comme sa propre voix, et vous vous retrouvez avec un « Intervenant 6 » qui dit trois mots en tout. La correction : une fusion en deux secondes — réassignez ces segments orphelins à l’intervenant réel le plus proche.

La deuxième erreur est l’identité scindée : la voix d’une personne se retrouve divisée en deux étiquettes, généralement parce qu’elle sonnait différemment en début de réunion (calme) et en fin (animée), ou qu’elle a basculé du casque au haut-parleur. Fusionnez les deux étiquettes et toute la transcription se réconcilie.

Pourquoi les étiquettes valent ces 30 secondes

Tentant de sauter le renommage et de vivre avec « Intervenant 1 a dit… ». Mauvaise idée. Toute la valeur d’une transcription multi-personnes tient à l’attribution. Une décision ne veut rien dire si on ne peut pas dire qui l’a prise ; un engagement ne s’applique pas si on ne sait pas qui l’a donné.

C’est cette couche qui alimente tout le reste. Un résumé de réunion organisé par intervenant ressemble à un compte rendu ; un résumé sans attribution ressemble à un dump de transcript. Suivi des décisions, emails de relance, responsabilité d’équipe — tout ça repose sur “qui a dit quoi”. Faites les étiquettes une fois correctement, et chaque rapport généré depuis cet enregistrement hérite de la précision.

Tarifs

L’identification des intervenants ne porte ses fruits que si vous pouvez vous permettre de la lancer sur chaque appel multi-personnes, pas seulement les formels — parce que c’est précisément le point de synchronisation informel où l’attribution se perd. La tarification à la minute punit exactement cette habitude.

Atter AI applique un tarif fixe : 6,99 $/semaine, 49,99 $/an ou 129,99 $ à vie, avec un essai gratuit de 3 jours, sans plafond à la minute ni au nombre d’enregistrements. La diarisation et le support de plus de 90 langues sont inclus — utile quand un seul appel alterne anglais, japonais et espagnol et qu’il faut quand même suivre chaque voix correctement dans les trois langues.

FAQ

L’IA peut-elle identifier les intervenants sans échantillons vocaux préalables ?

Elle peut les séparer sans échantillons — c’est la diarisation, et c’est entièrement automatique. Elle ne peut pas attacher de vrais prénoms sans une étape humaine, car aucun modèle audio ne connaît le nom de vos collègues. Vous renommez chaque intervenant détecté une seule fois (deux à six clics sur un appel typique), et les noms se propagent sur tout le fichier. Tout outil prétendant une automatisation complète sans aucune intervention utilise soit des empreintes pré-enregistrées, soit invente.

Combien d’intervenants peut-il gérer dans un seul enregistrement ?

La séparation automatique fiable va jusqu’à 10+ voix distinctes, mais la zone confortable est deux à quatre, où l’étiquetage est quasiment sans effort. Au-delà de 8 à 10 intervenants environ, ou quand plusieurs voix se ressemblent, prévoyez de fusionner ou diviser une étiquette à la main. La qualité dépend bien plus de la configuration micro que du nombre brut d’intervenants.

Quelle est la différence entre diarisation et identification des locuteurs ?

La diarisation répond à « combien de voix et quand chacune a-t-elle parlé ? » — automatique, sans connaissance préalable. L’identification répond à « quelle personne réelle est cette voix ? » — c’est l’étape de renommage que vous faites une fois. L’IA ne sait jamais que c’est Priya ; elle sait que la voix n°2 est cohérente et que vous avez mis le label Priya. Garder ces deux idées séparées, c’est la clé d’attentes bien calibrées.

Pourquoi la transcription a-t-elle créé un intervenant qui parle à peine ?

C’est un locuteur fantôme — un bruit de fond, une toux ou le claquement d’une porte regroupé comme sa propre voix. C’est l’erreur de diarisation la plus fréquente. Réassignez ces segments orphelins à l’intervenant réel le plus proche, et le comptage se corrige. Un audio plus propre et des micros par participant l’évitent largement.

L’identification des intervenants fonctionne-t-elle dans toutes les langues ?

Oui. La diarisation se base sur les empreintes vocales, pas sur les mots, donc elle fonctionne de la même façon que l’appel soit en coréen, en portugais ou en allemand. Atter AI prend en charge plus de 90 langues, y compris les appels où les intervenants changent de langue en milieu de phrase. Chaque voix reste tracée même quand la langue change.

À quel point l’étiquetage automatique est-il précis ?

La transcription sous-jacente tourne à 98,7 % sur audio propre, et l’attribution des intervenants est excellente sur les enregistrements à deux à quatre locuteurs avec des micros séparés. La qualité baisse avec le nombre de participants, les micros partagés et les chevauchements — raison pour laquelle une vérification rapide de 30 secondes sur les passages en chevauchement vaut la peine avant de s’appuyer sur les étiquettes pour quelque chose d’important, comme un registre de décisions.

Mes enregistrements restent-ils privés si je les télécharge pour l’étiquetage ?

Oui. Atter AI n’utilise pas vos enregistrements pour entraîner ses modèles, et ils restent privés sur votre compte. La diarisation construit des empreintes vocales uniquement pour séparer les intervenants dans ce fichier précis — elle ne construit pas une base de données d’identités permanente. Pour les enregistrements RH, juridiques ou médicaux sensibles, faites d’abord passer les fichiers par la revue de conformité standard de votre organisation.