Points clés
Une transcription peut retranscrire chaque mot correctement et pourtant l’attribuer à la mauvaise personne, car reconnaître la parole et l’associer à un locuteur sont deux opérations distinctes. L’identification des locuteurs repose sur les caractéristiques de la voix : elle fonctionne donc mieux avec quelques voix nettement différentes, captées à un volume comparable par un seul micro. Elle peine face à des personnes qui se coupent la parole, face aux voix discrètes ou aux participants qui arrivent en retard, et elle ne vous donnera jamais de vrais noms toute seule — cette partie-là, c’est à vous de l’ajouter ensuite.
Si vous avez déjà ouvert la transcription d’une conversation de groupe et découvert que la moitié des propos étaient attribués à la mauvaise personne, les mots eux-mêmes étaient probablement corrects. Le problème se situe un niveau plus haut, dans la partie du processus qui détermine qui parlait, pas ce qui a été dit. Cette étape repose sur des informations différentes et échoue de façons différentes, et presque tout ce qui déterminera si elle fonctionne se décide au moment de l’enregistrement, avant même qu’un logiciel touche le fichier.
C’est ce qu’il vaut la peine de comprendre si vous êtes sur le point d’enregistrer un entretien, une table ronde ou une conversation de famille et que vous avez vraiment besoin de savoir qui a dit quoi — pas seulement ce qui a été dit. Une partie de la réponse tient à l’endroit où vous placez le micro. Une autre partie tient à accepter que certaines situations ne seront jamais étiquetées proprement, quel que soit l’outil utilisé.
Deux tâches distinctes, une seule transcription
Reconnaître les mots et déterminer qui les a prononcés ne sont pas la même tâche, même si elles se retrouvent dans le même document. La première tâche écoute le son et en déduit la langue — elle se soucie assez peu de la voix qui la produit. La seconde écoute le même son et pose une question différente : cette voix correspond-elle à celle d’il y a deux phrases, ou s’agit-il d’un nouveau locuteur ? Cette seconde question se résout à partir des caractéristiques de la voix — hauteur, timbre, débit, l’empreinte acoustique propre à chacun — et non à partir des mots eux-mêmes.
C’est pourquoi une transcription peut être exacte mot pour mot tout en attribuant mal certaines répliques. La transcription a réussi. La séparation des locuteurs, elle, a échoué. Les deux peuvent rater indépendamment l’une de l’autre, et quand quelqu’un vous dit qu’une transcription est « fausse », il vaut mieux vérifier laquelle des deux tâches a réellement échoué, car la solution diffère selon la réponse.
Ce qui fait fonctionner la séparation des locuteurs
La séparation des locuteurs donne ses meilleurs résultats avec un petit nombre de voix nettement différentes les unes des autres, toutes captées par un même micro placé de façon à entendre tout le monde à peu près au même volume. C’est le cas idéal : deux ou trois personnes, des voix distinctes, un seul appareil d’enregistrement posé à un endroit qui entend bien l’ensemble de la pièce.
Chaque écart par rapport à cet idéal a un coût. Plus il y a de locuteurs, plus il y a de chances que deux voix se ressemblent assez pour se confondre. Des voix qui se ressemblent — deux personnes d’âge et d’accent proches, par exemple — sont plus difficiles à distinguer qu’une voix grave et une voix aiguë. Et si une personne est captée bien plus fort qu’une autre, le système commence à traiter les différences de volume comme s’il s’agissait de différences de locuteurs, ce qui n’est pas le cas.
Rien de tout cela n’est exotique. C’est proche de ce qu’une personne remarquerait aussi, si elle fermait les yeux et se contentait d’écouter. L’avantage du logiciel, c’est la patience et la constance sur une heure d’enregistrement, pas un sens supplémentaire que l’auditeur n’aurait pas.
Là où ça coince : quand les gens se coupent la parole
Il existe une situation qui casse systématiquement l’identification des locuteurs, et aucune bonne installation n’y remédie : le véritable chevauchement de parole, quand deux personnes parlent au même instant. Pendant ce chevauchement, il n’existe aucun signal propre appartenant à une seule voix — l’audio est un mélange des deux, et il n’y a rien à attribuer proprement. Ce qui se passe généralement, c’est que les mots d’un locuteur se retrouvent fondus dans le tour de parole de l’autre, si bien que la transcription affiche une déclaration continue qui était en réalité deux personnes parlant simultanément.
Ce n’est pas un bug qu’on pourra corriger plus tard. C’est une limite inscrite dans la nature même du problème — on ne peut pas, après coup, démêler deux voix superposées en deux flux propres, pas de manière fiable. L’attente réaliste, c’est que toute portion d’un enregistrement comportant un vrai chevauchement nécessitera une relecture humaine pour déterminer qui a dit quoi, ou restera simplement attribuée à la personne que le système a devinée. Si votre conversation comporte beaucoup de gens qui se coupent la parole — une table ronde animée, un dîner de famille houleux — prévoyez que cette portion de la transcription demandera une correction manuelle, et ne jugez pas l’outil entier sur cette seule section.
L’emplacement du micro compte plus que sa qualité
La distance au micro influe davantage sur l’identification des locuteurs que la qualité du micro lui-même. Un téléphone posé au milieu d’une table donnera en général une meilleure séparation des locuteurs qu’un micro plus haut de gamme placé à côté d’une seule personne, car les participants discrets ou plus éloignés sont justement les premiers que le système perd. Si quelqu’un est systématiquement bien plus discret que les autres parce qu’il est le plus éloigné du micro, cet écart de volume peut peser plus lourd sur l’identification des locuteurs que n’importe quelle différence de matériel.
Pour une conversation de groupe, cela donne une règle simple : placez l’appareil d’enregistrement à un endroit central, pas à un endroit pratique. Le milieu de la table, pas le bout le plus proche de l’hôte. Si les participants sont dispersés dans une pièce plutôt qu’assis proches les uns des autres, c’est un cas plus difficile quel que soit le matériel, et il vaut mieux le savoir avant de commencer plutôt que de le découvrir après.
Obtenir de vrais noms plutôt que Locuteur 1, Locuteur 2
Rien dans l’audio lui-même n’indique à un système de transcription le nom de quiconque — il peut détecter que deux voix différentes sont présentes, mais il n’a aucun moyen de savoir que l’une s’appelle Julie et l’autre Marc. Le résultat sort donc avec des étiquettes anonymes : Locuteur 1, Locuteur 2, et ainsi de suite. Transformer ces étiquettes en vrais noms est une étape manuelle, qui n’a besoin d’être faite qu’une seule fois, en haut de la transcription, en associant chaque étiquette à un nom.
Ce qui rend cette étape rapide plutôt que fastidieuse, c’est de demander à chacun de dire son prénom à voix haute au début de l’enregistrement. Cela prend une dizaine de secondes et vous donne un repère net — vous savez que la voix qui dit « ici Marc » au début est celle qu’il faut étiqueter Marc pour le reste du document. Sans cela, il faut associer les voix aux noms de mémoire ou par déduction, ce qui fonctionne mais prend plus de temps et devient plus sujet aux erreurs à mesure que le nombre de locuteurs augmente.
Si vous enregistrez spécifiquement un entretien, cette habitude mérite d’être intégrée dès le début de chaque session — voir les conseils sur la transcription d’entretiens pour savoir comment bien démarrer dès la première minute. Pour transformer un enregistrement terminé en texte étiqueté une fois que vous l’avez, la conversion audio en texte couvre l’étape de conversion proprement dite, et une application comme celle de SozAI peut produire des étiquettes de locuteurs, des résumés et des traductions dans un grand nombre de langues une fois l’enregistrement en main — nommer les locuteurs ensuite reste votre travail, mais c’est la partie rapide.
Ce à quoi s’attendre, réalistement
Même avec une bonne installation, certaines situations produisent des résultats prévisiblement imparfaits, et il vaut mieux les connaître à l’avance plutôt que de les prendre pour des échecs.
- Un locuteur qui rejoint l’enregistrement en cours de route, une fois que le système a déjà arrêté ses profils vocaux, est souvent fusionné avec un locuteur existant plutôt que de recevoir sa propre étiquette.
- Quelqu’un qui ne prononce qu’une poignée de mots sur tout l’enregistrement — un accord rapide, une question d’une ligne — se retrouve souvent fondu dans le tour de parole de la personne autour de lui, car il n’y a pas assez de sa voix pour que le système en construise un profil distinct.
- Un véritable chevauchement de parole, comme évoqué plus haut, tend à s’effondrer dans le tour de parole d’une seule personne.
- Un grand groupe avec de nombreuses voix similaires produira davantage d’erreurs d’attribution qu’un petit groupe aux voix distinctes, simplement parce qu’il y a plus d’occasions de confusion.
Rien de tout cela n’est une raison de renoncer à transcrire un enregistrement difficile — ce sont des raisons de prévoir une courte relecture manuelle sur les sections concernées, plutôt que de supposer que tout le document doit être revérifié. Si vous enregistrez quelque chose dont vous savez qu’il présentera ce genre de complexité, il vaut aussi la peine de décider à l’avance si vous avez besoin de chaque mot transcrit ou seulement des passages étiquetés marquants ; tout transcrire n’est pas toujours le choix le plus utile, en particulier pour les enregistrements longs où l’on veut surtout savoir qui s’est engagé sur quoi — le type d’usage couvert dans transformer des enregistrements en comptes rendus de réunion. Et si vous voulez tester comment un enregistrement donné s’étiquette avant de vous lancer dans un fichier plus long, récupérer l’application depuis la page de téléchargement et faire un essai sur un court extrait vous en apprendra plus que n’importe quel conseil général.
Ce qui fait vraiment la différence
S’il ne fallait retenir qu’une seule chose, ce serait que l’enregistrement compte plus que le logiciel. Un micro central, un petit nombre de voix nettement différentes, chacun disant son prénom au début, et l’acceptation que la parole qui se chevauche demandera un passage manuel — cette combinaison vous mènera plus loin que n’importe quel réglage ou choix de fonctionnalité effectué après coup. L’étape d’étiquetage fait un vrai travail, mais elle travaille avec ce que l’enregistrement lui a fourni, et un enregistrement pensé pour la séparation des locuteurs sera toujours mieux étiqueté qu’un enregistrement qui ne l’a pas été, quel que soit le logiciel utilisé ensuite pour la transcription.
