Outre la reconnaissance vocale, la diarisation des locuteurs joue un rôle central dans le traitement de la parole, en répondant principalement à la question : « qui a dit quoi et quand ? ». Cela implique l’analyse des caractéristiques vocales des différents individus, le segmentage du signal audio d’origine, et la classification basée sur les particularités uniques de chaque personne. Contrairement à l’identification des locuteurs, qui vise à reconnaître des individus spécifiques, la diarisation des locuteurs se concentre sur la distinction entre différents intervenants sans nécessiter d’information préalable à leur sujet, ce qui la rend applicable à une gamme plus large de situations réelles.

La diarisation des locuteurs s’applique à l’analyse de divers types de données audio, notamment les émissions médiatiques, les conversations lors de conférences, les contenus en ligne sur les réseaux sociaux et les audiences judiciaires. Elle contribue également à améliorer la précision de la reconnaissance vocale dans des environnements multi-locuteurs.

Les tâches de reconnaissance vocale et de diarisation peuvent être réalisées en mode (a) hors ligne ou (b) en streaming (temps réel). Dans le premier cas, l’entrée consiste généralement en un enregistrement unique, où l’intégralité du contenu peut être exploitée, y compris des traitements multiples, sans restriction stricte sur le temps de calcul requis. Le second cas, plus complexe, est aujourd’hui crucial, car les domaines d’exploration des données font face à un défi croissant : analyser rapidement des flux de données variés, idéalement en temps réel.

[…]