Aller au contenu
English

Plongements de locuteur et regroupement

  • Leçon 16
  • 40 min
  • Module 5 : Qui a parlé et quand : diarisation et temps des mots

Où nous en sommes

Séparer par canal ne coûte rien, mais certains appels n'ont qu'un canal. Dans cette leçon, nous transformons de courts segments de parole en vecteurs avec un modèle de locuteur ouvert. Nous les regroupons par locuteur et mesurons le taux d'erreur de diarisation.

Leçon 16 sur 36 · IA de la parole : transcrire, comprendre et parlerPlongements de locuteur et regroupement
Aperçu du cours

Ce que vous saurez faire

Distinguez deux voix qui partagent un canal. Transformez de courts segments de parole en listes de nombres qui décrivent la voix. Placez les listes semblables dans le même groupe. Mesurez ensuite à quelle fréquence les groupes sont erronés.

Carnet JupyterFaites cette leçon dans un carnet JupyterColab · Kaggle · GitHub · en anglais

Le carnet (notebook) Jupyter contient le code, les tâches et les vérifications de cette leçon. Il calcule une similarité cosinus à la main et produit les plongements des tours de parole d’un appel de Larkfield. Il regroupe et dessine les segments d’un appel mono, puis montre où deux voix semblables fusionnent. Il télécharge une seule fois un modèle de locuteur de 27 Mo et ne demande aucun compte. Environ 40 minutes.

Le carnet est en anglais. Colab et Kaggle ouvrent votre propre copie. Il faut un compte Google ou Kaggle gratuit. Vous êtes bloqué ? Consultez le carnet de solution.

Avant de commencerCe qu’il faut savoir et avoir sous la mainEnviron 40 minutes

Ce que vous devez savoir

  • Les tours de parole et le taux d’erreur de diarisation (DER), présentés dans Séparer d’abord par canal.
  • Ce qu’est un plongement en général : une liste de nombres qui place les choses semblables près les unes des autres. Le cours RAG : créer une IA qui utilise vos données explique les plongements de texte; cette leçon fait la même chose pour les voix.

Ce qu’il vous faut sur votre ordinateur (seulement pour travailler sur votre ordinateur; le carnet n’en a pas besoin)

  • Votre dossier de projet larkspeech avec les fichiers de end-of-m05, provenant de Séparer d’abord par canal. La commande speech diarize --help y fonctionne.
  • Une connexion Internet la première fois : le projet télécharge le modèle de locuteur (27 Mo) et vérifie son SHA-256.

Testé sur macOS avec Python 3.12 et sherpa-onnx 2.0.1. Windows et Linux n’ont pas été testés.

Un agent de centre d’appels décroche. Un client régulier dit « Bonjour, c’est encore moi », et l’agent reconnaît sa voix. L’agent n’a pas eu besoin d’un nom. La voix a un son propre : aigu ou grave, rapide ou lent, une façon particulière de prononcer le « s ».

Donnez maintenant à l’agent l’enregistrement d’un appel entre deux inconnus, sur une seule piste. Après quelques phrases, l’agent peut quand même distinguer la « première voix » de la « deuxième voix ». Il ne peut pas nommer les personnes, mais peut regrouper les phrases selon leur son. Cette leçon apprend à un ordinateur à faire la même chose.

Parmi les 110 appels de validation et de test de Larkfield, 44 sont mono. Le système téléphonique a mélangé l’agent et l’appelant dans un seul canal. Une VAD y trouve la parole, mais chaque segment de parole se trouve dans le même canal. Dans Séparer d’abord par canal, le carnet attribuait toute la parole d’un appel mélangé à un seul locuteur. Le DER est passé de 11,8 % à 43,5 %, et toute la nouvelle erreur était de la confusion.

Écoutez le début de l’appel mono C-0285 :

Appel C-0285, mono, de 0,4 à 12,0 s, qualité téléphonique (8 kHz). Deux voix synthétiques. L’agent utilise Piper, entraîné sur le corpus VCTK (locuteur p240). L’appelant utilise Piper, entraîné sur le corpus LibriTTS-R (locuteur 925). Transcription. Agent : « Thank you for calling Larkfield, this is Victor. How can I help you today? » Appelant : « Yes, hi. I’m annoyed to see two payments for the Juniper compost bin on my card. Please explain why this happened. »

Vous entendez tout de suite deux voix différentes. Un ordinateur reçoit une seule liste de nombres. Il faut décrire « le son de ce segment », pour que les segments d’une même voix se ressemblent.

L’idée : des plongements de locuteur, puis un regroupement

Section intitulée « L’idée : des plongements de locuteur, puis un regroupement »

Un plongement de locuteur (speaker embedding) est une liste de nombres qui décrit le son d’une voix, pas ses paroles. Un modèle de locuteur le produit. Le modèle a été entraîné sur les voix de milliers de personnes. Pour les segments d’une même personne, il a appris à produire des listes qui pointent presque dans la même direction. Pour les segments de personnes différentes, les listes pointent dans des directions différentes.

Le projet utilise un modèle de locuteur ouvert : WeSpeaker ResNet-34, entraîné sur VoxCeleb, un grand ensemble d’extraits d’entrevues de personnalités publiques. Sa licence est Apache-2.0. Il transforme tout segment de parole en une liste de 256 nombres. Il fonctionne sur le CPU d’un portable grâce à sherpa-onnx.

Il faut ensuite un regroupement (clustering) : placer les listes dans des groupes selon leur ressemblance, sans étiquettes. Personne ne dit à l’ordinateur quel segment appartient à l’agent. Il trouve simplement deux groupes. Le regroupement est une méthode classique d’apprentissage non supervisé. Le cours Apprentissage automatique : du problème à un modèle fiable l’explique pour toutes sortes de données.

À quel point deux listes se ressemblent-elles? Un petit exemple

Section intitulée « À quel point deux listes se ressemblent-elles? Un petit exemple »

Nous comparons deux plongements avec la similarité cosinus. Elle vaut 1 quand deux listes pointent dans la même direction, 0 quand elles sont sans lien. Elle vaut -1 quand elles pointent dans des directions opposées. Le projet ajuste d’abord l’échelle de chaque liste pour que la somme des carrés de ses nombres soit 1. Pour ces listes, le cosinus est la somme des produits de leurs nombres.

Prenons trois petites « voix » de deux nombres chacune. La somme de leurs carrés vaut 1, par exemple 0,6 × 0,6 + 0,8 × 0,8 = 1 :

Paire Produits Cosinus
a = (0,6, 0,8), b = (0,8, 0,6) 0,6 × 0,8 + 0,8 × 0,6 0,96
a = (0,6, 0,8), c = (-0,6, 0,8) 0,6 × (-0,6) + 0,8 × 0,8 0,28

a et b se ressemblent; a et c ne se ressemblent pas. Les vrais plongements ont 256 nombres au lieu de 2, mais l’idée de la somme reste la même.

Avec le vrai modèle, le carnet produit les plongements de trois tours de parole de l’appel C-0052, mélangé en un canal. Les deux tours de l’agent ont un cosinus de 0,901. L’agent et l’appelant ont des valeurs de 0,787 et 0,737. La même voix est plus proche, mais la valeur n’est pas 1. Les mots et la ligne changent un peu les nombres. L’écart entre « semblable » et « différent » est donc réel, mais petit.

Un appel mono, avec les deux voix dans un canal, passe à l'étape 1 : trouver la parole avec Silero VAD. Étape 2, découper les segments : fenêtres de 1,5 seconde, une nouvelle toutes les 0,75 seconde. Étape 3, produire les plongements : le modèle de locuteur donne 256 nombres par segment. Étape 4, regrouper : deux groupes de vecteurs semblables. Étape 5, nommer : le groupe qui parle en premier est l'agent.
Diarisation d'un appel mono avec des plongements de locuteur et un regroupement, comme dans le fichier diarize.py du projet.
Description textuelle du diagramme

Le diagramme présente un appel mono et cinq étapes. L’étape 1 trouve la parole avec Silero VAD. L’étape 2 découpe chaque région de parole en segments de 1,5 seconde. Elle commence un nouveau segment toutes les 0,75 seconde, donc les segments se chevauchent. L’étape 3 donne chaque segment au modèle de locuteur, qui renvoie 256 nombres. L’étape 4 regroupe les segments en deux groupes de vecteurs semblables. L’étape 5 nomme les groupes : le groupe du premier segment est l’agent. En effet, les agents de Larkfield répondent à l’appel et parlent en premier.

Chaque étape a une raison. Un segment de 1,5 seconde contient assez de son pour décrire une voix. Il est aussi assez court pour contenir une seule personne la plupart du temps. Les segments se chevauchent, donc un changement de locuteur tombe toujours près du milieu d’un segment. Le regroupement du projet est agglomératif. Il commence avec chaque segment seul. Puis il réunit les deux groupes les plus proches, encore et encore, jusqu’à ce qu’il reste deux groupes. On mesure « les plus proches » avec le cosinus. À la fin, chaque trame de 10 ms prend le locuteur du segment dont le centre est le plus proche.

L’appel C-0285 donne 54 segments. Chaque segment a 256 nombres, que personne ne peut dessiner. L’image montre donc les deux directions dans lesquelles les segments diffèrent le plus. L’ACP (analyse en composantes principales, PCA) trouve ces directions. Les deux directions conservent environ 38 % de la dispersion; le reste est caché. Chaque point est un segment.

Un nuage de 54 points. À gauche, un groupe de carrés orange : les segments de l'appelant dans le groupe de l'appelant. À droite, un groupe de cercles bleus : les segments de l'agent dans le groupe de l'agent. Entre les deux, 11 carrés bleus vides : les segments de l'appelant que le regroupement a placés avec l'agent.
Les 54 segments de l'appel mono C-0285, en deux dimensions. Couleur : le groupe. Forme : le vrai locuteur. 11 segments de l'appelant (carrés vides) sont allés dans le groupe de l'agent. DER de 22,7 % : parole manquée de 8,2 %, confusion de 14,4 %.
Description textuelle du diagramme

L’image est un nuage de points. Chaque point est un segment de 1,5 seconde. Sa position vient des deux directions dans lesquelles les plongements diffèrent le plus. La couleur indique le groupe : bleu pour le groupe nommé agent, orange pour le groupe nommé appelant. La forme indique la vérité : un cercle quand l’agent parle dans le segment, un carré quand l’appelant parle. Un point plein signifie que le groupe correspond à la vérité; un point vide signifie qu’il ne correspond pas. À droite, 26 cercles bleus forment le groupe de l’agent. À gauche, 17 carrés orange forment le groupe de l’appelant. Entre les deux groupes, 11 carrés bleus vides représentent des segments de l’appelant que le regroupement a placés avec l’agent. Ils sont proches du groupe de l’agent dans cette image, et encore plus proches dans les 256 nombres.

Les deux voix forment surtout deux groupes, mais la frontière n’est pas nette. Certains segments de l’appelant sont plus près du groupe de l’agent. Ces segments deviennent de la confusion : la parole de l’appelant sous le nom de l’agent. Sur cet appel, la confusion représente 14,4 % du temps de parole, près de la moyenne des appels mono.

La commande speech diarize du projet utilise cette méthode par défaut (--method embeddings). Le modèle de locuteur est téléchargé la première fois, puis vérifié avec son SHA-256.

  1. Diarisez un appel mono, tour par tour :

    Fenêtre de terminal
    speech diarize --call C-0285
    Downloading spk/wespeaker_en_voxceleb_resnet34_LM.onnx ...
    C-0285 (mono), embeddings: DER 22.7% (missed 8.2%, false 0.0%, confusion 14.4%)
    0.63 3.84 agent
    4.44 7.07 agent
    7.07 9.32 caller
    9.32 10.07 agent
    10.07 11.27 caller
    …

    La ligne de téléchargement apparaît seulement la première fois. La vérité indique que l’appelant parle de 4,4 à 11,7 s. La méthode attribue les 2,6 premières secondes de cette parole à l’agent, puis inverse encore les locuteurs plus tard. C’est la confusion de l’image.

  2. Diarisez les 60 appels de test. Les appels stéréo sont d’abord mélangés en mono, donc les 60 appels sont utilisés. Cela prend environ 40 secondes sur un portable :

    Fenêtre de terminal
    speech diarize --method embeddings --split test
    embeddings on 60 test calls: mean DER 37.8%
    missed 20.5%, false 0.3%, confusion 16.9%
    worst: C-0194 73%, C-0018 72%, C-0248 71%

    La parole manquée vient du même type d’erreur qu’avec les canaux : la VAD. La nouveauté est la confusion : 16,9 % au lieu d’environ 4 % avec les canaux.

  3. Comparez avec les canaux sur un appel stéréo. C-0052 avait un DER de 4,8 % par canal :

    Fenêtre de terminal
    speech diarize --call C-0052
    C-0052 (stereo), embeddings: DER 26.0% (missed 3.8%, false 0.0%, confusion 22.2%)
    0.86 3.26 agent
    3.45 5.92 agent
    6.17 7.55 agent
    8.50 12.30 agent
    12.30 12.70 caller
    …

    Le premier tour de parole de l’appelant, de 8,5 à 12,6 s, est presque entièrement attribué à l’agent.

Le temps d’exécution est court. Sur le processeur d’un portable avec 4 fils d’exécution, le modèle demande environ 0,012 seconde de calcul par seconde d’audio. Un appel de 45 secondes prend donc environ une demi-seconde.

La frise chronologique montre l’appel C-0052 : la vérité, les tours par canal et les tours par plongements sur l’appel mélangé en mono.

Une forme d'onde de l'appel de 42 secondes, puis trois rangées de tours de parole. Vérité : les tours de l'agent et de l'appelant alternent. Par canal : le même schéma, avec les longs tours de l'agent divisés aux pauses. Plongements : presque chaque tour est bleu, celui de l'agent; il ne reste qu'un court segment orange de l'appelant.
Appel C-0052 : qui a parlé et quand, selon la vérité, par canal (DER de 4,8 %, sans confusion) et par plongements sur le mélange (DER de 26,0 %, confusion de 22,2 %). La méthode par plongements attribue la majeure partie de la parole de l'appelant à l'agent.
Description textuelle du diagramme

La rangée du haut représente le son de l’appel, avec les deux voix mélangées. Les trois rangées dessous représentent les tours de parole, en bleu pour l’agent et en orange pour l’appelant. La vérité compte dix tours. Après l’accueil de l’agent, l’appelant pose sa question de 8,5 à 12,6 s. L’appelant donne le numéro de commande de 17,0 à 19,3 s, puis parle encore de 27,0 à 28,2 s. Les remerciements de l’appelant vont de 37,2 à 38,2 s. Tous les autres tours sont ceux de l’agent. Par canal, le schéma est le même; la VAD divise seulement certains longs tours de l’agent aux pauses. Par plongements, presque chaque tour est bleu. Il ne reste qu’un court segment orange, de 12,3 à 12,7 secondes.

Sur cet appel, la voix de l’appelant était trop proche de celle de l’agent pour le regroupement. La méthode a trouvé deux groupes, mais le deuxième est petit : un segment à la fin du premier tour de l’appelant.

Le graphique compare les parties du DER pour chaque méthode de ce module, sur les 110 appels de validation et de test.

Quatre barres horizontales empilées. Par canal, le plus fort l'emporte : parole manquée 23,8, fausse parole 1,2, confusion 3,8, DER 28,7 %. Par canal, chaque côté seul : parole manquée 21,2, fausse parole 1,2, confusion 11,1, DER 33,5 %. Plongements, appels mono : parole manquée 20,9, fausse parole 0,5, confusion 15,6, DER 37,0 %. Plongements, stéréo mélangée : parole manquée 17,5, fausse parole 1,1, confusion 16,0, DER 34,6 %.
Les parties du DER sur les appels synthétiques de validation et de test de Larkfield : canaux sur les 66 appels stéréo, plongements sur les 44 appels mono et les 66 appels stéréo mélangés en mono. La parole manquée est semblable partout; la confusion est ce que la méthode change.
Description textuelle du diagramme

Quatre barres, chacune divisée en parole manquée, fausse parole et confusion, en pourcentage du vrai temps de parole. Par canal, avec le plus fort qui l’emporte : 23,8, 1,2 et 3,8, pour un DER de 28,7 %. Par canal, chaque côté seul : 21,2, 1,2 et 11,1, pour un DER de 33,5 %. Plongements sur les 44 appels mono : 20,9, 0,5 et 15,6, pour un DER de 37,0 %. Plongements sur les 66 appels stéréo mélangés en mono : 17,5, 1,1 et 16,0, pour un DER de 34,6 %. La parole manquée se situe entre 17 % et 24 % pour chaque méthode, car elles utilisent toutes la même VAD. La confusion est d’environ 4 % avec les canaux et d’environ 16 % avec les plongements.

La dernière barre est un test équitable. Sur les mêmes 66 appels, la confusion vaut environ 4 points avec les canaux et environ 16 points avec les plongements. Sur ces appels, le canal détermine donc « qui » environ quatre fois mieux que le modèle de locuteur. Ces nombres concernent les appels synthétiques de Larkfield.

Utilisez cette méthode avec un seul canal et deux locuteurs qui parlent rarement en même temps : un appel enregistré, une entrevue. Elle ne demande ni étiquettes ni entraînement : un modèle ouvert et quelques lignes de regroupement. Sur un processeur, elle demande un temps de calcul d’environ 1 % de la durée de l’audio.

Ne l’utilisez pas, ou ne lui faites pas confiance seule, dans ces cas :

  • Vous pouvez obtenir de la stéréo. Les canaux confondent les locuteurs environ quatre fois moins sur nos appels, sans calcul.
  • Les voix se ressemblent. Deux voix de même accent et de même hauteur peuvent fusionner dans un seul groupe. La prochaine leçon montre le pire cas de notre jeu d’appels.
  • Plus de deux personnes, ou des personnes qui parlent en même temps. Le projet demande exactement deux groupes, et chaque trame a un locuteur. Une réunion ou un appel avec transfert demande davantage : ce sera la prochaine leçon.
  • Appels courts. Un appel avec seulement quelques segments donne trop peu de matière au regroupement.

Ce que cela coûte : le téléchargement unique du modèle (27 Mo), environ une demi-seconde de processeur par appel, et son erreur. La confusion est la partie coûteuse : l’équipe de Grace ne doit pas agir sur une phrase attribuée au mauvais nom. Temps des mots et alignement montre une vérification peu coûteuse pour les phrases qui comptent.

  1. Ouvrez le carnet depuis l’encadré Faites cette leçon dans un carnet Jupyter en haut de cette page.
  2. Exécutez les cellules de préparation et les deux cellules d’outils (la VAD fondée sur l’énergie et der).
  3. Dans la section 2, exécutez les deux cellules qui téléchargent et chargent le modèle de locuteur. Vous voyez que chaque plongement a 256 nombres.
  4. Dans la section 3, prédisez quelle paire se ressemble le plus, puis exécutez la cellule. Vous voyez 0.96 et 0.28.
  5. Dans la section 4, exécutez la cellule sur l’appel C-0052. Vous voyez 0.901 pour les deux tours de l’agent, puis 0.787 et 0.737 pour l’agent et l’appelant.
  6. Dans les sections 5 et 6, découpez l’appel C-0285 en segments, regroupez-les et calculez leurs scores. Le carnet utilise la VAD fondée sur l’énergie à -40 dBFS, donc ses nombres diffèrent de ceux du projet. Vous voyez 34 segments et un DER de 0.189, presque entièrement dû à la parole manquée (0.169), avec une confusion de 0.02.
  7. Exécutez la cellule de la carte, puis trouvez les segments dont la couleur et la forme ne concordent pas.
  8. Dans la section 7, prédisez l’effet de segments de 0,75 s sur la confusion. Exécutez ensuite la cellule. La confusion passe de 0.02 à 0.184 : un segment plus court décrit moins bien la voix.

Dans la section 9 du carnet, exécutez le même pipeline sur l’appel mono C-0217. Découpez-le avec pieces_of, calculez les plongements, puis regroupez les segments avec cluster_turns. Évaluez ensuite les tours de parole par rapport à true_turns(task_call). Placez la part de confusion, arrondie à trois décimales, dans task_confusion. Avant de l’exécuter, faites une prédiction : plus ou moins de confusion que pour C-0285 dans le carnet?

Afficher la réponse
task_call = calls["C-0217"]
z, zsr = read_audio("data/calls/phone/C-0217.wav", 16000)
zp = pieces_of(z, zsr)
ze = np.stack([embed(z[int(s * zsr):int(e * zsr)], zsr) for s, e in zp])
task_result = der(cluster_turns(zp, ze)[0], true_turns(task_call), task_call["duration"])
task_confusion = round(task_result["confusion"], 3)
print(task_confusion)
0.125

La confusion de C-0217 est de 0,125 : plus que celle de C-0285. Un appel peut être facile, et le suivant difficile. Mesurez donc toujours les résultats sur plusieurs appels avant de faire confiance à une méthode.

Erreur courante

Un segment atypique occupe tout un groupe

Symptôme : le premier carnet de Priya donne un DER de 0,563 pour l’appel C-0285. Sa confusion est de 0,412, bien pire que celle du projet. Sur la carte, presque tous les points ont la même couleur.

import collections
print(collections.Counter(labels.tolist()))
Counter({0: 46, 1: 1})

Cause : la première version gardait tous les segments restants à la fin d’une région de parole, même ceux d’une demi-seconde. Un segment court avait un plongement atypique, loin de tous les autres. Le regroupement agglomératif à deux groupes a placé ce segment seul dans le deuxième groupe. Il a placé les 46 autres segments, des deux voix, dans le premier.

Correction : retirez les segments restants de moins de 1 seconde, comme le fait maintenant le carnet. Comptez toujours les segments dans chaque groupe. Un groupe d’un ou deux segments signale une valeur aberrante, pas un locuteur. Après la correction, les deux groupes contiennent 20 et 14 segments, et la confusion descend à 0,02.

Conséquence pour le travail en IA : le rapport du DER affiche seulement un mauvais résultat; il n’en explique pas la cause. Sans ce décompte, vous pourriez accuser le modèle de locuteur et le remplacer. Pourtant, le problème venait d’un seul segment de bruit.

Vérifiez votre compréhension

Deux plongements sont (0,8, 0,6) et (0,6, -0,8). Quelle est leur similarité cosinus, et que vous indique-t-elle?

Afficher la réponse

La somme des carrés de chaque liste vaut 1. Le cosinus est donc la somme des produits. Cela donne 0,8 × 0,6 + 0,6 × (-0,8) = 0,48 − 0,48 = 0. Les deux listes ne sont pas liées : elles pointent à angle droit. Pour des plongements de locuteur, cela signifie deux voix très différentes. Les paires réelles de voix différentes dans les appels de Larkfield ne sont pas aussi éloignées. Leurs cosinus se situent souvent entre 0,6 et 0,9.

Vérifiez votre compréhension

Pourquoi le projet découpe-t-il la parole en segments de 1,5 seconde qui se chevauchent, plutôt qu'en tours de parole entiers?

Afficher la réponse

Dans un appel mono, nous ne savons pas où sont les tours de parole : le travail consiste à les trouver. Nous découpons donc toute la parole en segments courts. Un segment de 1,5 seconde contient assez de son pour décrire une voix. Il est aussi assez court pour contenir une seule personne la plupart du temps. Les segments se chevauchent. Un changement de locuteur tombe donc près du milieu d’un des segments. Les trames proches du changement prennent le locuteur du segment le plus proche. Les segments plus courts décrivent moins bien la voix. Dans le carnet, des segments de 0,75 seconde ont fait passer la confusion de C-0285 de 0,02 à 0,184.

Vérifiez votre compréhension

Tomás veut utiliser les plongements de locuteur pour tous les appels, stéréo ou mono, afin de garder un seul pipeline. Que disent les chiffres?

Afficher la réponse

Sur les 66 appels stéréo de validation et de test, la séparation par canal donne une confusion de 3,8 %. Le mélange de ces mêmes appels en mono, suivi de l’utilisation des plongements, donne 16,0 %. Un seul pipeline ajouterait donc environ 12 points de confusion sur les appels stéréo, tout en demandant plus de calcul. Conservez les canaux lorsqu’ils existent, et utilisez les plongements seulement pour les appels mono. Le code peut choisir la méthode selon le nombre de canaux dans le fichier.

Récapitulatif

  • Un plongement de locuteur décrit le son d’une voix sous forme de liste de nombres. Le modèle ouvert WeSpeaker du projet en utilise 256. La similarité cosinus indique à quel point deux listes se ressemblent.
  • Diarisation d’un appel mono : trouvez la parole et découpez-la en segments de 1,5 seconde qui se chevauchent. Calculez le plongement de chaque segment, regroupez les segments en deux groupes et appelez le premier groupe « agent ».
  • Sur les 44 appels mono synthétiques de Larkfield : DER de 37,0 %, dont 15,6 % de confusion. Même méthode sur les appels stéréo mélangés en mono : confusion de 16,0 %, contre 3,8 % par canal.
  • La frontière entre deux voix n’est pas nette : dans l’appel C-0285, 11 des 54 segments ont rejoint le mauvais groupe.
  • Comptez les segments dans chaque groupe : un groupe d’un seul segment représente une valeur aberrante, pas un locuteur.

Deux groupes fonctionnent pour deux locuteurs dont les voix sont différentes. Vous verrez ensuite ce qu’un pipeline préentraîné complet apporte pour le chevauchement et les locuteurs multiples. Vous verrez aussi ce que ses conditions vous imposent, et dans quels cas deux voix semblables restent fusionnées.

Leçon suivante : Les pipelines de diarisation préentraînés