Séparer d'abord par canal
- Leçon 15
- 30 min
- Module 5 : Qui a parlé et quand : diarisation et temps des mots
Où nous en sommes
Nous avons maintenant de bonnes transcriptions, mais elles ne disent pas qui a parlé. Grace doit savoir ce que l'agent a promis. Dans cette leçon, nous séparons les locuteurs par canal. C'est la méthode la plus simple et la meilleure quand le système téléphonique enregistre chaque côté séparément.
Leçon 15 sur 36 · IA de la parole : transcrire, comprendre et parlerSéparer d'abord par canal
1. Le problème de la parole et son coût
2. Mesurer avant de choisir
3. Trouver la parole : la détection d'activité vocale
4. Reconnaissance de la parole : comparer les familles
5. Qui a parlé et quand : diarisation et temps des mots
6. De la transcription à la décision
7. Construire un petit serveur vocal interactif
8. Du serveur vocal à l'agent vocal
9. L'exploiter en production, en sécurité
Ce que vous saurez faire
Trouvez qui a parlé et quand dans un appel téléphonique. Quand le système téléphonique enregistre l’agent et l’appelant sur des canaux séparés, chaque canal correspond à une personne. Le travail est alors gratuit, et c’est la meilleure méthode possible.
Carnet JupyterFaites cette leçon dans un carnet Jupyter
Le carnet (notebook) Jupyter contient le code, les tâches et les vérifications de cette leçon. Il calcule à la main le taux d’erreur de diarisation d’un tout petit exemple et sépare un appel stéréo par canal. Il montre aussi les effets des conversations en arrière-plan et d’un enregistrement mono. Il ne nécessite aucun téléchargement de modèle ni aucun compte. Environ 25 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 main
Ce que vous devez savoir
- Ce que fait la détection d’activité vocale (VAD) : elle marque les parties d’un enregistrement où quelqu’un parle. Consultez Parole ou silence? et WebRTC VAD et Silero VAD.
- Ce qu’est un enregistrement téléphonique stéréo : deux canaux, un pour chaque côté. Consultez Canaux : stéréo et mono dans L’audio comme des données.
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
larkspeechà la fin du module 4, avec les données du cours danslarkspeech/data. La commandespeech transcribe --helpy fonctionne. - Le dossier des exercices
nextia-learning-labsà côté delarkspeech. Cette leçon copie cinq fichiers de l’instantanéend-of-m05et installe deux nouveaux paquets.
Testé sur macOS avec Python 3.12. Les commandes Windows (PowerShell) n’ont pas été testées.
Deux oreilles, deux personnes
Section intitulée « Deux oreilles, deux personnes »Imaginez une cheffe d’équipe dans un centre d’appels. Elle vérifie un appel enregistré avec des écouteurs. Le système téléphonique a placé l’agent dans son oreille gauche et l’appelant dans son oreille droite. Elle ne se demande jamais « qui a dit ça? ». Le côté où elle l’entend le lui indique.
Elle reçoit maintenant le même appel sur une seule piste, avec les deux voix dans les deux oreilles. Elle peut encore suivre, mais elle doit maintenant écouter les voix. Quand les deux voix se ressemblent, elle doit se concentrer.
Un ordinateur rencontre les deux mêmes cas. Certains systèmes téléphoniques enregistrent chaque côté de l’appel sur son propre canal. D’autres mélangent les deux personnes dans un seul canal. Ce module porte sur le travail de la cheffe d’équipe : trouver qui a parlé et quand.
Le problème : une transcription sans noms
Section intitulée « Le problème : une transcription sans noms »Le module 4 nous a donné de bonnes transcriptions. Mais une transcription est un seul long texte. Voici la fin de l’appel C-0146, telle qu’un système de reconnaissance l’écrit :
… it shipped on the ninth of July and it is on its way I will ask the courier to call you before tomorrow’s delivery …
… is there anything else I can help you with that’s everything thank you …
Grace, la responsable du soutien, doit vérifier ce que l’agent a promis. Ici, l’agent a promis un appel du livreur. Si la fiche d’appel indique que l’appelant l’a dit, personne ne fait le suivi et la promesse n’est pas tenue. Le tableau des coûts de Grace attribue un coût de 25 $ US à un suivi manqué (une hypothèse). Une transcription sans noms de locuteurs ne peut pas la renseigner.
L’idée : la diarisation
Section intitulée « L’idée : la diarisation »Trouver qui a parlé et quand s’appelle la diarisation. Le mot vient de l’anglais « diary » (journal intime) : le récit de ce qui s’est passé, et quand. Un système de diarisation reçoit un enregistrement et renvoie des tours de parole. Chacun indique un début, une fin et un locuteur pour une partie de la parole. Par exemple : de 0,9 s à 7,9 s, l’agent; de 8,5 s à 13,7 s, l’appelant.
Malik, l’ingénieur en téléphonie, connaît un raccourci. Le système téléphonique de Larkfield peut enregistrer chaque appel en stéréo : l’agent sur le canal 1 et l’appelant sur le canal 2. Chaque canal contient alors une personne. La diarisation devient une VAD sur chaque canal. La parole du canal 1 vient de l’agent, et celle du canal 2 vient de l’appelant. Aucun modèle de locuteur n’est nécessaire.
Parmi les 110 appels de validation et de test de Larkfield, 66 sont stéréo et 44 sont mono. Cette leçon utilise les appels stéréo. La prochaine leçon traite les appels mono.
Comment la mesurer : le taux d’erreur de diarisation
Section intitulée « Comment la mesurer : le taux d’erreur de diarisation »Il nous faut un nombre pour répondre à « ces tours de parole sont-ils bons? », comme le WER pour les transcriptions. C’est le taux d’erreur de diarisation, ou DER. Il compte trois types d’erreurs, en secondes :
- Parole manquée : quelqu’un a parlé, mais le système n’a trouvé aucun locuteur.
- Fausse parole : le système a trouvé un locuteur, mais personne n’a parlé.
- Confusion de locuteur : le système a attribué la parole à la mauvaise personne.
DER = (parole manquée + fausse parole + confusion) / durée réelle de parole
Les locuteurs du système peuvent avoir d’autres noms, comme « A » et « B ». Le DER les associe donc d’abord aux vrais noms de façon à produire le moins d’erreurs. Il exclut aussi une courte marge de tolérance (collar) de 0,25 s autour de chaque vrai changement de locuteur. Personne ne peut dire au centième de seconde où commence un tour de parole.
Un tout petit exemple détaillé
Section intitulée « Un tout petit exemple détaillé »Les vrais tours de parole : l’agent parle de 0 à 2 s, et l’appelant de 2 à 4 s. Le système a trouvé le locuteur « A » de 0 à 3 s et le locuteur « B » de 3 à 3,5 s. Nous n’utilisons aucune marge de tolérance ici.
Description textuelle du diagramme
La rangée du haut montre la réalité : l’agent de 0 à 2 s, puis l’appelant de 2 à 4 s. La rangée du milieu montre le résultat du système : A de 0 à 3 s, puis B de 3 à 3,5 s. A est associé à l’agent, et B à l’appelant. La rangée du bas marque les erreurs. De 0 à 2 s, A est l’agent : c’est correct. De 2 à 3 s, A parle encore, mais le vrai locuteur est l’appelant : 1 s de confusion. De 3 à 3,5 s, B est l’appelant : c’est correct. De 3,5 à 4 s, le système ne trouve personne : 0,5 s de parole manquée. Il n’y a aucune fausse parole.
| Partie | Secondes | Part des 4 s de parole |
|---|---|---|
| Parole manquée | 0,5 | 12,5 % |
| Fausse parole | 0 | 0 % |
| Confusion | 1,0 | 25,0 % |
| DER | 1,5 | 37,5 % |
Regardez toujours les trois parties, pas seulement le total. Leurs causes et leurs solutions sont différentes. La parole manquée et la fausse parole viennent de la VAD : elle décide quand quelqu’un parle. La confusion vient de la méthode qui décide qui parle.
Séparer un appel stéréo
Section intitulée « Séparer un appel stéréo »La méthode comporte quatre étapes :
Description textuelle du diagramme
Le diagramme commence par un appel stéréo : l’agent sur le canal 1 et l’appelant sur le canal 2. L’étape 1 exécute une VAD sur chaque canal. Le projet utilise Silero VAD et conserve son résultat, parole ou silence, pour chaque trame de 10 ms. L’étape 2 traite les trames où les deux canaux semblent contenir de la parole : le canal le plus fort conserve la trame. L’étape 3 transforme la parole du canal 1 en tours de l’agent, et celle du canal 2 en tours de l’appelant. L’étape 4 mesure le DER par rapport aux vrais tours de parole.
L’étape 2 demande une explication. Dans un appel calme, l’agent et l’appelant parlent rarement en même temps. Si les deux canaux contiennent de la parole, quelque chose ne va donc pas. Habituellement, un côté contient du bruit que la VAD prend pour de la parole.
Quand le côté de l’appelant n’est pas calme
Section intitulée « Quand le côté de l’appelant n’est pas calme »Écoutez le canal de l’appelant de l’appel C-0056 pendant les premières secondes de l’appel. L’appelant se trouve dans une pièce où d’autres personnes parlent. À ce moment, l’agent parle sur l’autre canal.
Les conversations en arrière-plan sont de la vraie parole, donc la VAD du canal de l’appelant les classe comme de la parole. L’« appelant » semble alors parler pendant que l’agent parle. L’image montre les 24 premières secondes de cet appel.
Description textuelle du diagramme
Les deux rangées du haut montrent le son des deux canaux. Le canal 1 contient les tours de l’agent : le message d’accueil de 0,9 à 7,8 s, puis des tours de 12,8 à 15,9 s et à partir de 19,6 s. Le canal 2 contient les tours de l’appelant de 8,5 à 12,1 s et de 16,6 à 18,8 s. Il contient aussi, en permanence, une bande faible et constante de conversations en arrière-plan. Les trois rangées du bas montrent les tours de parole. Réalité : agent, appelant, agent, appelant, agent. Chaque côté seul : la VAD du canal 2 trouve de la parole de 0 s à 38,4 s sans interruption. La rangée de l’appelant couvre donc toute l’image, et les tours de l’agent sont trouvés par-dessus. Le plus fort l’emporte : dans les trames où les deux canaux contiennent de la parole, le côté le plus fort conserve la trame. L’agent garde la plupart de ses tours, en courts morceaux, et l’appelant garde les intervalles entre les mots de l’agent.
La solution est la règle « le plus fort l’emporte » de l’étape 2. Dans une trame de 10 ms où les deux canaux contiennent de la parole, le canal le plus fort conserve la trame. Sur C-0056, la règle réduit la confusion de 77,2 % à 15,6 % du temps de parole, et le DER passe de 84,2 % à 42,2 %. Elle ne règle pas tout : 19,6 % de la parole est maintenant manquée, et les tours de l’agent sont coupés en courts morceaux. Ces nombres portent sur les appels synthétiques de Larkfield, comme tous les nombres de cette leçon.
Larkfield : faire la diarisation avec le projet
Section intitulée « Larkfield : faire la diarisation avec le projet »L’instantané end-of-m05 ajoute la commande speech diarize. Elle utilise Silero VAD du module 3 et le DER de cette leçon. Elle ajoute aussi le modèle de locuteur pour la prochaine leçon.
-
Dans votre dossier
larkspeech, avec l’environnement virtuel actif, copiez les fichiers de ce module depuis l’instantanéend-of-m05:Fenêtre de terminal S=../nextia-learning-labs/C41/snapshots/end-of-m05cp "$S/larkspeech/models.py" larkspeech/cp "$S/larkspeech/diarize.py" larkspeech/cp "$S/larkspeech/commands/diarize.py" larkspeech/commands/cp "$S/tests/test_diarize.py" tests/cp "$S/requirements.txt" .Fenêtre de terminal $S = "..\nextia-learning-labs\C41\snapshots\end-of-m05"Copy-Item "$S\larkspeech\models.py" larkspeech\Copy-Item "$S\larkspeech\diarize.py" larkspeech\Copy-Item "$S\larkspeech\commands\diarize.py" larkspeech\commands\Copy-Item "$S\tests\test_diarize.py" tests\Copy-Item "$S\requirements.txt" .Le nouveau
requirements.txtajoute deux lignes :sherpa-onnx==2.0.1, qui exécute le modèle de locuteur de la prochaine leçon, etscikit-learn==1.9.1, pour le regroupement (clustering). -
Installez les nouveaux paquets :
Fenêtre de terminal pip install -r requirements.txt -
Exécutez les tests. Trois nouveaux tests vérifient le DER et la règle du plus fort :
Fenêtre de terminal pytest -q........................ [100%]24 passed in 12.10sLa durée varie d’un ordinateur à l’autre.
-
Faites la diarisation des 40 appels de test stéréo par canal. Cela prend quelques secondes :
Fenêtre de terminal speech diarize --method channel --split testchannel on 40 test calls: mean DER 31.5%missed 26.4%, false 1.2%, confusion 3.9%worst: C-0096 61%, C-0167 56%, C-0248 55%La première ligne donne le DER moyen des 40 appels. La deuxième donne ses trois parties. La dernière nomme les trois appels avec le DER le plus élevé.
-
Exécutez de nouveau la commande sans la règle du plus fort :
Fenêtre de terminal speech diarize --method channel --split test --each-side-alonechannel on 40 test calls: mean DER 36.4%missed 23.9%, false 1.2%, confusion 11.3%worst: C-0056 84%, C-0248 76%, C-0167 76%La confusion est presque trois fois plus élevée. Les pires appels contiennent des conversations en arrière-plan.
-
Examinez un appel calme, C-0052, tour par tour :
Fenêtre de terminal speech diarize --method channel --call C-0052C-0052 (stereo), channel: DER 4.8% (missed 4.8%, false 0.0%, confusion 0.0%)0.89 3.23 agent3.45 5.89 agent6.17 7.52 agent8.53 12.70 caller13.21 16.03 agent…Chaque ligne est un tour de parole : début, fin, locuteur. La VAD sépare le message d’accueil de l’agent aux pauses, mais chaque tour porte le bon nom.
D’où vient l’erreur
Section intitulée « D’où vient l’erreur »Le graphique montre les trois parties du DER sur les 66 appels stéréo des données de validation et de test.
Description textuelle du diagramme
Deux barres horizontales, chacune divisée en trois parties. Le plus fort l’emporte : parole manquée 23,8 %, fausse parole 1,2 % et confusion 3,8 %, soit un DER de 28,7 %. Chaque côté seul : parole manquée 21,2 %, fausse parole 1,2 % et confusion 11,1 %, soit un DER de 33,5 %. La règle du plus fort élimine un peu de vraie parole, ce qui augmente la parole manquée de 2,6 points. Mais elle élimine 7,3 points de confusion.
La majeure partie du DER est de la parole manquée, environ 24 %. Les canaux n’en sont pas la cause : c’est la VAD. À son seuil par défaut de 0,5, Silero VAD manque environ 19 % du temps de parole sur notre audio téléphonique. La leçon WebRTC VAD et Silero VAD l’a mesuré. La confusion n’est que de 3,8 %. Les canaux répondent donc très bien à « qui ». Pour améliorer davantage le DER, vous régleriez la VAD, qui répond à « quand ».
La parole manquée compte moins pour Grace que la confusion. Une demi-seconde manquée au bord d’un tour change rarement la fiche d’appel. Une phrase attribuée à la mauvaise personne peut la changer complètement.
Quand l’utiliser et combien cela coûte
Section intitulée « Quand l’utiliser et combien cela coûte »Utilisez cette méthode dès que le système téléphonique peut enregistrer chaque côté séparément. Elle ne coûte rien : aucun modèle, aucun téléchargement, et quelques secondes pour 40 appels sur un portable. Sa confusion est la plus faible de toutes les méthodes de ce module. Si vos appels sont mono aujourd’hui, demandez l’enregistrement stéréo au fournisseur téléphonique. C’est souvent un réglage. Un seul réglage peut valoir plus que n’importe quel modèle.
Ne lui faites pas confiance aveuglément dans ces cas :
- Un canal contient deux personnes. L’appelant passe le téléphone à un partenaire, ou l’agent transfère l’appel à un collègue. Chaque canal contient encore un « côté », mais pas une seule personne.
- Écho. Sur certaines lignes, la voix de l’agent se retrouve dans le canal de l’appelant. La règle du plus fort aide, car cette fuite est plus faible que l’original.
- Les canaux sont dans un autre ordre. Tous les systèmes téléphoniques ne placent pas l’agent sur le canal 1. Vérifiez une fois avec un appel connu (voir le cas d’échec ci-dessous).
Le coût de cette méthode est un réglage à décider dans le système téléphonique, pas du calcul. Les fichiers stéréo sont deux fois plus gros que les fichiers mono. Pour l’audio téléphonique G.711, cela représente 16 ko par seconde au lieu de 8 ko.
Exercice guidé : séparer un appel stéréo
Section intitulée « Exercice guidé : séparer un appel stéréo »- Ouvrez le carnet depuis l’encadré Faites cette leçon dans un carnet Jupyter en haut de cette page.
- Exécutez les cellules de préparation et la cellule utilitaire. La cellule de préparation se termine par une ligne
Ready:(prêt). - Dans la section 2, exécutez la cellule avec
der. Prédisez le DER du tout petit exemple, puis exécutez la cellule suivante. Vous voyez un DER de 0,375 : parole manquée 0,125, confusion 0,25. - Dans la section 3, exécutez la séparation de l’appel C-0069. Le carnet utilise la VAD fondée sur l’énergie du module 3. Vous voyez un DER de 0,118, entièrement dû à la parole manquée, et aucune confusion.
- Exécutez la cellule de dessin. Comparez les vrais tours de parole aux tours trouvés.
- Dans la section 4, prédisez l’effet des conversations en arrière-plan sur l’appel C-0056 à -40 dBFS. Puis exécutez la cellule. Vous voyez un DER de 0,871, surtout dû à la confusion (0,764). À -30 dBFS, le DER est de 0,226.
À vous de jouer : ce qu’un enregistrement mono perd
Section intitulée « À vous de jouer : ce qu’un enregistrement mono perd »Dans la section 6 du carnet, mélangez les deux canaux de C-0069 en un seul avec stereo.mean(axis=1). Exécutez la VAD fondée sur l’énergie sur ce mélange à -40 dBFS. Nommez chaque région de parole "agent", car un seul canal ne permet pas de savoir qui parle. Calculez ensuite le DER par rapport aux vrais tours de parole. Avant de l’exécuter, faites une prédiction : quelle partie du DER augmentera le plus?
Afficher la réponse
mono = stereo.mean(axis=1)mono_turns = [(s, e, "agent") for s, e in energy_vad(mono, sr, -40)]mono_der = der(mono_turns, truth, call["duration"])["der"]print(round(mono_der, 3))0.435Le DER passe de 0,118 à 0,435. La nouvelle erreur est la confusion. Dans cet appel, l’appelant parle pendant environ 43 % du temps de parole. Toute sa parole est maintenant attribuée à l’agent. Un seul canal conserve les mots, mais perd le « qui ». La prochaine leçon distingue les voix.
Erreur courante
Les canaux inversés
Symptôme : Amira configure un deuxième système téléphonique pour la ligne en français. Le DER de ses appels semble normal. Mais dans les fiches d’appel, l’appelant promet maintenant des remboursements, et l’agent les demande.
swapped = by_channel(stereo, sr, speakers=("caller", "agent"))print("DER with the names swapped:", round(der(swapped, truth, call["duration"])["der"], 3))first = swapped[0]print("the first turn is labelled", first[2], "- the truth says", truth[0][2])DER with the names swapped: 0.118the first turn is labelled caller - the truth says agentCause : le nouveau système place l’appelant sur le canal 1. Le DER ne le détecte pas, car il associe les noms de façon optimale avant de compter les erreurs. Une inversion complète n’ajoute aucune erreur au DER.
Correction : vérifiez l’ordre des canaux une fois pour chaque système téléphonique, avec un appel connu. Les agents de Larkfield parlent en premier et disent « Thank you for calling Larkfield » (merci d’appeler Larkfield). Testez ensuite les noms des tours de parole, pas seulement le DER. Par exemple, le premier tour de chaque appel doit appartenir à l’agent.
Conséquence pour le travail en IA : un modèle de résumé traite les noms comme des faits. Avec des canaux inversés, chaque promesse est attribuée à l’appelant et chaque suivi est perdu. Pourtant, le rapport du DER indique toujours que tout va bien.
Vérification des connaissances
Section intitulée « Vérification des connaissances »Vérifiez votre compréhension
Dans un passage de 10 secondes d'un appel, les personnes parlent pendant 8 secondes. Le système manque 1 seconde de parole, détecte de la parole dans 0,4 seconde de silence et attribue 0,6 seconde au mauvais locuteur. Quel est le DER, et quelle partie devriez-vous corriger en premier?
Afficher la réponse
DER = (parole manquée + fausse parole + confusion) / temps de parole réel = (1 + 0,4 + 0,6) / 8 = 2 / 8 = 25 %. La parole manquée représente la plus grande part. Régler la VAD donne donc la plus forte baisse du DER. Mais pour les décisions, les 0,6 seconde de confusion peuvent compter davantage. Une phrase attribuée au mauvais locuteur peut changer la fiche d’appel. Examinez les deux.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
Tomás dit que la règle « le plus fort l'emporte » est du bricolage. Selon lui, une meilleure VAD la rendrait inutile. A-t-il raison pour les appels de Larkfield?
Afficher la réponse
Seulement en partie. Les conversations en arrière-plan du côté de l’appelant sont de la vraie parole. Une bonne VAD les détecte donc souvent comme de la parole. Une meilleure VAD ne les éliminerait pas. Dans un appel téléphonique, les deux côtés parlent rarement en même temps. Le côté le plus fort donne donc une bonne indication de qui parle réellement. Sur les 66 appels stéréo de validation et de test, cette règle réduit la confusion de 11,1 % à 3,8 % du temps de parole. Une meilleure VAD réduirait surtout la parole manquée, qui est une autre partie du DER.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
Omar demande pourquoi le cours n'utilise pas un modèle de locuteur sur chaque appel. Ce modèle fonctionnerait aussi sur les appels stéréo. Que lui répondez-vous?
Afficher la réponse
Quand le système téléphonique enregistre chaque côté séparément, le canal indique qui parle, sans coût supplémentaire. Aucun modèle ni téléchargement n’est nécessaire, et quelques secondes suffisent pour 40 appels. Cette méthode confond aussi moins les locuteurs qu’un modèle de locuteur. La confusion est de 3,8 % avec les canaux sur les appels stéréo. Elle atteint 15,6 % avec les plongements de locuteur sur les appels mono (la prochaine leçon). Utilisez un modèle de locuteur seulement quand vous n’avez pas de canaux séparés. L’amélioration la moins chère consiste souvent à demander un enregistrement stéréo au fournisseur de téléphonie.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Récapitulatif
- La diarisation détermine qui a parlé et quand : des tours de parole avec un début, une fin et un locuteur.
- DER = (parole manquée + fausse parole + confusion) / temps de parole réel. Les noms sont d’abord associés. Une marge de 0,25 seconde autour de chaque changement n’est pas évaluée. Présentez toujours les trois parties séparément.
- Dans un appel stéréo, chaque canal correspond à un côté. La diarisation consiste donc à appliquer une VAD à chaque canal. La règle « le plus fort l’emporte » évite d’attribuer les conversations en arrière-plan à l’appelant.
- Sur les 66 appels stéréo de validation et de test de Larkfield : DER de 28,7 %, dont 23,8 % de parole manquée (la VAD) et seulement 3,8 % de confusion.
- Inverser l’ordre des canaux ne change pas le DER, mais attribue chaque phrase au mauvais nom. Vérifiez les noms.
Les canaux donnent le « qui » sans coût supplémentaire, mais 44 des 110 appels de validation et de test de Larkfield sont mono. Ensuite, vous distinguerez deux voix selon leur son, avec des plongements de locuteur et du regroupement (clustering).
Leçon suivante : Plongements de locuteur et regroupement