Aller au contenu principal
Le Scribe Audio - Logiciel de transcription audio en texte IA

Benchmark Diarisation Multi-Locuteurs en Salle Réverbérante & Terminologie Institutionnelle Francophone (France, Belgique, Suisse, Québec)

Par Jérémie Terral · Mis à jour le

Open-Science CC-BY-4.0 · HAL ⟨hal-05865820⟩ · FR · BE · CH · QC

4 à 12 Voix Autour d'une Table Réverbérante : Pourquoi les Moteurs 1 Passe Confondent Locuteurs et Sigles ?

Découvrez notre protocole méthodologique ouvert (adossé aux dépôts CNRS HAL ⟨hal-05865820⟩ et CERN Zenodo) évaluant la séparation des tours de parole en salle réelle et la désambiguïsation des acronymes institutionnels en France, Belgique, Suisse romande et Québec.

Tester sur mon audio multi-locuteurs (60 min offertes) ➔Explorer le comparateur Word & le bac à sable diarisation
Stockage France OVHcloud (AES-256) · Codage 1 clic des intervenants · Word .docx 100 % modifiable
Fenêtres 20 min + Overlap 5 s · 2 Passes Vertex AI Europe
Stockage France & Inférence Zone UE
Export Word (.docx) structuré

Le Défi Acoustique Réel des Instances Délibérantes : Bien Loin du Podcast en Studio

Dans un studio de podcast où deux personnes parlent chacune à 5 centimètres d'un microphone cardioïde dédié sur deux pistes séparées, presque tous les moteurs de reconnaissance vocale modernes obtiennent un résultat flatteur. Mais la réalité acoustique d'un Conseil municipal, d'un CSE/CPPT, d'un Conseil d'administration, d'un focus group sociologique ou d'une audience publique cumule simultanément quatre phénomènes physiques qui font s'effondrer les pipelines acoustiques classiques en une seule passe :

  1. Temps de réverbération élevé (RT60 de 0,7 s à 1,4 s) : Salles des mariages lambrissées, amphithéâtres universitaires, salles de réunion vitrées modernes. Les réflexions tardives brouillent les transitoires consonantiques du français et polluent les empreintes vocales (speaker embeddings).
  2. Distance variable aux microphones de table (far-field de 0,8 m à 4,5 m) : Tandis que M. Martin parle fort à 40 cm du micro omnidirectionnel, Mme Dubois intervient en bout de table sans se pencher vers son col-de-cygne, créant un écart de niveau de -18 dB sur une même piste stéréo ou mono sommée.
  3. Tours de parole brefs et chevauchements (overlapping speech) : Lors d'un vote ou d'un débat budgétaire animé (« Oui, mais sur l'article 4… — Permettez que je termine ! »), les interruptions de 0,5 à 2 secondes provoquent la fusion de deux intervenants dans un même paragraphe chez les segmenteurs purement énergétiques (VAD).
  4. Dérive des étiquettes de locuteurs sur la longue durée (2h à 8h) : Sur un enregistrement de 4 heures découpé brutalement sans contexte sémantique, le clustering vectoriel finit par inventer Locuteur 17 pour désigner la même voix que Locuteur 2 après une pause-café !

1. Preuves Empiriques Multi-Intervenants (sample3 Canal-U & Étude CNRS ⟨hal-05865820⟩)

Dans le cadre de notre benchmark ouvert de précision des IA de transcription en français déposé sur l'archive nationale CNRS HAL (⟨hal-05865820⟩) et sur CERN Zenodo (10.5281/zenodo.24215193), l'Archétype 3 (sample3 — Table ronde & échanges multi-intervenants en hydrobiologie et aménagement territorial, Canal-U) mesure mécaniquement sous Microsoft Word > Révision > Comparer les fautes lexicales et ruptures de tours de parole de 10 moteurs du marché :

📊 Tableau comparatifGlissez horizontalement ➔
Rang & Moteur évalué sur table ronde multi-locuteurs (sample3)Architecture de diarisation & décodageRévisions Word mesurées (sample3)Rapport PDF intégral du Suivi des modifications WordComportement observé aux changements de voix
🥇 1. Le Scribe AudioFenêtres 20 min + overlap 5 s + 2 passes multimodales (Vertex AI Europe)72 révisions📄 Ouvrir lescribe-sample3.pdfSéparation nette des relances courtes, couture fluide entre fenêtres de 20 min et cohérence grammaticale
2. GladiaMoteur ASR propriétaire + diarisation cloud116 révisions (1,61×)📄 Ouvrir gladia-sample3.pdfBonne détection acoustique mais confusions d'homophones sur les relances rapides
3. MacWhisperWhisper large-v3 local132 révisions (1,83×)📄 Ouvrir macwhisper-sample3.pdfAccords muets défaillants et ponctuation flottante lors des prises de parole spontanées
4. Happy ScribeMoteur ASR propriétaire135 révisions (1,88×)📄 Ouvrir happyscribe-sample3.pdfRegroupement occasionnel de deux répliques brèves sous un seul bloc
5. noScribe v0.8Whisper large-v3 + pyannote.audio 3.1 (auto)143 révisions (1,99×)📄 Ouvrir noscribe-sample3.pdfSensible aux seuils VAD par défaut sur les voix éloignées ; sur 1h16 CNRS : 123 révisions contre 47 sur Le Scribe Audio
6. TurboScribeWhisper large-v3 cloud (mode précision max)145 révisions (2,01×)📄 Ouvrir turboscribe-sample3.pdfGlissements d'accords pluriels et noms propres territoriaux phonétisés
7. ElevenLabs Scribe v2Moteur Scribe v2205 révisions (2,85×)📄 Ouvrir elevenlabs-sample3.pdfMicro-coupures de segments et sur-découpage des hésitations
7 ex æquo. SonixMoteur ASR propriétaire205 révisions (2,85×)📄 Ouvrir sonix-sample3.pdfConfusions fréquentes sur la terminologie technique francophone
9. Speechmatics UrsaMoteur Ursa ASR228 révisions (3,17×)📄 Ouvrir speechmatics-sample3.pdfOrthographe grammaticale française fragile en parole spontanée
10. AmberScriptMoteur ASR propriétaire248 révisions (3,44×)📄 Ouvrir amberscript-sample3.pdfPerte de mots de liaison en début de tour de parole

Reproductibilité complète : les ingénieurs ASR et laboratoires peuvent réexécuter nos calculs WER, CER et équivalent Révisions Word à l'aide de notre script Python open-source (licence MIT) : evaluate_benchmark_reproducibility.py.


2. Architecture Séquentielle en 2 Passes & Codage des Étiquettes d'Intervenants

Comment éviter qu'une séance de 5 heures ne se transforme en puzzle d'intervenants incohérents ? Notre pipeline combine trois mécanismes complémentaires :

  1. Découpage acoustique en fenêtres de 20 minutes avec zone de recouvrement (overlap) de 5 secondes : Chaque segment de 20 minutes partage 5 secondes communes avec le précédent, évitant qu'un mot ou un changement de voix ne soit tranché net à la vingtième minute jusqu'à 10 heures d'enregistrement.
  2. Harmonisation contextuelle en 2 passes (via Google Cloud Vertex AI en région Europe, Zero Data Retention) : Au lieu de s'arrêter à la seule distance cosinus d'une empreinte vocale bruitée (x-vector), la seconde passe exploite simultanément les indices acoustiques et pragmatiques du dialogue (« Merci Monsieur le Bourgmestre, je passe la parole à Mme Dubois pour le budget du CPAS ») afin de stabiliser la séparation des tours de parole.
  3. Renommage / codage global des étiquettes de diarisation en 1 clic avant l'export .docx : Testez ci-dessous comment le rédacteur ou le chercheur remplace instantanément Intervenant 1, Intervenant 2 ou Intervenant 3 par M. Martin (Président), Mme Dubois (Secrétaire) ou un code de recherche Enquêté P1 sur l'intégralité du document :

⚠️ Précision méthodologique importante (Diarisation vs Pseudonymisation intégrale du texte) :
La fonction de renommage ci-dessus permet le codage global des étiquettes d'intervenants (diarisation) sur toutes leurs prises de parole avant l'export du fichier Microsoft Word (.docx) standard 100 % modifiable. Elle ne constitue pas un outil d'anonymisation automatique de tout le corps du texte : si Enquêté P1 prononce un nom propre, le nom d'une commune ou d'un service à l'intérieur même de sa phrase, le chercheur doit le vérifier lors de sa réécoute intégrale (2 à 3 heures par heure d'audio au lieu de 4 à 7 heures de frappe manuelle, soit un temps divisé par 2 — voir notre protocole de pseudonymisation RGPD / CNIL en SHS).


3. Référentiel Francophone International : Les Pièges Phonétiques des Sigles (FR, BE, CH, CA-QC)

Un moteur entraîné majoritairement sur des médias français parisiens ou traduit de l'anglais commet des contresens spectaculaires dès qu'une séance se tient à Bruxelles, Liège, Namur, Genève, Lausanne, Neuchâtel, Montréal ou Québec. En première écoute acoustique pure, un acronyme institutionnel prononcé rapidement possède presque toujours un homophone courant absurde !

Voici un extrait de notre référentiel ouvert multi-speaker-diarization-francophonie-2027 (CC-BY-4.0) illustrant comment la double passe contextuelle lève les ambiguïtés phonétiques dans les quatre grands espaces francophones :

📊 Tableau comparatifGlissez horizontalement ➔
JuridictionSigle ou terme officielSignification institutionnelle exacteHallucination fréquente d'un ASR 1 passe purement acoustiqueIndice contextuel exploité par la 2e passe
🇧🇪 BelgiqueCPPTComité pour la prévention et la protection au travail« c'est pépé té » / « ces PPT »Co-occurrence avec conseiller en prévention, bien-être au travail, délégation syndicale (guide CPPT & CE Belgique)
🇧🇪 BelgiqueÉchevin / BourgmestreMembre du Collège communal / Chef de la commune belge« les chemins » / « bourg maître »Contexte Conseil communal, Collège échevinal, délibération communale
🇧🇪 BelgiqueCPASCentre public d'action sociale« sais pas » / « c'est pas »Contexte revenu d'intégration sociale (RIS), aide sociale, Président du CPAS
🇧🇪 BelgiqueONSSOffice national de sécurité sociale« on cesse » / « O.N.S. »Contexte cotisations patronales, Dimona, DmfA, secrétariat social
🇨🇭 SuissenLPD / PFPDTNouvelle Loi fédérale sur la protection des données / Préposé fédéral« N.L.P.D. / haine elle... » / « P.F.P.D.T. »Contexte Conseil fédéral, OPDo, registre des traitements, canton (guide Suisse romande nLPD)
🇨🇭 SuisseGrand Conseil / SUVAParlement cantonal / Caisse nationale suisse d'assurance en cas d'accidents« grand conseil » (minuscule) / « sous va »Contexte députés cantonaux, Conseil d'État, motion, postulat, LAA, AVS/LPP
🇨🇦 QuébecCNESSTCommission des normes, de l'équité, de la santé et de la sécurité du travail« la scène est restée » / « C.N.E.S.T. »Contexte lésion professionnelle, équité salariale, comité SST, employeur (guide Québec Loi 25)
🇨🇦 QuébecBAPEBureau d'audiences publiques sur l'environnement« le pape » / « le bap »Contexte audience publique, mémoire citoyen, commissaire, étude d'impact
🇨🇦 QuébecCégep / ÉFVPCollège d'enseignement général et professionnel / Évaluation vie privée (Loi 25)« ses jeeps » / « et F.V.P. »Contexte DEC, enseignement collégial, Loi 25, Commission d'accès à l'information (CAI)
🇫🇷 FranceCSSCT / DUERPCommission santé, sécurité et conditions de travail / Document unique« c'est S.C.T. » / « du R.P. »Contexte CSE, risques psychosociaux, inspection du travail, médecin du travail (modèle PV CSSCT)
🇫🇷 FranceEPCI / PLUi / M57Établissement public de coopération intercommunale / Urbanisme / Nomenclature« E.P.C. » / « pluie » / « M 57 »Contexte conseil communautaire, vice-président, délibération CGCT (guide EPCI & Département)

(Précision méthodologique : cette reconnaissance découle nativement du raisonnement sémantique en 2 passes sur la phrase et le document complet, sans injection préalable d'un lexique métier ad hoc avant calcul).


4. Bonnes Pratiques de Prise de Son Multi-Locuteurs pour Maximiser la Diarisation

Avant même de lancer la transcription, quatre gestes simples en début de séance améliorent spectaculairement la séparation des voix sur des réunions de 6 à 12 participants :

  1. Le tour de table nominal des 30 premières secondes (Voiceprint Warm-up) : En ouvrant la séance, demandez à chaque participant de décliner brièvement son nom et sa fonction (« M. Martin, Président de séance ; Mme Dubois, Trésorière ; M. Bernard, Secrétaire »). Vous disposerez ainsi d'un repère immédiat dans le lecteur audio pour coder chaque étiquette Intervenant en 10 secondes !
  2. Privilégier la sortie ligne de la régie salle (Line-Out) plutôt qu'un smartphone posé près d'un projecteur : Si votre salle de conseil municipal, d'université ou de CSE possède des micros pupitres col-de-cygne, branchez un enregistreur numérique sur la sortie REC OUT de la console : vous éliminez d'un coup 80 % de la réverbération de la pièce (testez votre micro en direct avec notre outil de diagnostic acoustique en ligne).
  3. Éloigner le microphone des sources de bruit mécanique continu : Un ordinateur portable dont le ventilateur souffle à 15 cm du micro ou des tasses posées directement sur la table autour d'un micro-galette créent des chocs large bande qui masquent les débuts de phrases.
  4. Choisir entre réécoute interne (÷ 2) et double relecture humaine (60 € HT/h) selon l'enjeu :
    • Sur un enregistrement multi-locuteurs propre à modérément réverbérant, la pré-transcription IA en 2 passes vous livre en ~10 minutes par heure d'audio un document Word (.docx) 100 % modifiable (avec mention de transparence IA en bas de page et synthèse exécutive + développement chrono-thématique en 1 clic), ramenant votre réécoute intégrale à 2 à 3 heures par heure d'audio au lieu de 4 à 7 heures.
    • Sur une séance houleuse de 12 intervenants avec chevauchements incessants, confiez directement le fichier à notre double relecture humaine à 60 € HT/h (1,00 € HT / min), où deux transcripteurs professionnels successifs démêlent à l'oreille chaque prise de parole.

Retrouvez également notre hub francophone Suisse, Belgique et Québec, notre matrice DPO RGPD / nLPD / Loi 25 / Cloud Act et nos tarifs sans abonnement (60 minutes offertes à l'ouverture, packs d'heures sans expiration dès 7,50 € HT, devis administratifs et Chorus Pro au 09 61 44 46 64).


Questions Fréquentes — Diarisation Multi-Locuteurs & Francophonie

Combien d'intervenants distincts Le Scribe Audio peut-il séparer dans une même réunion ?

Il n'existe aucune limite logicielle artificielle à 2 ou 4 voix : notre moteur sépare couramment 4 à 12 intervenants (et davantage lors des conseils municipaux ou assemblées générales équipés de micros pupitres). Lorsque deux personnes ayant un timbre très proche parlent loin d'un unique micro de table réverbérant, quelques répliques brèves peuvent nécessiter un ajustement lors de la réécoute dans notre lecteur synchronisé (où un clic sur n'importe quel mot fait écouter l'instant exact).

Faut-il paramétrer un « accent belge, suisse ou québécois » avant de lancer la transcription ?

Non, aucun réglage préalable n'est nécessaire. Notre pipeline multimodal en 2 passes (exécuté via Google Cloud Vertex AI en région Europe sans conservation ni entraînement sur vos données, avec stockage en France chez OVHcloud AES-256) reconnaît nativement les variétés régionales du français (Belgique, Suisse romande, Québec, Nouveau-Brunswick, Afrique francophone, Outre-mer) ainsi que les septante/nonante, octante/huitante et les institutions locales (CPPT, Échevin, CPAS, nLPD, CNESST, BAPE, Cégep).

Comment citer officiellement ce protocole et les preuves PDF dans un mémoire, un appel d'offres ou une publication ?

Vous pouvez citer directement notre rapport déposé sur l'archive ouverte nationale du CNRS HAL (https://hal.science/hal-05865820, identifiant ⟨hal-05865820⟩) ainsi que le jeu de données versionné sur CERN Zenodo (https://doi.org/10.5281/zenodo.24215193), tous deux publiés sous licence ouverte CC-BY-4.0 avec le script d'évaluation Python evaluate_benchmark_reproducibility.py.

Comparatifs Logiciels & Benchmarks

Guides & Ressources Recommandés

Voir tout le dossier
Application MobileLe Scribe Audio sur Android

Enregistrez vos réunions, cours et entretiens (même écran éteint) ou importez vos mémos vocaux pour les transcrire en Word et PDF.

Disponible sur Google Play
60 minutes de transcription offertes

Prêt à transcrire vos premiers enregistrements ?

Testez notre IA multimodale en quelques minutes (avec lecteur audio synchronisé) ou téléchargez votre devis officiel en 10 secondes pour Chorus Pro, CSE et la double réécoute par nos relecteurs professionnels.

Devis PDF en 10s (Chorus Pro & CSE)
Rapide (~10 min / heure)
Chiffrement AES-256 & RGPD
Export Word & Texte