Diarisation : savoir qui a dit quoi en réunion

Un compte rendu peut être fidèle mot pour mot et pourtant inutilisable. Il suffit qu'une phrase décisive soit prêtée à la mauvaise personne. « Je valide le budget » n'a pas la même portée selon que la directrice financière ou un consultant externe l'a prononcé. La transcription automatique a réglé une bonne partie du problème de la saisie. Reste une question plus délicate, que l'on oublie souvent au moment de choisir un outil : qui a dit quoi ?

C'est le rôle de la diarisation. Le terme vient de l'anglais « speaker diarization » et désigne la capacité d'un système à découper un enregistrement en tours de parole, puis à regrouper ces tours par voix. Sans elle, une transcription ressemble à un long monologue. Avec elle, on obtient un échange structuré, où chaque intervention est rattachée à un intervenant. Ce guide explique comment la diarisation fonctionne, pourquoi elle conditionne la valeur juridique et opérationnelle d'un compte rendu, ce qui la fait échouer dans les réunions réelles, et quelles précautions prendre sur le plan de la sécurité et du RGPD.

Qu'est-ce que la diarisation ?

La diarisation répond à une question simple en apparence : « qui parle, et quand ? ». Le système ne cherche pas à comprendre le sens des phrases. Il travaille sur le signal sonore, repère les zones où quelqu'un parle, détecte les changements de voix et attribue à chaque segment une étiquette du type « Intervenant 1 », « Intervenant 2 ». La transcription, de son côté, convertit la parole en texte. Les deux briques sont complémentaires : la première structure, la seconde rédige.

Diarisation, reconnaissance du locuteur, identification : trois notions à ne pas confondre

On mélange volontiers trois opérations qui n'ont ni la même finalité ni le même statut juridique. La diarisation sépare les voix entre elles, sans savoir à qui elles appartiennent. Elle produit des étiquettes anonymes, valables pour un seul enregistrement. La vérification du locuteur, utilisée par exemple pour l'authentification vocale, compare une voix à une empreinte enregistrée au préalable pour confirmer qu'il s'agit bien de la bonne personne. L'identification du locuteur, enfin, cherche à reconnaître une personne parmi un ensemble de profils vocaux connus.

Cette distinction n'a rien d'académique. Les deux dernières opérations reposent sur un gabarit vocal propre à chaque individu, ce qui les rapproche de la biométrie. La diarisation, elle, peut se contenter de regrouper des segments semblables à l'intérieur d'une même réunion, puis laisser un humain nommer les intervenants. Nous y revenons plus bas dans la partie consacrée au RGPD.

Comment fonctionne une chaîne de diarisation

La plupart des systèmes modernes enchaînent quatre étapes. La première est la détection d'activité vocale : il s'agit d'écarter les silences, les bruits de clavier, la climatisation ou la musique d'attente, pour ne garder que les passages où quelqu'un parle. La deuxième est la segmentation, qui découpe ces passages en fragments courts au sein desquels une seule voix est supposée s'exprimer.

La troisième étape transforme chaque fragment en une représentation numérique de ses caractéristiques vocales : timbre, hauteur, rythme. Ces représentations permettent de mesurer la ressemblance entre deux fragments. La quatrième étape, le regroupement, rassemble les fragments qui se ressemblent assez pour être attribués à la même voix. Le nombre d'intervenants n'est pas toujours connu à l'avance, et c'est l'une des difficultés du problème : le système doit décider seul s'il entend trois ou quatre personnes.

Le résultat est ensuite aligné avec la transcription. Chaque phrase reçoit l'étiquette de la voix qui l'a prononcée, avec un horodatage. C'est cette combinaison qui permet de produire un compte rendu lisible, de retrouver une intervention précise et d'en vérifier le contexte.

Pourquoi l'attribution des propos change la valeur d'un compte rendu

Dans beaucoup d'organisations, le compte rendu sert de mémoire officielle. On y revient pour vérifier un engagement, retrouver l'origine d'une décision ou trancher un désaccord plusieurs mois plus tard. Une erreur d'attribution y fait plus de dégâts qu'une faute de frappe, parce qu'elle modifie la répartition des responsabilités.

Décisions, engagements et plans d'action

Un plan d'action n'a de valeur que si chaque tâche a un responsable. Lorsque la transcription indique clairement que c'est le chef de projet qui s'est engagé à livrer la maquette pour le 15, la synthèse peut en tirer une action datée et assignée. Lorsque les voix sont mélangées, l'IA chargée de résumer la réunion n'a plus de point d'appui fiable : elle risque d'attribuer l'engagement à la mauvaise personne, ou de le formuler de manière impersonnelle, ce qui revient à ne l'attribuer à personne.

Les modèles de compte rendu personnalisables tirent eux aussi parti d'une bonne diarisation. Une trame qui prévoit une rubrique « positions exprimées » ou « décisions et porteurs » suppose que l'outil sache distinguer les intervenants. Une trame bien pensée oriente la synthèse, mais elle ne corrige pas une attribution fautive en amont.

Instances représentatives et gouvernance

L'enjeu monte d'un cran dans les instances où la parole engage. En réunion de CSE, les déclarations des élus, les réponses de la direction et le résultat des votes doivent être restitués sans ambiguïté. Un procès-verbal qui attribue une prise de position syndicale à la direction, ou l'inverse, peut alimenter un contentieux. Nous avons détaillé ces exigences dans notre article sur le compte rendu de réunion CSE et l'IA.

Le CSE Air France Exploitation Hub en fournit une illustration concrète : la rédaction de la synthèse, qui mobilisait auparavant une journée, se limite désormais à environ une heure de relecture. Ce gain n'est possible que si le texte de départ attribue correctement les interventions. Une relecture d'une heure suppose de vérifier des nuances, pas de réattribuer chaque réplique. Le détail est présenté dans le cas d'usage du CSE Air France.

Interroger ses réunions par intervenant

La diarisation prend aussi de la valeur après la réunion. Avec un chat IA sur les notes, on peut poser des questions du type « quelles objections le client a-t-il formulées sur le calendrier ? » ou « qu'a proposé l'équipe juridique sur la clause de confidentialité ? ». Ces requêtes n'ont de sens que si chaque passage de la transcription est rattaché à la bonne personne. Sans attribution fiable, l'assistant répond sur la base d'un texte indifférencié et peut confondre la position du client avec celle du commercial.

Mesurer la qualité : le taux d'erreur de diarisation

La communauté scientifique évalue la diarisation avec un indicateur standard, le taux d'erreur de diarisation, souvent abrégé DER pour « diarization error rate ». Comme le rappelle l'équipe de pyannote.ai, il mesure la part du temps de parole mal traitée et additionne trois types d'erreurs : la parole manquée (le système n'a pas détecté qu'on parlait), la fausse alarme (il a pris un bruit pour de la parole) et la confusion de locuteur (la parole a bien été détectée, mais attribuée à la mauvaise personne).

Ces trois erreurs n'ont pas le même impact pour un compte rendu professionnel. Une fausse alarme sur un bruit de porte produit au pire quelques mots parasites. Une confusion de locuteur sur une décision change le sens de la réunion. Lorsque vous comparez des outils, demandez donc comment ils se comportent sur vos propres enregistrements plutôt que de vous fier à un chiffre global. La même source souligne d'ailleurs que les protocoles d'évaluation divergent, notamment sur la manière de compter les passages où deux personnes parlent en même temps, et qu'une marge de tolérance est souvent appliquée aux frontières entre tours de parole. Deux scores annoncés par deux fournisseurs ne sont donc pas forcément comparables.

Le meilleur test reste pragmatique : prenez trois réunions représentatives de votre activité (une visioconférence calme, une réunion en salle avec un seul micro, un échange animé), faites-les traiter, puis vérifiez les passages qui comptent. Les décisions sont-elles attribuées aux bonnes personnes ? Les interventions courtes, du type « d'accord » ou « non, attendez », sont-elles rattachées à la bonne voix ?

Ce qui fait échouer la diarisation en réunion réelle

Les démonstrations se déroulent souvent dans des conditions idéales : deux voix bien distinctes, un micro par personne, aucune interruption. Les réunions d'entreprise ressemblent rarement à cela.

Les chevauchements de parole

Quand deux personnes parlent en même temps, le signal mélange leurs voix. Beaucoup de systèmes n'attribuent alors le passage qu'à un seul intervenant, et la seconde intervention disparaît ou se retrouve collée à la première. Les réunions de négociation, les comités où les échanges sont vifs et les points d'équipe informels sont particulièrement exposés. Une bonne discipline de parole aide autant que la technologie.

La salle de réunion et le micro unique

En présentiel, tout le monde parle souvent devant un seul appareil posé au centre de la table. Les personnes proches du micro sont nettement plus audibles que celles assises au bout de la salle, et l'écho de la pièce brouille les caractéristiques de chaque voix. C'est le cas typique des réunions de chantier, des visites client ou des comités tenus hors des salles équipées. Une application mobile capable d'enregistrer hors connexion, comme l'application mobile Seedext, permet de capter ces échanges là où ils ont lieu ; la qualité de l'attribution dépendra ensuite en grande partie du placement du téléphone.

Les voix proches et les interventions brèves

Deux collègues du même âge et du même genre, avec un débit comparable, peuvent être difficiles à séparer. Les répliques très courtes posent un problème voisin : une intervention d'une seconde fournit peu de matière pour caractériser une voix. C'est souvent là que se nichent les confusions, et ce sont parfois ces courtes répliques qui portent l'accord ou le refus.

Les réunions hybrides

Une réunion hybride combine des participants en salle, captés par un même micro, et des participants à distance, captés chacun par leur poste. Le système reçoit donc des voix de qualité très inégale. Les plateformes de visioconférence fournissent parfois des informations utiles sur l'orateur actif, mais tout le groupe présent en salle reste fondu dans un seul flux.

Le vocabulaire métier

La diarisation et la transcription interagissent. Si un terme technique, un acronyme interne ou un nom de produit est mal transcrit, la phrase perd son sens et la relecture devient plus lente, même lorsque l'attribution est correcte. Un vocabulaire métier personnalisé améliore la reconnaissance des termes propres à votre secteur, ce qui facilite la vérification des passages attribués à chacun.

Bonnes pratiques pour des réunions bien attribuées

Quelques habitudes simples améliorent nettement le résultat, quel que soit l'outil. La première consiste à faire un tour de table au début de la réunion : chacun se présente brièvement, ce qui fournit au relecteur un repère pour nommer les étiquettes « Intervenant 1 », « Intervenant 2 ». La deuxième est de demander aux participants de ne pas se couper la parole sur les points de décision. Ce n'est pas seulement une règle de politesse : c'est la condition pour que le vote ou l'accord soit restitué proprement.

En présentiel, placez l'appareil d'enregistrement au centre de la table, à distance raisonnable de chaque participant, et loin des sources de bruit comme un vidéoprojecteur ou une fenêtre ouverte sur la rue. En visioconférence, encouragez chacun à utiliser un casque ou un micro individuel plutôt que le haut-parleur de l'ordinateur. Lorsqu'un groupe se réunit dans une salle connectée à des participants distants, rappelez aux personnes présentes de se nommer avant une intervention importante.

Après la réunion, réservez la relecture humaine aux passages qui engagent : décisions, votes, engagements chiffrés, désaccords. Il n'est pas nécessaire de vérifier chaque phrase. Il est indispensable de vérifier celles-là. Cette relecture ciblée prend quelques minutes et protège l'organisation contre les litiges nés d'une phrase mal attribuée.

Voix, biométrie et RGPD : où passe la frontière

La voix est une donnée personnelle. La CNIL le rappelle dans son livre blanc sur les assistants vocaux publié en septembre 2020, en soulignant qu'elle est une caractéristique biométrique pouvant permettre l'identification d'une personne. Toute solution qui enregistre et analyse des réunions traite donc des données personnelles, avec les obligations habituelles d'information, de finalité, de durée de conservation et de sécurité.

Séparer des voix n'est pas identifier une personne

Le RGPD définit, à son article 4, les données biométriques comme des données résultant d'un traitement technique spécifique, relatives aux caractéristiques physiques, physiologiques ou comportementales d'une personne, qui permettent ou confirment son identification unique. L'article 9 interdit par principe le traitement de données biométriques « aux fins d'identifier une personne physique de manière unique », sauf exceptions limitativement prévues, comme le reproduit le texte du règlement publié par la CNIL.

La nuance est importante pour choisir un outil de réunion. Une diarisation qui regroupe des voix à l'intérieur d'un enregistrement, puis laisse un humain associer chaque étiquette à un nom, ne poursuit pas la même finalité qu'un système qui constitue des empreintes vocales durables pour reconnaître automatiquement les salariés d'une réunion à l'autre. Le second cas soulève des questions juridiques nettement plus lourdes. Faites-vous confirmer par votre délégué à la protection des données la qualification exacte du traitement envisagé, car elle dépend de la manière dont l'outil fonctionne réellement. Nous avons rassemblé les autres points de vigilance dans notre article sur l'IA, le RGPD et la transcription conforme.

Les questions à poser à votre fournisseur

Avant de déployer une solution de transcription avec attribution des intervenants, quelques questions permettent de cadrer le risque. L'outil crée-t-il des profils vocaux persistants, ou les étiquettes sont-elles propres à chaque enregistrement ? Où sont hébergés les enregistrements et les transcriptions, et dans quel pays ? Les données des clients servent-elles à entraîner les modèles du fournisseur ? Qui, chez le fournisseur, peut accéder aux contenus, et dans quelles conditions ? L'outil analyse-t-il uniquement le son, ou aussi la vidéo et les visages ? Les participants sont-ils informés de l'enregistrement, et comment ?

Ces questions ne relèvent pas seulement de la conformité. Une réunion de comité de direction, un entretien individuel ou une commission de discipline contiennent des informations stratégiques ou sensibles. La séparation des voix rend ces contenus plus exploitables, donc plus précieux, et donc plus intéressants pour quiconque chercherait à y accéder.

L'approche de Seedext

Seedext combine la transcription et la diarisation pour produire des comptes rendus structurés par intervenant, avec des synthèses et des modèles de compte rendu personnalisables. Le vocabulaire métier personnalisé améliore la restitution des termes propres à chaque organisation, et le chat IA sur les notes permet de retrouver ce qu'un participant a dit sur un sujet donné. La solution s'intègre aux outils déjà en place, notamment Teams, Outlook, Zoom, Webex, Google Meet et Salesforce, et l'application mobile iOS et Android enregistre les réunions en présentiel, y compris hors connexion. La transcription y est répartie par intervenant, horodatée et corrigeable depuis l'application.

Sur le plan de la sécurité, seul l'audio est analysé : aucune analyse d'image ni de visage n'intervient dans l'attribution des propos. Les données sont chiffrées en AES-256 et transitent en TLS 1.3, dans des environnements isolés par client. Elles sont hébergées en Europe, avec une option d'hébergement 100 % en France. Personne chez Seedext n'accède aux données par défaut, et les données clients ne servent pas à entraîner les modèles. La solution est conforme au RGPD.

Des organisations comme Air France, AXA, SNCF, EDF ou Groupe SEB utilisent Seedext pour documenter leurs réunions. Si vous souhaitez voir comment l'attribution des propos se comporte sur vos propres réunions, le plus simple est de demander une démonstration avec des enregistrements représentatifs de votre activité.

Questions fréquentes sur la diarisation

Qu'est-ce que la diarisation en transcription ?

La diarisation est l'étape qui découpe un enregistrement en tours de parole et regroupe ces tours par voix, afin d'indiquer qui parle et à quel moment. Elle complète la transcription, qui convertit la parole en texte, et permet d'obtenir un compte rendu structuré par intervenant.

Quelle différence entre diarisation et reconnaissance du locuteur ?

La diarisation sépare les voix d'un enregistrement sans savoir à qui elles appartiennent : elle produit des étiquettes anonymes du type « Intervenant 1 ». La reconnaissance du locuteur compare une voix à des profils vocaux connus pour identifier ou authentifier une personne, ce qui la rapproche du traitement de données biométriques.

Comment mesure-t-on la qualité d'une diarisation ?

On utilise le taux d'erreur de diarisation, qui additionne la parole manquée, les fausses alarmes et les confusions de locuteur. Pour un usage professionnel, le plus parlant reste de tester l'outil sur vos propres réunions et de vérifier l'attribution des décisions et des engagements.

Pourquoi la diarisation se trompe-t-elle en réunion ?

Les erreurs viennent surtout des paroles qui se chevauchent, des salles où tout le monde parle devant un seul micro, des voix proches, des répliques très courtes et des réunions hybrides. Un tour de table en début de séance, une bonne discipline de parole et un appareil bien placé réduisent nettement ces erreurs.

La diarisation est-elle conforme au RGPD ?

La voix est une donnée personnelle, et le traitement de données biométriques destiné à identifier une personne de manière unique est en principe interdit par l'article 9 du RGPD, sauf exceptions. Une diarisation qui se limite à séparer les voix d'un enregistrement n'a pas la même finalité qu'une identification par empreinte vocale. La qualification exacte doit être validée avec votre délégué à la protection des données.