Transcrire un long enregistrement et conserver les bons locuteurs
Une longue interview est retranscrite en plusieurs morceaux. Le locuteur 1 devient le locuteur 2 dans le fichier suivant, la même phrase apparaît deux fois à une limite et chaque morceau redémarre à zéro. Les mots peuvent être utiles, mais la transcription combinée est difficile à croire.
Séparer la reconnaissance vocale de l'assemblage de transcription
Conservez l'enregistrement original, les paramètres de l'outil vocal, la sortie brute, le registre de fragments et la transcription corrigée. Si l’outil vocal peut traiter l’intégralité du fichier de manière fiable, le diviser inutilement ajoute des problèmes de limites et d’identité.
Enregistrez les décalages de fragments avant de les transcrire
Pour un enregistrement fictif, supposons que l'outil ou le processus sélectionné nécessite des morceaux qui se chevauchent :
| Morceau | Plage source en secondes | Origine du temps du fragment | Besoin de révision |
|---|---|---|---|
| A | 0 à 600 | Local 0 est égal à la source 0 | Références des premiers intervenants |
| B | 590-1190 | Local 0 est égal à la source 590 | Chevauchement de 10 secondes avec A |
| C | 1180-1500 | Local 0 est égal à la source 1180 | Chevauchement de 10 secondes avec B |
Il s'agit de tailles de morceaux illustratives, et non de limites de modèle ou de paramètres universellement bons. Placez des limites près des pauses lorsque cela est possible. Le chevauchement permet d'inspecter une coupure, mais la répétition audio ne garantit pas qu'un mot ou un locuteur soit reconnu de manière cohérente.
Stockez des millisecondes entières si votre pipeline le permet. Un segment en B à 12-15 secondes locales correspond à la source 602-605 secondes. La conversion consiste à additionner le décalage du fragment ; elle ne réestime pas le temps.
Établir les correspondances de locuteurs à partir des preuves
speaker_0 de chaque morceau signifie G1. Les étiquettes locales peuvent être attribuées indépendamment.| Observations | Décision | Preuve à conserver |
|---|---|---|
| A speaker_0 prononce l’introduction de l’animateur ; identité vérifiée par rapport à l'audio | Associer à G1 | Référence de la source et décision du réviseur |
| B speaker_1 correspond à un passage de chevauchement vérifié prononcé par G1 | Mapper cette étiquette sur G1 après l'écoute | Passage source commun et vérification à l’écoute |
| C speaker_0 n'a aucun chevauchement utilisable et plusieurs candidats plausibles | Laisser non cartographié | Listez l'audio de référence nécessaire |
unresolved_C_speaker_0 au lieu d'inventer un nom.Lors de discours superposés, ne forcez pas un locuteur sur un intervalle contenant deux voix. Préservez l’ambiguïté et inspectez les segments sous-jacents de l’outil vocal.
Fusionner les chevauchements sans supprimer les conversations répétées
Deux morceaux peuvent transcrire différemment la même phrase source. Comparez leurs intervalles de source globale et écoutez à la limite. Conservez une version de texte validée, en conservant les deux enregistrements bruts pour audit.
La même phrase à des moments sources différents peut être une répétition intentionnelle. La similarité du texte à elle seule ne doit pas le supprimer. La déduplication nécessite une couverture source partagée ainsi qu’une correspondance établie à l’écoute.
Un enregistrement de fusion pourrait ressembler à ceci :
Ces enregistrements fictifs rendent la fusion vérifiable. Les temps sont en secondes ; A, B et C commencent aux positions source 0, 590 et 1180. La correspondance entre B:speaker_1 et G1 vient de l’écoute du passage commun 594–598, et non du segment ultérieur B-04.
| Enregistrement brut | Intervalle local | Intervalle source global | Locuteur et texte |
|---|---|---|---|
| A-19 | 594–598 | 594–598 | A:speaker_0 → G1 ; « Vérifiez le champ date avant l’import. » |
| B-02 | 4–8 | 594–598 | B:speaker_1 → G1 ; mêmes mots, même passage audio |
| B-04 | 12–15 | 602–605 | B:speaker_1 → G1 ; la même phrase est répétée plus tard |
| C-03 | 6–9 | 1186–1189 | C:speaker_0 ; « Qui approuve cette version ? » ; identité indéterminée |
unresolved_C_speaker_0. Le résultat contient donc trois intervalles source, et non deux : seule une représentation en double a été supprimée.{
"segment_id": "B-04",
"source_start_ms": 602000,
"source_end_ms": 605000,
"raw_speaker": "B:speaker_1",
"global_speaker": "G1",
"speaker_basis": "reviewed overlap reference A-19",
"text": "Check the date field before importing.",
"review_status": "accepted"
}Il s'agit d'un format de référence avec une décision acceptée fictive. Dans vos données, renseignez le fondement à partir d’une vérification réelle ; ne copiez pas le statut d'acceptation avant d'effectuer cette vérification.
Utilisez l'IA pour proposer une fusion, puis vérifiez les limites
Organisez les longs enregistrements de transcription audio fournis.
Utilisez le registre de blocs pour convertir les heures locales en heure source globale.
Utilisez uniquement les mappages d'enceintes approuvés fournis ; ne déduisez pas un vrai nom.
Conservez séparément l’étiquette locale, l’ID source, le texte brut et le locuteur global.
Pour les intervalles sources qui se chevauchent, proposez des doublons avec à la fois les identifiants et les motifs.
Ne supprimez pas des mots similaires à des moments sources distincts.
Conserver les discours incertains ou qui se chevauchent comme non résolus.
Renvoie les propositions fusionnées, les questions des intervenants, les conflits de chevauchement,
et les intervalles nécessitant une révision audio. N'inventez pas de mots ou de timings inouïs.
Entrées : registre de morceaux, enregistrements de transcription bruts, cartographie et références approuvées.Utilisez les instructions de l'agent ou de l'API sur la page du modèle EvoLink pour cette étape d'organisation du texte. Pour un travail volumineux, soumettez les morceaux adjacents avec un enregistrement de mappage stable, puis vérifiez chaque limite de morceau. Un résumé final combiné ne remplace pas la transcription.
Vérifiez l'exhaustivité et remettez une transcription utilisable
Comparez le registre de couverture source avec les segments livrés. Les interruptions pendant le silence peuvent être légitimes ; les lacunes dans la parole connue nécessitent une écoute. Vérifiez le début et la fin de chaque morceau, les changements de locuteurs, les discours qui se chevauchent, les chiffres et les noms ambigus.
| Échec | Corriger l'étape suivante |
|---|---|
| Un locuteur global change après une scission | Revérifiez le correspondance entre labels locaux et identifiants globaux par rapport à l'audio |
| Une phrase apparaît deux fois à une position source | Examiner les candidats qui se chevauchent et accepter un enregistrement de texte |
| Une phrase répétée disparaît à un autre endroit | Restaurez-le à moins que les preuves sources montrent une duplication |
| Les temps de B redémarrent à zéro dans le fichier combiné | Appliquer l'origine du morceau enregistré |
| Un nom semble plausible mais n'est pas établi | Conserver un identifiant anonyme et un élément non résolu |
FAQ
La diarisation des locuteurs identifie-t-elle les noms des personnes ?
Elle distingue les tours de parole ou attribue des labels aux locuteurs. Une identité réelle nécessite des preuves supplémentaires vérifiées.
Les longs enregistrements nécessitent-ils toujours un découpage ?
Non. Utilisez les limites et la qualité observée de l'outil vocal sélectionné. Les divisions inutiles créent un travail de fusion supplémentaire.
Le même numéro d'intervenant peut-il être réutilisé globalement ?
Seulement après avoir établi le mappage. Traitez l'étiquette de chaque morceau comme locale par défaut.
Un texte identique peut-il être supprimé automatiquement ?
Vérifiez également la couverture des sources. Les gens peuvent répéter des mots identiques à des moments différents.
Que faire si le chevauchement des voix n'est pas clair ?
Conservez un intervalle non résolu et écoutez la source plutôt que de forcer une seule identité.
Que doit conserver la transcription combinée ?
Fichier source, identifiants de segment, temps globaux, étiquettes brutes, correspondance de locuteurs acceptés, texte et questions non résolues.
Sources
- Amazon Transcribe : partitionnement du locuteur : traitement de la parole en amont.
- EvoLink Gemini 4 : itinéraire d'organisation du texte ; vérifié le 16 octobre 2026.
