Qui parle, et quand ?

Il repère les pauses entre les passages de parole et découpe l’audio en segments, qu’il étiquette en tours alternés (Intervenant 1, Intervenant 2) avec un début et une fin horodatés. Disons-le franchement : il segmente les tours d’après les silences, il n’identifie pas les voix et ne détermine pas le nombre réel d’intervenants distincts.

Ce que fait réellement cette tâche

Elle réalise une segmentation légère des tours de parole, pas une reconnaissance acoustique des locuteurs. L’enregistrement est transcrit et, partout où une pause est assez longue entre deux segments, l’étiquette bascule sur le tour suivant, en alternant entre deux marques. Vous obtenez ainsi une structure segmentée et horodatée — un échange lisible plutôt qu’un bloc indifférencié — réellement utile comme premier passage sur une conversation à deux. Ce n’est pas un modèle qui écoute les caractéristiques de la voix pour décider qui est qui : les étiquettes viennent du rythme des pauses, pas de la distinction d’une voix par rapport à une autre.

Ce que la tâche renvoie

Envoyez un fichier audio en POST vers /audio/diarize et la tâche renvoie une liste de tours : chaque tour porte une étiquette d’intervenant (Intervenant 1 ou Intervenant 2), le texte de ce passage et son horodatage de début et de fin. Elle indique aussi combien d’étiquettes distinctes elle a utilisées — au plus deux dans cette approche fondée sur les pauses ; ce compte est une propriété de la segmentation, pas une mesure du nombre réel de personnes présentes. Combinée à une transcription, vous obtenez une structure de type script, horodatée, facile à parcourir.

Où l’approche par pauses convient, et où elle ne convient pas

Elle convient à un échange à deux propre — un entretien, un appel en tête-à-tête — où les intervenants se relaient et où les pauses coïncident avec le changement de voix. Elle ne convient pas à une table ronde à plusieurs, à un fort chevauchement des voix, ni au cas où vous devez suivre chaque personne réelle de façon cohérente sur tout l’enregistrement : alterner deux étiquettes selon les silences produira alors des erreurs d’attribution. Si votre flux exige que le nombre réel d’intervenants soit déterminé ou que les voix soient reliées à des identités, il s’agit d’une tâche différente et plus lourde que celle de cet endpoint, et cette page ne prétendra pas le contraire.

Ce à quoi une segmentation des tours sert malgré tout

Même sans reconnaissance réelle des locuteurs, découper un enregistrement à deux en tours horodatés fait gagner un vrai temps : cela transforme un mur de transcription en un échange lisible que vous pouvez parcourir, citer par son horodatage ou transmettre à une étape de prise de notes. Une équipe support relisant un seul appel agent-client, un journaliste nettoyant un entretien en tête-à-tête, un producteur découpant un segment à deux voix en tours lisibles : tous tirent parti d’une structure de premier passage qu’ils corrigent à la main là où cela compte, plutôt que de partir d’un bloc indifférencié.

Tarif et facturation

Le coût est une petite redevance de base par requête plus un tarif à la minute lié à la durée de l’enregistrement, publié sur cette page : $0.002 par requête plus $0.0055 par minute. La tâche est traitée de façon asynchrone — envoyez l’audio, recevez un task_id immédiatement et récupérez le résultat segmenté en tours par webhook signé ou depuis un lien signé valable 24 heures ; une tâche en échec est relancée automatiquement jusqu’à trois fois et n’est jamais facturée si elle ne peut toujours pas aboutir.