Transcrire
Les locuteurs sont distingués sans être identifiés, la parole est transcrite dans la langue parlée, puis le texte est découpé en phrases.
- 1La voix est isolée de la musique et des bruits.
- 2Les locuteurs sont distingués par une lettre, A, B, C, sans être identifiés.
- 3La parole est transcrite dans la langue parlée, tour par tour.
- 4Le texte est découpé en phrases, prêtes pour les classifieurs.
- Modèles
- pyannote 3.1, Whisper large-v3-turbo (MLX), SaT
- Garde-fou
- langue détectée par fenêtres ; anomalies de segmentation re-découpées
- Écrit
- tours de parole, transcription, phrases numérotées
Du son aux phrases, en trois opérations
Les trois opérations sont exécutées sur les ordinateurs du réseau du projet, l’une après l’autre, avec les modèles en service en octobre 2026. Les phrases obtenues passent ensuite aux classifieurs (étape 05).
Tours de parole
Le modèle pyannote repère qui parle et à quel moment. Chaque tour de parole est attribué à un locuteur anonyme (A, B…). Les locuteurs ne sont jamais identifiés ; la fiche parle du « vidéaste », de « l’invitée ».
Transcription
Whisper large-v3, en version turbo depuis le 2 octobre 2026, transcrit chaque passage de parole dans sa langue, détectée par fenêtres. Une vidéo française reste en français, une vidéo américaine est transcrite en anglais, une vidéo mixte passage par passage. Une vidéo sans parole est marquée comme telle.
Segmentation
Les tours de parole sont découpés en phrases par un modèle de segmentation, avec un plafond de 510 jetons par unité, pour que chaque classifieur lise une phrase entière et jamais un fragment. Les anomalies de découpage sont détectées et re-segmentées.
Cette méthode est en service depuis le 3 octobre 2026. Auparavant, la voix était d’abord isolée de la musique (Demucs), puis la vidéo entière était transcrite avant l’attribution des tours de parole. La plupart des vidéos du corpus ont été transcrites de cette façon.