fr dev Diarization

🌐 Langue : English | Français

Diarisation — référence développeur

Intro utilisateur : fr-Diarization.

Modèle Sortformer

Sortformer de NVIDIA (ONNX), diarisation neuronale end-to-end mono-transformer. Streame nativement par chunks de 10 s avec overlap. Plafonné dur à 4 locuteurs (propriété du modèle, pas un paramètre). Agnostique à la langue. Implémentation Rust dans src/sortformer.rs via ONNX Runtime ; backend CUDA avec fallback CPU silencieux (diarize_only.rs:122-128) — 5–10× plus lent en CPU.

VRAM & limites de durée

Mode streaming (transcribe-stream-diarize, EN seul via Nemotron)

Durée audio	Pic VRAM
1 min … 10 h	~1,2 GB (constant)

Pas de limite de durée effective ; la mémoire est bornée par la taille du chunk.

Mode batch chunked (transcribe-diarize-batch, défaut UI)

Le transcribe-diarize mono-coup fait tourner Parakeet sur le mel complet en une passe → Parakeet seul heurte un plafond dur ~5:20 min sur tout GPU à cause d'un attention-mask à shape fixe dans l'export ONNX du Parakeet-TDT v3 (indépendant de la VRAM). Le pipeline chunked transcribe-diarize-batch garde chaque chunk sous 320 s et lève le plafond. Depuis v1.3.4, l'interface dictee-transcribe route automatiquement tout fichier plus long qu'un chunk par lui, quel que soit le paquet GPU ou l'état du toggle diarize.

Pipeline :

1. Sortformer une fois sur l'audio complet (streaming, sans cap)
2. Chunk l'audio en segments de 10 min avec overlap, via ffmpeg
3. Parakeet-TDT par chunk (transcribe-diarize-batch --no-diarize)
4. Fusion des labels via les timestamps globaux Sortformer (argmax overlap)

Validations terrain :

• Keynote 29 min, CUDA 8 GB → 04:56
• Keynote 54 min, 3 locuteurs, RTX 4070 (8 GB) → 122 s, 94 % de précision vs ground truth

Edge cases :

• 4 GB VRAM, ou 8 GB avec Ollama déjà chargé → Parakeet OOM (pas encore de garde min-VRAM)
• Token tombant dans un silence entre deux segments globaux Sortformer → tagué UNKNOWN: <texte> (prévisible, non bloquant)

Binaires CLI

Binaire	Usage	Backend ASR	Streaming	Durée max
transcribe-diarize	Fichier, mono-coup	Parakeet-TDT	❌	~5:20 min (bug attention-mask ONNX, tout GPU)
transcribe-stream-diarize	Fichier, streaming	Nemotron (EN)	✅	illimité
transcribe-diarize-batch	Fichier, chunked	Parakeet-TDT	⚠ chunked	illimité

transcribe-diarize meeting.wav \
  --sortformer-model /usr/share/dictee/sortformer/ \
  --parakeet-model   /usr/share/dictee/tdt/ \
  --lang fr

Sortie sur stdout.

Formats de sortie

Format texte par défaut, ligne par locuteur :

Speaker 1: Bonjour à tous, on commence la revue trimestrielle.
Speaker 2: Merci, on attaque par les chiffres ?
Speaker 3: Question rapide — l'appel est enregistré ?

Flags CLI :

• --format=rttm — IDs locuteurs frame-level (format diarisation standard)
• --format=json — timestamps + IDs + confidence
• --format=srt — sous-titres avec timestamps

Fusion des locuteurs entre chunks

Utilisé par transcribe-diarize-batch :

1. Sortformer une fois sur l'audio complet → timestamps globaux
2. Chunk l'audio (10 min, 10 s d'overlap)
3. Parakeet-TDT par chunk → timestamps token-level
4. Pour chaque mot transcrit, lookup son locuteur global via la sortie Sortformer (argmax overlap)
5. Emit avec labels Speaker N cohérents

Source : src/bin/transcribe_diarize_batch.rs.

Pourquoi le post-traitement est contourné

Le mode Meeting saute entièrement le pipeline en 12 étapes :

Étape	Pourquoi ça casserait la diarisation
5/7. Règles regex	Commandes vocales insérées dans le mauvais tour
6. Correction LLM	Reflow du texte, fusion des tours en monologue
8/9. Keepcaps	Gestion d'acronymes par phrase, pas par locuteur
10. Capitalisation	Conflit début-de-phrase / début-de-tour
11. Traduction	Traduction multi-locuteurs rarement cohérente

Seuls le nettoyage d'espaces, l'insertion du préfixe locuteur et le \n final sont conservés.

Pour une sortie polie, voir Analyse LLM de la diarisation — conçue spécifiquement pour ce cas.

Pipeline (Mermaid)

flowchart TB
    A["🎙 Audio (N locuteurs)"] --> B["Sortformer<br/>(streaming, chunks 10s)"]
    B --> C1["Timestamps locuteur 1"]
    B --> C2["Timestamps locuteur 2"]
    B --> C3["Timestamps locuteur 3"]
    B --> C4["Timestamps locuteur 4"]
    C1 --> D["Parakeet-TDT<br/>(transcription)"]
    C2 --> D
    C3 --> D
    C4 --> D
    D --> E["Fusion par timestamps<br/>(argmax overlap)"]
    E --> F["Speaker 1: texte<br/>Speaker 2: texte<br/>Speaker 3: texte"]

Loading

Voir aussi

• fr-Parakeet-TDT-Deep-Dive#vram-usage--duration-limits — contexte VRAM
• fr-Post-Processing-Overview#diarization-bypass — rationale complet du bypass
• fr-CLI-Reference#transcribe-diarize — flags exhaustifs
• fr-Troubleshooting — soucis spécifiques diarisation