Diarisation audio

Identifie et segmente les tours de parole dans un fichier audio : qui parle, et à quel moment. Basé sur le modèle pyannote-diarization.

---

Endpoints

Méthode	Endpoint	Mode	Description
POST	/v1/audio/diarizations	Sync	Diarisation, résultat inline
POST	/v1/diarize	Sync	Alias synchrone
POST	/jobs/audio	Async	Diarisation asynchrone (recommandé)

---

Formats et limites

Attribut	Valeur
Formats acceptés	.mp3 .mp4 .wav .m4a .ogg .flac
Taille maximale	1 Go

---

Paramètres

Requis

Paramètre	Type	Description
file	fichier	Fichier audio à diariser
model	string	Modèle à utiliser : pyannote-diarization

Optionnels

Paramètre	Type	Description
num_speakers	integer	Nombre exact de locuteurs si connu (court-circuite la détection automatique)
min_speakers	integer	Nombre minimal de locuteurs attendus
max_speakers	integer	Nombre maximal de locuteurs attendus
min_duration_off	float	Durée minimale de silence entre deux segments d'un même locuteur (en secondes)
clustering_threshold	float	Seuil de clustering VBx
clustering_Fa	float	Probabilité de fausse alarme VBx
clustering_Fb	float	Probabilité de manqué VBx
clustering_min_cluster_size	integer	Taille minimale de cluster (clustering agglomératif)

---

Performances mesurées

Benchmarks réalisés en mai 2026 sur 40 jobs complétés. Taux d'erreur : 0% sur 40 jobs.

Fichiers courts (≈ 105 s d'audio)

Mode	Jobs	Inférence min	Inférence moy	Inférence max	RTF moyen
Poll	15	8 s	14 s	28 s	0.129
Webhook	15	11 s	21 s	40 s	0.197

Le RTF sur fichiers courts est plus élevé en raison de l'overhead fixe du pipeline pyannote (segmentation + embedding), proportionnellement plus lourd sur des fichiers courts.

Fichiers longs (1 heure d'audio)

Mode	Jobs	Inférence min	Inférence moy	Inférence max	RTF moyen
Poll	5	345 s	427 s	556 s	0.119
Webhook	5	245 s	326 s	420 s	0.091

Une heure d'audio est diarisée en 5 min 26 s (webhook) à 7 min 07 s (poll) en moyenne.

---

Format de réponse

{
  "speakers": [
    {
      "speaker": "SPEAKER_00",
      "segments": [
        { "start": 0.5, "end": 4.2 },
        { "start": 12.1, "end": 18.7 }
      ]
    },
    {
      "speaker": "SPEAKER_01",
      "segments": [
        { "start": 4.5, "end": 11.8 }
      ]
    }
  ]
}

---

Exemples

Synchrone (curl)

curl -X POST https://api.mirai.interieur.gouv.fr/v1/audio/diarizations \
  -H "Authorization: Bearer <TOKEN>" \
  -F "model=pyannote-diarization" \
  -F "file=@reunion.wav"

Avec nombre de locuteurs forcé

curl -X POST https://api.mirai.interieur.gouv.fr/v1/audio/diarizations \
  -H "Authorization: Bearer <TOKEN>" \
  -F "model=pyannote-diarization" \
  -F "file=@entretien.wav" \
  -F "num_speakers=2"

Asynchrone avec webhook (recommandé pour fichiers > 30 s)

curl -X POST https://api.mirai.interieur.gouv.fr/jobs/audio \
  -H "Authorization: Bearer <TOKEN>" \
  -F "model=pyannote-diarization" \
  -F "operation=diarization" \
  -F "file=@conference.mp3" \
  -F "callback_url=https://mon-app.example.com/hooks/diarization"

→ Voir Modes d'appel pour le cycle de vie complet d'un job async.

---

Combinaison transcription + diarisation

La diarisation retourne des segments temporels par locuteur. Pour obtenir un transcript enrichi avec les locuteurs, combinez la sortie de diarisation avec une transcription Whisper en alignant les timestamps côté application.

Ce découpage est intentionnel : chaque service reste autonome et optimisé. L'alignement est plus fiable fait par l'application consommatrice, qui connaît le contexte métier.