Qui a dit quoi, sans reconnaissance vocale : la diarisation par métadonnée

Une fois la question de souveraineté tranchée, à savoir garder la voix des salariés en interne, un deuxième problème s’est posé sur le même projet de compte-rendu automatique de réunion. Dans une salle équipée, tous les micros sont mélangés en un seul flux audio. La transcription produit bien du texte, mais sans savoir qui a prononcé quelle phrase. Or le compte-rendu n’a de valeur que si chaque prise de parole est attribuée à la bonne personne.

La tentation naturelle est de résoudre ce problème avec de l’IA supplémentaire : un modèle de reconnaissance de la voix, entraîné sur un échantillon de chaque salarié, capable ensuite de reconnaître qui parle. Techniquement, ça fonctionne. Mais ça déplace le problème plutôt que de le résoudre.

Trois pistes comparées

Créer une empreinte vocale par salarié. C’est la solution la plus précise sur le papier. Mais elle transforme une simple réunion en collecte de donnée biométrique au sens du RGPD : une catégorie de donnée sensible, qui exige son propre fondement juridique, sa propre déclaration, ses propres mesures de sécurité. Le projet initial visait à automatiser un compte-rendu, pas à ouvrir un chantier de conformité biométrique.

Demander à chaque participant de se nommer au micro en début de réunion. Solution la plus simple à implémenter, sans aucun traitement supplémentaire. Le problème est humain : ça fonctionne à la première réunion, parce que tout le monde y pense. Ça ne fonctionne plus à la dixième, une fois l’habitude retombée.

Utiliser l’information que l’outil de visioconférence connaît déjà. La plupart des outils de réunion en entreprise savent, en interne, qui a activé son micro et à quel moment, ne serait-ce que pour afficher visuellement qui parle à l’écran. Cette information existe déjà, sans qu’il faille créer, entraîner ou stocker le moindre modèle biométrique.

Ce qui a été retenu

La troisième option a été retenue. Le gain n’est pas seulement technique, il est aussi juridique : aucune nouvelle catégorie de donnée sensible n’apparaît dans le traitement. La diarisation, l’identification de qui parle quand, se fait par corrélation avec une métadonnée déjà produite par l’outil, pas par une nouvelle couche d’IA qui analyserait la voix elle-même.

La leçon générale

Avant de se demander quel modèle d’IA résoudrait le mieux un problème d’identification, la bonne question est souvent : quelle information existe déjà dans le système, sans qu’il faille en créer une nouvelle catégorie sensible ? Ajouter un modèle est parfois la solution la plus visible, rarement la plus sobre. Dans un contexte où la protection des données personnelles est un critère de décision explicite, la sobriété du traitement compte autant que sa précision.