Pipeline Diarisation Audio CNews - Hackathon Humanités Numériques 2025

Introduction

Ce projet s'inscrit dans le cadre de l'édition 2025 du hackathon du Master Humanités Numériques de l'École Nationale des Chartes.

Porteur du projet : Baptiste Queuche
Contributeurs : Damien Conceicao, Maria Kirbasova, Marisol de Nazelle, Garance Raynaud, Manon Remot

---

Contexte et objectif

Objectif : Détecter le temps de parole exact des personnes qui interviennent sur CNews, en identifiant précisément leur identité.

La pipeline traite des enregistrements audio de CNews pour :

• Découper les fichiers longs en segments gérables
• Identifier automatiquement les locuteurs (diarisation)
• Relier chaque segment de parole à une personne identifiée via des fichiers de présence

---

Pipeline d'exécution

Les trois scripts s'exécutent dans cet ordre précis :

python decoupe_5_min.py
python pyannote_ssh.py  
python correspondance_speaker_ssh.py

---

Convention de nommage des fichiers d'entrée

Fichiers audio (enregistrements CNews)

cson_YYYY-MM-DD_HH-MM-SS.mp3
cson_YYYY-MM-DD_HH-MM-SS.wav

La date/heure dans le nom sert au recalage temporel

Fichiers de présence (identités)

people-YYYY-MM-DD.csv

Format : colonnes ID, Debut, Fin (format datetime)

---

decoupe_5_min.py – Découpage automatique

Rôle : Découpe chaque enregistrement CNews en segments de 5 minutes.

Ce qu'il fait :

• Parcourt tous les fichiers audio du dossier d'entrée
• Crée des segments de 5 min
• Note pour chaque segment : fichier d'origine + heure début/fin

Entrée : Fichiers cson_*.mp3/wav Sortie : Segments + fichier récapitulatif

---

pyannote_ssh.py – Détection des locuteurs

Rôle : Applique la diarisation automatique sur chaque segment de 5 min avec pyannote.audio.

Ce qu'il fait :

• Détecte les différentes voix et leurs périodes de parole
• Extrait les embeddings (empreintes vocales) de chaque locuteur
• Sauvegarde les résultats par segment

Techno : pyannote/speaker-diarization-3.1 (GPU si disponible)

---

correspondance_speaker_ssh.py – Identification finale

Rôle : Recalage temporel + matching avec les personnes connues.

Ce qu'il fait :

1. Recalage : timestamps relatifs → timeline absolue (via nom des fichiers)
2. Matching : associe chaque parole au Speaker_ID via fichier people-YYYY-MM-DD.csv
3. Lissage : résolution des doublons (garde le locuteur le plus parlant)
4. Agrégation : embeddings par personne + fichier récapitulatif global

Sortie finale :

• df_total.csv : tous les segments avec start, end, Speaker_ID, embeddings
• known_embeddings.json : embeddings par personne identifiée
• unknown_embeddings.json : embeddings des inconnus

knn.py - Identification des locuteurs inconnus

#To do

---

Résultat final

La pipeline produit un fichier CSV global prêt pour l'analyse du temps de parole par personne sur CNews :

start	end	duration	Speaker_ID	embeddings
2025-01-15 14:23:10	2025-01-15 14:23:45	35.2s	PERS001	[0.12, -0.45, ...]

---

Prérequis

voir fichier requirements.txt

Token HuggingFace requis (dans pyannote_ssh.py).

---

Merci aux sponsors et partenaires du Hackaton