NVIDIA Nemotron 3 Diarization : pourquoi bien séparer les locuteurs compte lors d’une consultation médicale

En reconnaissance vocale, on concentre presque toute l’attention sur une métrique : combien de mots le système a transcrits correctement.

Dans une conversation clinique, il existe pourtant une autre question tout aussi importante :

qui a prononcé ces mots ?

Confondre une phrase du patient avec une consigne du professionnel peut changer complètement l’interprétation d’une transcription.

C’est le problème que cherche à résoudre la diarisation des locuteurs : découper un enregistrement en segments et déterminer quelles interventions correspondent à chaque personne.

Le 23 septembre 2026, NVIDIA a publié Nemotron 3 Diarization, un modèle à poids ouverts orienté précisément vers ce problème.

Ce que NVIDIA a publié

Selon la fiche technique du modèle, Nemotron 3 Diarization compte 99,2 millions de paramètres et permet de travailler avec jusqu’à huit locuteurs, aussi bien sur de l’audio enregistré que dans des scénarios de streaming.

NVIDIA indique en outre une configuration de latence minimale de 0,32 seconde, une caractéristique particulièrement pertinente pour les applications qui doivent traiter des conversations pendant qu’elles ont lieu.

Sur le benchmark DIHARD III, l’entreprise rapporte un taux d’erreur de diarisation — DER, selon l’acronyme anglais — de 12,73 % en mode hors ligne.

Avec la configuration de latence minimale, le résultat communiqué est de 13,55 %.

Le modèle précédent à quatre locuteurs utilisé dans la comparaison atteignait un DER de 19,09 %.

Ce que signifie réellement la diarisation

Un système de reconnaissance automatique de la parole peut produire une transcription correcte et rester pourtant insuffisant pour documenter une conversation.

Imaginons un extrait simple :

— J’ai mal depuis lundi. — Avez-vous pris un médicament ? — De l’ibuprofène.

La transcription contient tous les mots.

Mais sans connaître les tours de parole, le système perd une partie fondamentale de la structure de la conversation.

Dans une consultation réelle, le problème est considérablement plus complexe. Il y a des interruptions, des silences, des changements rapides de tour de parole, des voix qui se chevauchent et des conversations qui peuvent durer de nombreuses minutes.

C’est pourquoi la diarisation n’est pas un ajout esthétique à la transcription. C’est une couche qui aide à reconstituer la conversation.

La donnée importante qui manque encore : l’espagnol clinique

Les résultats publiés par NVIDIA sont prometteurs, mais ils ne permettent pas de conclure automatiquement que le comportement soit équivalent lors d’une consultation de santé en Espagne.

Selon les informations de la fiche du modèle, les données d’entraînement comprennent l’anglais, le mandarin, l’hindi, le kannada, le telugu et le bengali.

De plus, DIHARD III est un benchmark de diarisation exigeant, mais il ne représente pas spécifiquement des conversations cliniques en espagnol.

Cette différence compte.

La combinaison de la langue, de l’acoustique, de la durée de la consultation, du nombre de participants, des interruptions et des façons naturelles de parler peut modifier substantiellement les performances d’un système.

Par conséquent, avant d’intégrer un modèle à une architecture clinique, il est nécessaire de l’évaluer dans le contexte où l’on prévoit réellement de l’utiliser.

Du benchmark à une consultation réelle

Cet écart entre une bonne métrique publique et le comportement du système en situation réelle est précisément l’une des questions que nous étudions chez Myukura.

Lors de notre participation au 8e MareNostrum Hackathon du Barcelona Supercomputing Center, nous avons travaillé sur la reconnaissance vocale clinique en espagnol et sur les difficultés qui apparaissent lorsque ces systèmes sont confrontés au vocabulaire médical, à différents accents et à des conversations prolongées.

La diarisation fait partie du même problème général.

Il ne suffit pas d’obtenir une bonne transcription isolée. L’objectif est de préserver la structure nécessaire pour pouvoir travailler ensuite sur cette information.

Pourquoi les modèles ouverts comptent

Nemotron 3 Diarization est publié sous licence OpenMDW v1.1, avec des poids publiquement disponibles.

La possibilité d’étudier et d’exécuter des modèles de ce type en dehors de services entièrement fermés est particulièrement intéressante pour les axes de recherche liés au traitement local.

Elle permet aux chercheurs et aux équipes techniques d’évaluer le comportement du modèle, de mesurer ses besoins matériels et d’étudier des architectures où certaines étapes du traitement ne dépendent pas nécessairement de l’envoi de toute l’information vers un service distant.

Nous suivons ce type de publications comme référence pour notre recherche sur le traitement local, au sein de Myukura Edge.

En tant que membres de NVIDIA Inception, nous suivons ces publications de très près, mais à une condition que nous jugeons fondamentale : une fiche technique ou un benchmark constituent un point de départ, et non une validation pour un environnement clinique précis.

La question suivante doit toujours être la même :

comment cela fonctionne-t-il avec nos données, notre langue et notre cas d’usage ?