Récemment, une approche entièrement supervisée de diarisation vocale a été proposée (UIS-RNN), qui modélise les locuteurs à l’aide de plusieurs instances d’un réseau de neurones récurrents partageant les paramètres. Dans cet article, nous proposons des modifications qualitatives apportées à ce modèle, qui améliorent significativement l’efficacité d’apprentissage ainsi que les performances globales de diarisation. En particulier, nous introduisons une nouvelle fonction de perte, que nous appelons Sample Mean Loss, et proposons une modélisation améliorée du comportement des tours de parole en définissant une expression analytique pour calculer la probabilité qu’un nouveau locuteur rejoigne la conversation. Par ailleurs, nous démontrons que notre modèle peut être entraîné sur des segments audio de longueur fixe, éliminant ainsi la nécessité d’informations sur les changements de locuteur lors de l’inférence. En utilisant les x-vecteurs comme caractéristiques d’entrée, nous évaluons notre approche sur le jeu de données multi-domaines utilisé dans le défi DIHARD II : notre méthode en ligne surpasse l’approche originale UIS-RNN et atteint des performances comparables à celles d’une méthode de regroupement agglomératif hors ligne basée sur le scoring PLDA.