Sprechererkennung im Transkript: So funktioniert Diarisierung

Sprechererkennung (fachlich: Speaker Diarization oder Diarisierung) ist der Schritt der automatischen Transkription, der beantwortet, „wer wann gesprochen hat": Er teilt eine Aufnahme in Abschnitte, gruppiert die Abschnitte, die nach derselben Stimme klingen, und beschriftet sie mit Sprecher 1, Sprecher 2 usw. Namen kennt er nicht; die ergänzen Sie selbst oder ein System, das die Teilnehmenden bereits kennt. Bei klaren Aufnahmen mit wenigen, gut unterscheidbaren Stimmen funktioniert das gut, bei überlappender Sprache, ähnlichen Stimmen, Telefonaudio und großen Gruppen hat es Schwierigkeiten.

Dieser Leitfaden erklärt die Diarisierung verständlich, zeigt, wie sie sich von der Sprecheridentifikation unterscheidet, wie sie technisch funktioniert, was sie aus dem Tritt bringt und wie Sie ein Transkript mit verlässlichen Sprecher-Labels erhalten.

Was ist Sprechererkennung (Speaker Diarization)?

Ein rohes Transkript ist eine Textwand. Die Diarisierung macht daraus ein Gespräch:

Sprecher 1  00:00:03  Danke, dass Sie dabei sind. Fangen wir mit dem Budget an?
Sprecher 2  00:00:07  Gern. Bei den Reisekosten liegen wir etwa zehn Prozent drüber.
Sprecher 1  00:00:12  Okay, woran liegt das?

Der Begriff leitet sich vom englischen „diary" (Tagebuch) ab: Das System führt Protokoll darüber, welche Stimme in jedem Moment aktiv ist. In den meisten Transkriptionstools läuft die Diarisierung parallel zur Spracherkennung. Das Sprachmodell liefert Wörter mit Zeitstempeln, das Diarisierungsmodell Sprecherabschnitte mit Zeitstempeln, und beides wird abgeglichen, sodass jedes Wort oder jeder Satz ein Sprecher-Label erhält.

Wenn Sie Interviews, Meetings oder Podcasts transkribieren, machen erst diese Labels den Text brauchbar: Sie zitieren die richtige Person, sehen, wer am meisten gesprochen hat, und überfliegen ein langes Gespräch nach Sprechern.

Diarisierung vs. Sprecheridentifikation

Beides wird oft verwechselt, zumal viele Produktseiten „Sprechererkennung" für beides verwenden.

Manche Tools vermischen beides. Eine Meeting-Plattform weiß, wessen Mikrofon unter den angemeldeten Teilnehmenden gerade aktiv ist, und kann so ganz ohne Stimmanalyse Namen anzeigen. Einige Apps lassen Sie eine Stimme einmal markieren und versuchen dann, sie in späteren Aufnahmen wiederzuerkennen. OpenAIs Transkriptionsmodell mit Diarisierung nimmt laut Dokumentation zum Beispiel kurze Referenzclips bekannter Sprecher an. Reine Diarisierung einer hochgeladenen Datei, wie sie die meisten Transkriptionsdienste anbieten, endet mit generischen Labels, die Sie umbenennen.

Wie Sprechererkennung funktioniert

Moderne Systeme unterscheiden sich im Detail, folgen aber meist denselben groben Stufen. Das Open-Source-Toolkit pyannote.audio, eine der meistgenutzten Diarisierungsbibliotheken, beschreibt seine Pipeline in Hervé Bredins Interspeech-2023-Paper „pyannote.audio 2.1 speaker diarization pipeline: principle, benchmark, and recipe" in drei Hauptstufen: lokale Segmentierung über kurze, gleitende Fenster, Sprecher-Embeddings und globales Clustering.

1. Sprache finden

Die Sprachaktivitätserkennung (Voice Activity Detection) markiert, welche Teile der Aufnahme Sprache enthalten, und verwirft Stille, Musik und Geräusche. Fehler hier ziehen sich durch: Überhörte Sprache bekommt kein Label, und Geräusche, die für Sprache gehalten werden, können einen Phantomsprecher erzeugen.

2. Sprache segmentieren

Die Sprache wird in kurze Stücke geschnitten, in denen idealerweise nur eine Person spricht. Neuere neuronale Modelle betrachten jeweils einige Sekunden und schätzen, welche Sprecher in jedem Frame aktiv sind; so können sie auch überlappende Sprache markieren.

3. Jeden Abschnitt in ein Stimm-Embedding umwandeln

Ein neuronales Netz wandelt jeden Abschnitt in ein Embedding um: eine Zahlenreihe, die erfasst, wie die Stimme klingt (Tonhöhe, Klangfarbe, Sprechweise), nicht was gesagt wird. Abschnitte derselben Person sollten Embeddings ergeben, die nah beieinanderliegen.

4. Embeddings clustern

Ein Clustering-Algorithmus gruppiert ähnliche Embeddings. Jede Gruppe wird zu einem Sprecher. Schwierig ist die Entscheidung, wie viele Gruppen es gibt: zu wenige, und zwei Personen verschmelzen zu einem Label; zu viele, und eine Person verteilt sich auf mehrere Labels. Manche Dienste lassen Sie die erwartete Sprecherzahl angeben, um dabei zu helfen.

5. Mit den Wörtern abgleichen

Zum Schluss werden die Sprecherabschnitte mit den Wort-Zeitstempeln der Spracherkennung abgeglichen, sodass jede Zeile des Transkripts ein Label erhält. Fehler an den Übergängen sind häufig: Das erste Wort einer Antwort landet mitunter beim vorherigen Sprecher.

Die Forschung misst die Qualität mit der Diarization Error Rate (DER), die überhörte Sprache, Fehlalarme und verwechselte Sprecher zusammenfasst. Veröffentlichte Werte schwanken je nach Datensatz enorm, von sauberem Rundfunkton bis zu lauten Meetings mit vielen Beteiligten; eine einzelne „Genauigkeit" sagt daher wenig über Ihre eigenen Aufnahmen aus.

Was die Sprechertrennung stört

• Überlappende Sprache. Reden zwei Personen gleichzeitig, gewinnt meist eine Stimme das Label, und die Worte der anderen gehen verloren oder werden falsch zugeordnet.
• Ähnliche Stimmen. Zwei Personen mit ähnlichem Alter, Geschlecht und Akzent erzeugen nah beieinanderliegende Embeddings und können verschmelzen.
• Telefon- und komprimiertes Audio. Schmalbandige Telefonleitungen und stark komprimierte Sprachnachrichten entfernen viele Details, auf die Embeddings angewiesen sind.
• Viele Sprecher. Jede weitere Stimme erschwert das Clustering, vor allem, wenn manche nur kurz sprechen.
• Kurze Redebeiträge. „Ja", „genau" und andere Ein-Wort-Einwürfe sind zu kurz für ein verlässliches Embedding.
• Ein einziges, entferntes Mikrofon. Ein Laptop mitten im Raum fängt Hall und ungleiche Pegel ein; dieselbe Person klingt je nach Sitzplatz anders.
• Wechselnde Bedingungen. Wer sich bewegt, vom Headset auf die Freisprechfunktion wechselt oder zu flüstern beginnt, kann auf zwei Labels aufgeteilt werden.
• Hintergrundgeräusche und Musik. Beides kann für Sprache gehalten werden oder Stimmmerkmale verwischen.

Sprecher im Transkript zuverlässiger trennen

Den größten Gewinn bringt die Aufnahme, nicht die Software. Unsere Tipps für genauere Transkription behandeln die Tonqualität allgemein; speziell für Sprecher gilt:

• Geben Sie nach Möglichkeit jeder Person ein eigenes Mikrofon, oder halten Sie zumindest alle in ähnlichem Abstand zu einem gemeinsamen.
• Wenn Sie jede Person auf einer eigenen Spur aufnehmen können (Podcast-Setup oder eine Stereo-Gesprächsaufnahme mit einer Seite pro Kanal), transkribieren Sie die Spuren getrennt. Getrennte Kanäle sind zuverlässiger als jedes Stimm-Clustering.
• Bitten Sie die Beteiligten, in den Passagen, die Sie wörtlich brauchen, nicht durcheinanderzureden und vor einer Antwort kurz abzuwarten.
• Vermeiden Sie Freisprechen und Videocall-Ton über Raumlautsprecher, wenn eine direkte Aufnahme möglich ist.
• Lassen Sie jede Person zu Beginn ihren Namen sagen. Das trainiert das Modell nicht, macht das Umbenennen der Labels aber schnell.
• Behalten Sie ein Gespräch nach Möglichkeit in einer Datei. Transkribieren Sie es in Teilen, passen die Labels nicht zusammen: Sprecher 1 im ersten Teil ist im zweiten vielleicht Sprecher 2.
• Prüfen Sie die ersten Minuten des Transkripts. Sind zwei Personen verschmolzen, bleibt das Problem meist für die ganze Datei bestehen.

Bei Interviews erklärt unser Leitfaden zur Interview-Transkription Mikrofonplatzierung und Einwilligung; denken Sie in der EU daran, dass die DSGVO für Aufnahmen identifizierbarer Personen gilt. Für Online-Gespräche lesen Sie den Leitfaden zur Meeting-Transkription in Google Meet, Zoom und Teams.

Sprecher in Audiotexta umbenennen und korrigieren

Wenn Sie in Audiotexta eine Datei hochladen, einen Link einfügen oder über das Mikrofon aufnehmen, kommt das Transkript mit Sprecher-Labels und Zeitstempeln zurück. Um aus Sprecher 1 und Sprecher 2 echte Namen zu machen, benennen Sie den Sprecher im Editor um; der neue Name gilt für alle Abschnitte dieses Sprechers im gesamten Transkript. Der Editor hebt Wörter beim Abspielen hervor und springt per Klick auf ein Wort an diese Stelle im Audio, sodass Sie einen zweifelhaften Redebeitrag schnell nachhören und korrigieren können.

Benennen Sie um und korrigieren Sie vor dem Export, damit die Namen in TXT, SRT und VTT übernommen werden (alle im kostenlosen Tarif ohne Konto verfügbar) oder in DOCX, PDF, CSV und JSON mit Pro. In Untertiteldateien helfen Sprechernamen dem Publikum, dem Dialog zu folgen; in CSV oder JSON können Sie damit auswerten, wer was gesagt hat.

Wie jedes Diarisierungssystem funktioniert Audiotexta am besten bei klarem Ton mit gut unterscheidbaren Stimmen, und es überträgt Sprechernamen nicht von einer Datei auf die nächste: Jede Aufnahme beginnt mit neuen, anonymen Labels.

Tools für Transkription mit Sprechererkennung

Sprecher-Labels sind inzwischen verbreitet, werden aber unterschiedlich umgesetzt. Hier ein kurzer Überblick auf Basis der Dokumentation der Anbieter oder, wo vermerkt, von Beschreibungen Dritter (geprüft im Oktober 2026; Funktionen ändern sich, prüfen Sie daher die Website des Anbieters).

Meeting-Plattformen haben hier einen echten Vorteil: Wenn alle über ihr eigenes Konto teilnehmen, kennen sie die Namen, ohne anhand der Stimmen zu raten. Apps, die Stimmabdrücke speichern, wie Otter, sparen Zeit beim Umbenennen, wenn Sie oft dieselben Personen aufnehmen. Für hochgeladene Aufnahmen von Interviews, Telefonaten oder Podcasts ist die stimmbasierte Diarisierung die einzige Option, und ein kurzer Blick samt Umbenennen im Editor gehört dazu.