Sprekerherkenning uitgelegd: zo weet een transcript wie sprak

Sprekerherkenning in transcriptie, technisch speaker diarization of diarisatie genoemd, is de stap die beantwoordt "wie sprak wanneer": de opname wordt in segmenten geknipt, segmenten die als dezelfde stem klinken worden gegroepeerd en krijgen labels als Spreker 1, Spreker 2 enzovoort. Het systeem kent niemands naam; die voeg jij achteraf toe, of een systeem dat de deelnemers al kent. Het werkt goed bij heldere opnames met een paar duidelijk verschillende stemmen en heeft moeite met door elkaar praten, stemmen die op elkaar lijken, telefoonaudio en grote groepen.

In deze gids lees je in gewone taal wat diarisatie is, hoe het verschilt van stemidentificatie, hoe het onder de motorkap werkt, wat het verstoort en hoe je een transcript krijgt met sprekerslabels waarop je kunt vertrouwen.

Wat is sprekerherkenning (speaker diarization)?

Een kaal transcript is een muur van tekst. Diarisatie maakt er een gesprek van:

Spreker 1  00:00:03  Fijn dat jullie er zijn. Zullen we met de begroting beginnen?
Spreker 2  00:00:07  Prima. We zitten ongeveer tien procent boven budget op reiskosten.
Spreker 1  00:00:12  Oké, waar komt dat door?

De term komt van het Engelse "diary", dagboek: het systeem houdt bij welke stem op elk moment actief is. In de meeste transcriptietools draait diarisatie naast de spraakherkenning. Het spraakmodel levert woorden met tijdcodes, het diarisatiemodel levert sprekersegmenten met tijdcodes, en die twee worden op elkaar afgestemd zodat elk woord of elke zin een sprekerslabel krijgt.

Transcribeer je interviews, vergaderingen of podcasts, dan maken juist deze labels de tekst bruikbaar: je citeert de juiste persoon, ziet wie het meest aan het woord was en scant een lang gesprek per spreker.

Diarisatie vs stemidentificatie

De twee worden vaak verward, en in het Nederlands heten ze allebei soms "sprekerherkenning". Veel productpagina's gebruiken ook "speaker identification" losjes voor beide.

Sommige tools combineren de twee. Een vergaderplatform weet welke ingelogde deelnemer zijn microfoon gebruikt en kan dus namen tonen zonder stemanalyse. Sommige apps laten je een stem één keer taggen en proberen die dan in latere opnames te herkennen. Het diarisatie-transcriptiemodel van OpenAI accepteert volgens de documentatie bijvoorbeeld korte referentiefragmenten van bekende sprekers. Gewone diarisatie van een geüpload bestand, wat de meeste transcriptiediensten doen, eindigt met algemene labels die je zelf hernoemt.

Hoe speaker diarization werkt

Moderne systemen verschillen in details, maar de meeste doorlopen dezelfde grote stappen. De opensource toolkit pyannote.audio, een van de meest gebruikte diarisatiebibliotheken, beschrijft zijn pijplijn in het Interspeech 2023-paper van Hervé Bredin, "pyannote.audio 2.1 speaker diarization pipeline: principle, benchmark, and recipe", in drie hoofdfasen: lokale segmentatie over korte verschuivende vensters, sprekerembeddings en globale clustering.

1. Vinden waar spraak is

Spraakactiviteitsdetectie markeert welke delen van de opname spraak bevatten en negeert stilte, muziek en ruis. Fouten hier werken door: gemiste spraak krijgt geen label, en ruis die voor spraak wordt aangezien kan een spookspreker opleveren.

2. De spraak segmenteren

De spraak wordt in korte stukken geknipt waarin idealiter maar één persoon praat. Nieuwere neurale modellen bekijken telkens een paar seconden en schatten per frame welke sprekers actief zijn, waardoor ze ook overlappende spraak kunnen aangeven.

3. Elk segment omzetten in een stem-embedding

Een neuraal netwerk zet elk segment om in een embedding: een rij getallen die vastlegt hoe de stem klinkt (toonhoogte, klankkleur, spreekstijl) in plaats van wat er gezegd wordt. Segmenten van dezelfde persoon horen embeddings op te leveren die dicht bij elkaar liggen.

4. De embeddings clusteren

Een clusteralgoritme groepeert vergelijkbare embeddings. Elke groep wordt een spreker. Het lastige is bepalen hoeveel groepen er zijn: te weinig en twee mensen vallen samen onder één label; te veel en één persoon wordt over meerdere labels verdeeld. Bij sommige diensten kun je het verwachte aantal sprekers opgeven om hierbij te helpen.

5. Afstemmen op de woorden

Ten slotte worden de sprekersegmenten gekoppeld aan de woordtijdcodes van de spraakherkenning, zodat elke regel van het transcript een label krijgt. Fouten op de grenzen komen vaak voor: het eerste woord van een antwoord kan bij de vorige spreker terechtkomen.

Onderzoekers meten de kwaliteit met de diarization error rate (DER), die gemiste spraak, valse alarmen en verwisselde sprekers combineert. Gepubliceerde cijfers lopen sterk uiteen per dataset, van heldere omroepaudio tot rumoerige vergaderingen met veel deelnemers, dus één "nauwkeurigheidscijfer" zegt weinig over jouw eigen opnames.

Wat de scheiding van sprekers verstoort

• Door elkaar praten. Als twee mensen tegelijk praten, krijgt meestal één stem het label en raken de woorden van de ander kwijt of worden ze verkeerd toegewezen.
• Stemmen die op elkaar lijken. Twee mensen van vergelijkbare leeftijd, met hetzelfde geslacht en accent leveren embeddings op die dicht bij elkaar liggen en kunnen samenvallen.
• Telefoon- en gecomprimeerde audio. Smalbandige telefoonlijnen en sterk gecomprimeerde spraakberichten halen veel detail weg waar embeddings op leunen.
• Veel sprekers. Elke extra stem maakt clusteren lastiger, vooral als sommige mensen maar kort iets zeggen.
• Korte beurten. "Ja", "klopt" en andere tussenwerpsels van één woord zijn te kort voor een betrouwbare embedding.
• Eén microfoon op afstand. Een laptop midden in een ruimte vangt galm en ongelijke volumes op; dezelfde persoon kan anders klinken afhankelijk van waar hij of zij zit.
• Veranderende omstandigheden. Een spreker die rondloopt, van headset naar luidspreker wisselt of gaat fluisteren, kan in twee labels worden opgesplitst.
• Achtergrondgeluid en muziek. Beide kunnen voor spraak worden aangezien of stemkenmerken vervagen.

Sprekers in een transcript betrouwbaarder scheiden

De meeste winst zit in de opname, niet in de software. Onze tips voor nauwkeurige transcriptie gaan over audiokwaliteit in het algemeen; specifiek voor sprekers:

• Geef iedereen een eigen microfoon als dat kan, of zorg in elk geval dat iedereen op vergelijkbare afstand van een gedeelde microfoon zit.
• Kun je elke persoon op een apart spoor opnemen (een podcastopstelling, of een stereo-opname van een gesprek met elke kant op een eigen kanaal), transcribeer de sporen dan afzonderlijk. Aparte kanalen zijn betrouwbaarder dan welke stemclustering ook.
• Vraag mensen elkaar niet in de rede te vallen tijdens de delen die je letterlijk nodig hebt, en laat even een stilte vallen voor een antwoord.
• Vermijd de luidspreker van de telefoon en vergaderaudio die via speakers in de ruimte loopt als een directe opname mogelijk is.
• Laat elke deelnemer aan het begin zijn of haar naam zeggen. Het traint het model niet, maar labels hernoemen gaat dan snel.
• Houd één gesprek waar mogelijk in één bestand. Transcribeer je het in delen, dan lopen de labels niet gelijk: Spreker 1 in deel één kan Spreker 2 zijn in deel twee.
• Controleer de eerste minuten van het transcript. Zijn twee mensen samengevoegd, dan blijft dat probleem meestal het hele bestand bestaan.

Voor interviews behandelt onze gids voor het transcriberen van interviews microfoonplaatsing en toestemming; voor gesprekken lees je de gids over vergaderingen transcriberen in Google Meet, Zoom en Teams.

Sprekers hernoemen en corrigeren in Audiotexta

Upload je een bestand, plak je een link of neem je op met de microfoon in Audiotexta, dan krijg je het transcript terug met sprekerslabels en tijdcodes. Om van Spreker 1 en Spreker 2 echte namen te maken, hernoem je de spreker in de editor; de nieuwe naam geldt voor alle segmenten van die spreker in het hele transcript. De editor markeert woorden tijdens het afspelen en laat je op een woord klikken om naar dat punt in de audio te springen, zodat je een twijfelachtige beurt snel op het gehoor controleert en corrigeert.

Hernoem en corrigeer vóór je exporteert, zodat de namen meegaan naar TXT, SRT en VTT (allemaal beschikbaar op het gratis abonnement, ook zonder account) of naar DOCX, PDF, CSV en JSON op Pro. In ondertitelbestanden helpen sprekersnamen kijkers de dialoog te volgen; in CSV of JSON kun je analyseren wie wat zei.

Zoals elk diarisatiesysteem werkt Audiotexta het best bij heldere audio met duidelijk verschillende stemmen, en het neemt sprekersnamen niet mee van het ene bestand naar het volgende: elke opname begint met nieuwe, anonieme labels.

Tools die transcriberen met sprekerslabels

Sprekerslabels zijn inmiddels gangbaar, maar ze worden verschillend uitgevoerd. Hier een kort overzicht op basis van de documentatie van elke leverancier of, waar aangegeven, beschrijvingen door derden (gecontroleerd in oktober 2026; functies veranderen, dus controleer het op de site van de leverancier).

Vergaderplatforms hebben hier een echt voordeel: als iedereen met een eigen account deelneemt, kennen ze de namen zonder op stemmen te hoeven gokken. Apps die stemafdrukken onthouden, zoals Otter, besparen tijd bij het hernoemen als je vaak dezelfde mensen opneemt. Voor geüploade opnames van interviews, telefoongesprekken of podcasts is diarisatie op basis van stemmen de enige optie, en even controleren en hernoemen in de editor hoort er gewoon bij.