Sprecherdiarisierung
Sprecherdiarisierung (Speaker Diarization) ist die Aufgabe, eine Audioaufnahme nach Sprechern aufzuteilen und jeden Sprechabschnitt damit zu kennzeichnen, wer ihn gesagt hat. Sie beantwortet die Frage „Wer hat wann gesprochen?“.
Auch: diarisation, diarization, speaker labelling, who spoke when
Von Divya Sharma · Geprüft am 15. Nov. 2026 · So testen wir
Ein reines Transkript eines Meetings ist eine Wand aus Wörtern. Diarisierung versieht jedes Segment mit Labels wie Sprecher 1 und Sprecher 2, sodass du dem Gespräch folgen, Zitate zuordnen und die Punkte jeder Person zusammenfassen kannst. Sie ist Standard bei Meeting-Notizen, Callcenter-Analysen, Interview-Transkription und Podcast-Tools.
So funktioniert es
Eine typische Pipeline findet zuerst, wo gesprochen wird, schneidet das dann in kurze Segmente, verwandelt jedes Segment in ein Sprecher-Embedding (einen kompakten Stimmabdruck) und clustert die Embeddings, sodass Segmente mit ähnlichen Stimmen dasselbe Label bekommen. Neuere neuronale Systeme erledigen mehr davon in einem Modell, auch überlappende Sprache. Offene Toolkits wie pyannote, mit Modellen wie pyannote community-1, sind weit verbreitet; manche Transkriptionsmodelle geben Sprecher-Labels direkt aus.
Unterschied zu Speech-to-Text
Speech-to-Text liefert die Wörter. Diarisierung liefert die Sprecherwechsel, ohne zu wissen, was gesagt wurde. Produkte verbinden beides, indem sie die Zeitstempel abgleichen. Diarisierung identifiziert Menschen außerdem nicht mit Namen: Sie gruppiert Stimmen. Eine Stimme einer bekannten Person zuzuordnen ist Sprecheridentifikation, eine eigene Aufgabe mit eigenen Datenschutzregeln.
Grenzen
Fehler nehmen zu bei Durcheinanderreden, kurzen Einwürfen, ähnlichen Stimmen, schlechten Mikrofonen und einer unbekannten Zahl von Sprechern. Viele Tools lassen dich die erwartete Sprecherzahl angeben, was hilft.
Verwandte Begriffe
- Speech-to-Text
- Speech-to-Text (Spracherkennung), auch Automatic Speech Recognition (ASR) genannt, ist Software, die gesprochenes Audio in geschriebenen Text umwandelt. Sie steckt hinter Transkription, Untertiteln, Sprachbefehlen und der zuhörenden Hälfte von Voice Agents.
- Voice Agent
- Ein Voice Agent (Sprachagent) ist ein KI-Agent, der in Echtzeit ein gesprochenes Gespräch führt: Er hört einer Person zu, entscheidet, was er sagen oder tun soll, und antwortet mit einer synthetischen Stimme, oft über eine Telefonleitung oder in einer App.
- Embedding
- Ein Embedding (Einbettung) ist eine Liste von Zahlen (ein Vektor), die ein Stück Text, ein Bild oder andere Daten repräsentiert und so erzeugt wird, dass Elemente mit ähnlicher Bedeutung nahe beieinanderliegende Vektoren erhalten.
- Text-to-Speech
- Text-to-Speech (TTS, Sprachsynthese) ist Software, die geschriebenen Text in gesprochenes Audio verwandelt. Modernes TTS nutzt neuronale Netze, die aus dem Text den Klang der Sprache vorhersagen und ihn dann als Wellenform ausgeben.