AnmeldenKostenlos testen

Was ist Sprecherdiarisierung?

Sprecherdiarisierung (auch Sprecherdiarisation) ist der Schritt der Spracherkennung, der ermittelt, wer wann spricht. Sie teilt eine Aufnahme nach Stimmen in Abschnitte auf und benennt diese als Sprecher 1, Sprecher 2 und so weiter. So zeigt das Transkript eines Interviews oder Meetings die Redebeiträge jeder Person statt eines einzigen Textblocks.

Beispiel
Ohne Diarisierung:
Also wo fangen wir an der Launch-Plan beginnt mit den Preisen okay.

Mit Diarisierung:
Sprecher 1 · 00:00:02  Also, wo fangen wir an?
Sprecher 2 · 00:00:04  Der Launch-Plan beginnt mit den Preisen.
Sprecher 1 · 00:00:07  Okay.

So funktioniert es

Das Audio wird in kurze Stücke geschnitten, aus jedem Stück entsteht ein Stimmabdruck, und ähnliche Abdrücke werden zu Sprechern gruppiert. Anschließend wird das Transkript Wort für Wort diesen Gruppen zugeordnet.

Diarisierung ist keine Identifikation

Die Diarisierung erkennt, dass zwei Stimmen verschieden sind, aber nicht, wem sie gehören. Die Namen kommen von Ihnen: Benennen Sie Sprecher 1 einmal in Anna um, und alle ihre Zeilen ändern sich mit.

Wo es schwierig wird

Wenn Menschen durcheinanderreden, bei sehr kurzen Antworten wie „ja“, bei ähnlichen Stimmen und wenn ein einzelnes Mikrofon weit von manchen Sprechern entfernt steht. Wenn Sie dem System sagen, wie viele Personen in der Aufnahme sprechen, ordnet es die Stimmen zuverlässiger zu.

Fragen

Wie viele Sprecher kann die Diarisierung unterscheiden?

Mehrere, aber die Genauigkeit sinkt, je mehr es werden und je kürzer die Redebeiträge sind. Am besten funktionieren zwei bis fünf Sprecher in einer klaren Aufnahme.

Funktioniert sie in jeder Sprache?

Ja. Die Diarisierung hört auf Stimmen, nicht auf Wörter, und funktioniert deshalb in jeder Sprache gleich.

Warum werden zwei Personen zu einem Sprecher zusammengefasst?

Ihre Stimmen ähneln sich, oder sie teilen sich ein weit entferntes Mikrofon. Legen Sie die Sprecheranzahl fest oder korrigieren Sie die Zuordnung im Editor.

Weiterlesen

Verwandte Begriffe

  • Wörtliche Transkription

    Eine wörtliche Transkription (Verbatim) hält Sprache genau so fest, wie sie gesagt wurde: jedes „ähm“ und „äh“, wiederholte Wörter, Satzabbrüche, Stottern und oft nonverbale Laute wie [lacht]. Das Gegenstück, die geglättete Transkription (Clean Verbatim), behält Worte und Aussage des Sprechers bei, entfernt aber Füllwörter und Versprecher, damit sich der Text flüssig liest.

  • Timecode

    Timecode ist eine Kennzeichnung für jedes einzelne Videobild im Format Stunden:Minuten:Sekunden:Frames – 01:02:03:12 ist Frame 12 der dritten Sekunde. Im Schnitt findet man damit denselben Moment in jeder Kopie eines Projekts. Untertiteldateien zählen die Zeit dagegen meist in Millisekunden, und genau da beginnen die Verwechslungen.

  • SDH-Untertitel

    SDH steht für Subtitles for the Deaf and Hard of Hearing, also Untertitel für Gehörlose und Hörgeschädigte. Neben dem Dialog nennen SDH-Untertitel Sprecher außerhalb des Bildes und beschreiben wichtige Geräusche – [Tür knallt], [Handy vibriert], [spannende Musik] –, damit das Video auch ohne Ton verständlich ist. Streamingdienste kennzeichnen sie zum Beispiel als Englisch [SDH].

Aktualisiert: