Alle Beiträge
Leitfäden· Aktualisiert am 2026/10/18

Was ist Sprecherdiarisierung? Wie KI herausfindet, wer was gesagt hat

Was ist Sprecherdiarisierung? Wie KI Stimmen trennt, Aufnahmen in Dialoge verwandelt und wo die Grenzen der Technologie liegen.

Transkription beantwortet, was gesagt wurde. Sprecherdiarisierung beantwortet, wer es gesagt hat. Es ist der Schritt, der einen undifferenzierten Textblock in einen lesbaren Dialog verwandelt — Sprecher 1, dann Sprecher 2, und wieder zurück — und er macht das Transkript eines Interviews, einer Besprechung oder eines Podcasts nutzbar statt zu einer Wortwand.

Eine Definition in einem Satz

Sprecherdiarisierung ist der Prozess, eine Audioaufnahme nach Sprecher zu partitionieren — festzustellen, „wer wann gesprochen hat“, und jedes Segment unter einem konsistenten Sprecher-Label zu gruppieren, ohne notwendigerweise die echten Identitäten der Sprecher zu kennen. Sie beantwortet das Wer, nicht das Wer genau.

Diese letzte Unterscheidung bringt Leute durcheinander, deshalb ist eine Tabelle angebracht.

Diarisierung vs. Erkennung vs. Verifizierung

AufgabeBeantwortete FrageMuss die Personen vorab kennen?
Sprecherdiarisierung„Wer sprach wann?“ (Sprecher 1 vs. Sprecher 2)Nein
Sprechererkennung / -identifikation„Welche bekannte Person ist das?“Ja — eine Menge bekannter Stimmen
Sprecherverifizierung„Ist das die bestimmte Person, die sie zu sein behauptet?“Ja — eine behauptete Identität

Diarisierung ist die, die du für Transkription willst. Sie versucht nicht, jemanden zu benennen; sie hält nur jede eigene Stimme konsistent getrennt, damit du sie hinterher selbst beschriften kannst („Interviewer“, „Teilnehmer“). Erkennung und Verifizierung sind die Technologien hinter Sprachbiometrie und Sprach-Entsperrung — eine andere Aufgabe.

Wie Diarisierung funktioniert, kurz

Unter der Haube fahren die meisten Systeme eine Pipeline etwa so:

  1. Sprachaktivitätserkennung — finden, wo überhaupt jemand spricht, und die Stille verwerfen.
  2. Segmentierung — die Sprache an wahrscheinlichen Sprecherwechselpunkten in kurze Einzelsprecher-Abschnitte schneiden.
  3. Embedding — jeden Abschnitt in einen numerischen „Stimmabdruck“ verwandeln, der die Eigenschaften der Stimme erfasst.
  4. Clustering — die Stimmabdrücke gruppieren, sodass Abschnitte derselben Stimme zusammenfallen, was Sprecher 1, Sprecher 2 und so weiter ergibt.

Der schwierige Teil ist meist das Clustering: Oft muss das System schätzen, wie viele Sprecher es gibt, statt es gesagt zu bekommen, und ähnlich klingende Stimmen werden leicht versehentlich zusammengeführt.

Wo sie schwächelt

Diarisierung ist wirklich schwierig, und die Fehlermodi zu kennen, hilft dir, drumherum aufzunehmen:

  • Überlappende Sprache. Wenn zwei Personen gleichzeitig sprechen, gehört ein einzelner Audioabschnitt zwei Sprechern — schwer sauber zu trennen.
  • Ähnliche Stimmen. Zwei Sprecher mit ähnlicher Tonhöhe und ähnlichem Akzent können als einer geclustert werden.
  • Sehr kurze Beiträge. Ein schnelles „ja“ oder „genau“ gibt dem System wenig Audio als Grundlage.
  • Durcheinanderreden und geteilte Mikrofone. Ein Mikrofon, das einen ganzen Raum aufnimmt, verwischt die Grenzen zwischen den Personen.
  • Unbekannte Sprecheranzahl. Die Zahl der Sprecher falsch zu raten, spaltet eine Person in zwei oder fasst zwei zu einer zusammen.

Nichts davon ist einzigartig für Maschinen — auch Menschen hören erneut hin, um eine durcheinanderredende Besprechung zu entwirren. Wie bei den Wörtern selbst behandle automatische Sprecher-Labels als starken ersten Entwurf und korrigiere die offensichtlichen Ausrutscher. (Wie die Genauigkeit der Wörter gemessen wird, siehe wie genau ist KI-Transkription.)

So sah es in unserem Test aus

Wir haben die Sprecher-Labels von ScribeToAny an derselben Aufnahme geprüft, die wir für unsere Transkript-Beispiele (auf Englisch) verwenden: ein 64 Sekunden langes Interview mit zwei Personen, nach einem Skript mit zwei Text-to-Speech-Stimmen erstellt, die Stimme des Gastes an einigen Stellen um 32 % beschleunigt. Sprecher erkennen stand auf zwei.

  • 14 von 14 Sprecherwechseln kamen mit dem richtigen Label zurück, auch die beschleunigten Antworten.
  • Die Labels hießen SPEAKER_00 und SPEAKER_01: die zuerst gehörte Stimme und die zweite. Sie HOST und MAYA zu nennen, war unsere Sache.
  • Die 14 Redebeiträge kamen als 30 Segmente an, weil Segmente auf Untertitellänge geschnitten werden, nicht an Sprecherwechseln. Fasst man jede Folge mit demselben Label zusammen, entstehen wieder 14 lesbare Absätze.

Das ist der günstigste Fall. Die beiden synthetischen Stimmen klingen deutlich verschieden, niemand redet dazwischen, es gibt keine Hintergrundgeräusche, und wir haben dem System gesagt, dass es zwei Sprecher sind. Damit entfällt der schwierigste Schritt: zu schätzen, wie viele es sind. Ein Meeting mit vier Personen an einem Laptop-Mikrofon liegt am anderen Ende der Liste oben.

Warum das für dein Transkript zählt

Sprecher-Labels sind der Unterschied zwischen einem Transkript, mit dem du arbeiten kannst, und einem, das du erneut anhören musst:

  • Interviews lesen sich als echter Austausch, und du kannst den Teilnehmer zitieren, ohne zu suchen, wer was gesagt hat.
  • Besprechungen werden zum Protokoll: Entscheidungen und Aufgaben hängen an einer Person.
  • Podcasts werden zu Shownotes und Untertiteln, in denen Host und Gast unterscheidbar sind.

Transkripte mit Sprecher-Labels bekommen

In ScribeToAny kennzeichnet das Einschalten von Sprecher-Labels jedes Segment schon beim Transkribieren, sodass eine Mehrpersonenaufnahme als Dialog statt als Block zurückkommt. Die gesprochene Sprache wird automatisch erkannt (rund 98 werden unterstützt), und im Browser-Editor spielt ein Klick auf ein beliebiges Segment diesen Moment erneut ab — der schnellste Weg, eine Sprechergrenze zu bestätigen oder ein Label vor dem Export zu korrigieren.

Um für gute Diarisierung aufzunehmen: gib jeder Person nach Möglichkeit ein eigenes Mikrofon, halte einen ruhigen Raum und fördere das Abwechseln statt des Übereinanderredens. Saubere Trennung im Audio ist das, wovon saubere Trennung im Transkript abhängt.

Sie ist auch in die szenenspezifischen Tools eingebaut — Besprechungstranskription, Interviewtranskription und Podcast-Transkription erwarten jeweils mehr als eine Stimme. Für einen vollständigen Forschungsablauf mit Sprecherzuordnung siehe wie man Forschungsinterviews transkribiert; um eine Folge in beschriftete Shownotes zu verwandeln, kostenlose Podcast-Transkription für Shownotes.


Diarisierung ist der stille Schritt, der ein Transkript lesbar macht — sie trennt die Stimmen, damit die Wörter jemandem gehören. Nimm jeden Sprecher sauber auf, lass das Tool die Beiträge beschriften und korrigiere die wenigen, die es falsch macht. Beginne mit der Interviewtranskription, und dein Transkript liest sich wie ein Gespräch.