Startseite > Lexikon > KI im Marketing > Diarization Error Rate

Bleistiftskizze: Drei Figuren am Tisch, davor ein Streifen mit Segmenten, ein oranger Pfeil zeigt zur falschen Person als Bild für Sprecherfehler
KI im Marketing

Diarization Error Rate

DER

Die Kennzahl dafür, wie gut eine Software erkennt, wer wann spricht. Wichtig für Meeting-Protokolle, Podcast-Transkripte und Call-Analysen — überall, wo ein Zitat dem richtigen Menschen gehören muss.

6 Min

Lesezeit

21.11.2026

Letzte Aktualisierung

Was ist die Diarization Error Rate?

Dein Meeting-Tool schreibt das Protokoll: „Anna: Wir erhöhen das Budget.“ Gesagt hat das aber Jens. Das Transkript ist Wort für Wort richtig — nur der Sprecher falsch. Diese Art Fehler misst die Diarization Error Rate.

Diarization heißt, eine Aufnahme nach Sprechern aufzuteilen: Wer spricht wann? Die DER gibt an, welcher Anteil der Sprechzeit nicht dem richtigen Sprecher zugeordnet wird. So definiert sie der Bewertungsplan der DIHARD-Challenge, einer der wichtigsten Vergleichstests.

Drei Fehler fließen ein, alle gemessen in Sekunden:

  • Fehlalarm: Das System meldet Sprache, wo keine ist — etwa bei Musik oder Husten.
  • Verpasste Sprache: Echte Sprache wird als Stille gewertet.
  • Sprecherverwechslung: Die Sprache landet beim falschen Sprecher.

Wie wird sie berechnet?

Standard-Formel

DER = (Fehlalarm + verpasste Sprache + Sprecherverwechslung) ÷ gesamte Sprechzeit × 100

Beispiel: 40 s + 60 s + 80 s bei 1.600 s Sprechzeit → DER = 11,3 %

Woher du die Werte bekommst:

  • Referenz: ein Stück Aufnahme, in dem ein Mensch sekundengenau markiert hat, wer wann spricht
  • Fehlerzeiten: aus einem Bewertungswerkzeug wie pyannote.metrics oder dscore
  • Sprechzeit: die Summe aller Redezeiten laut Referenz

Collar und Überlappung: Warum Werte nicht vergleichbar sind

Menschen markieren Sprecherwechsel nicht auf die Millisekunde genau. Deshalb lassen viele Studien rund um jeden Wechsel ein kleines Fenster unbewertet. Das heißt Collar. Üblich sind 0,25 Sekunden vor und nach jeder Grenze, zusammen also eine halbe Sekunde.

Dazu kommt die Frage, ob überlappende Sprache mitgewertet wird. Mit Collar und ohne Überlappung sieht jedes System besser aus. Die Modellkarten von pyannote rechnen streng: kein Collar, Überlappung zählt. Vergleiche nur Werte, die nach denselben Regeln entstanden sind.

Welche Werte schaffen aktuelle Systeme?

Einen allgemeinen Richtwert gibt es nicht. Wie stark die DER von der Art der Aufnahme abhängt, zeigt das offene Modell pyannote community-1 (streng gemessen, Stand September 2025):

Aufnahme

DER

Talkrunden, YouTube

11,2 %

Meeting, Headset

17,0 %

Meeting, Raummikro

19,9 %

Telefonate

26,7 %

Die kommerzielle Variante precision-2 desselben Anbieters kommt laut Hersteller bei Telefonaten auf 16,6 %. Eine unabhängige Studie der ETH Zürich von 2025 sah bei deutschen Telefonaten 8,3 % für die pyannoteAI-Schnittstelle und 19,0 % für die ältere offene Version 3.1 — dort allerdings mit Collar gemessen.

Häufige Fehler

Fehler 1 · Äpfel mit Birnen vergleichen

Ein Anbieter wirbt mit 8 %, ein anderer mit 17 %? Erst fragen: Mit Collar? Mit Überlappung? Auf welchen Aufnahmen? Ohne diese Angaben sagt die Zahl nix.

Fehler 2 · 100 minus DER für die Trefferquote halten

Eine DER von 15 % heißt nicht „85 % richtig“. Die drei Fehlerarten addieren sich, und Fehlalarme können die Rate über 100 % treiben.

Fehler 3 · Benchmark auf die eigene Aufnahme übertragen

Dasselbe Modell liegt je nach Datensatz zwischen gut 11 und fast 47 %. Dein Vertriebsanruf mit Hall und Unterbrechungen ist kein Studio-Podcast. Miss mit fünf Minuten eigener Aufnahme nach.

Fehler 4 · Die DER für das ganze Bild halten

Die DER misst Zeit, nicht Worte. Laut AssemblyAI kann schon eine andere Art, Pausen zu schneiden, die DER eines fehlerfreien Transkripts von 0,3 auf über 30 % treiben. Wer wissen will, ob die richtigen Worte beim richtigen Menschen landen, schaut zusätzlich auf die Word Error Rate.

Was du konkret tun kannst

  • Mikrofon zuerst: Headsets statt Raummikrofon sparen laut pyannote-Werten rund drei Prozentpunkte.
  • Sprecherzahl angeben, wenn dein Tool das erlaubt.
  • Selbst messen: ein kurzes Stück von Hand markieren und mit pyannote.metrics vergleichen.
  • Zitate gegenprüfen, bevor sie in Protokolle, Social Posts oder Pressetexte wandern.

Häufige Fragen

Was ist eine gute Diarization Error Rate?

Eine allgemeine Schwelle gibt es nicht. Aktuelle Systeme liegen je nach Aufnahme meist zwischen etwa 8 und 27 %, bei schwierigen Aufnahmen wie Alltagsvideos auch über 40 %. Vergleiche nur Werte, die nach denselben Regeln gemessen wurden.

Warum kann die DER über 100 % liegen?

Weil Fehlalarme nicht begrenzt sind. Hält ein System lange Musik oder Stille für Sprache, kann die falsch gemeldete Zeit größer werden als die echte Sprechzeit. Die DER ist deshalb keine Trefferquote.

Was bedeutet „Collar“ bei der DER?

Ein kleines Toleranzfenster rund um jeden Sprecherwechsel, das nicht bewertet wird. Üblich sind 0,25 Sekunden auf jeder Seite. Werte mit Collar fallen niedriger aus als Werte ohne.

Was ist der Unterschied zwischen DER und Word Error Rate?

Die Word Error Rate zählt falsch erkannte Wörter und ignoriert, wer spricht. Die DER misst die Sprecherzuordnung über die Zeit und ignoriert, was gesagt wird. Für gute Transkripte brauchst du beides.

Wie messe ich die DER für meine eigenen Aufnahmen?

Markiere in einem kurzen Ausschnitt von Hand, wer wann spricht. Lass das Tool denselben Ausschnitt verarbeiten und vergleiche beides mit pyannote.metrics oder dscore. Fünf bis zehn Minuten typischer Aufnahme reichen für eine erste Einschätzung.

Begriff teilenHat dir die Definition geholfen? Schick sie weiter.