Was ist Diarization?
Du nimmst ein Interview mit einer Kundin auf und lässt es abschreiben. Heraus kommt ein langer Text. Aber welcher Satz war ihrer und welcher deiner? Diese Frage beantwortet Diarization, auf Deutsch Sprechertrennung oder Sprechererkennung.
Google beschreibt die Funktion so: Sie erkennt, wann der Sprecher wechselt, und nummeriert die einzelnen Stimmen. Jedes Wort im Transkript bekommt eine Sprechermarke. Amazon nennt es „Speaker partitioning“, also Aufteilen nach Sprechern.
Wo dir Diarization begegnet
- Meeting-Notizen: Teams, Zoom und KI-Notetaker ordnen Aussagen Personen zu.
- Podcasts und Interviews: Das Transkript zeigt Gast und Gastgeber getrennt, Zitate lassen sich sauber übernehmen.
- Kundeninterviews: Für Personas und Kundenstimmen zählt, was die Kundin sagt, nicht der Interviewer.
- Vertriebsgespräche: Wer wie viel redet, lässt sich nur messen, wenn die Stimmen getrennt sind.
- Untertitel: Bei mehreren Personen im Video helfen Sprecherwechsel beim Lesen.
Fall A · Vertrieb
Redeanteil in Verkaufsgesprächen
57 %
bei gewonnenen Deals
62 %
bei verlorenen Deals
Wer mehr zuhört, gewinnt häufiger.
Auswertung von Gong über 326.000 Verkaufsgespräche, März 2025. Anbieterdaten. Messbar ist der Redeanteil nur, weil Diarization die Stimmen trennt.
Fall B · Genauigkeit
Wie oft die Zuordnung danebenliegt
11,2 %
Fehler, bestes Modell
13,3 %
Fehler, bestes Open Source
Auch die besten Systeme verpassen oder vertauschen Abschnitte.
Vergleichsstudie 2025 mit fast 200 Stunden Audio in fünf Sprachen, darunter Deutsch. Preprint.
Wie gut funktioniert das?
Gemessen wird mit der Diarization Error Rate, kurz DER. Sie zählt drei Fehler: Stille, die als Sprache gilt, übersehene Sprache und Sprache beim falschen Sprecher. Die Summe teilt man durch die gesamte Sprechzeit.
Wie gut es klappt, hängt vor allem an der Aufnahme. Das Open-Source-Werkzeug pyannote nennt für sein Gratis-Modell rund 11 % Fehler bei Gesprächsaufnahmen, aber fast 27 % bei Telefonaten und rund 47 % bei Alltagsaufnahmen. Das sind Herstellerangaben, Stand 2025.
Werkzeug
Besonderheit
Amazon Transcribe
bis zu 30 Sprecher
Google Speech-to-Text
Sprecherzahl vorgeben
Microsoft Teams Rooms
Namen per Stimmprofil
WhisperX
Open Source, mit pyannote
Whisper von OpenAI kann übrigens allein keine Sprecher trennen. Erst WhisperX kombiniert es mit pyannote. Dessen Entwickler schreiben selbst: Gleichzeitiges Reden wird nicht besonders gut erkannt.
Häufige Fehler
Fehler 1 · Sprecheranzahl nicht angeben
Weißt du, dass zwei Leute sprechen, sag es dem Tool. Google und Amazon lassen dich die erwartete Zahl vorgeben. Sonst erfindet das System gern einen dritten Sprecher oder wirft zwei zusammen.
Fehler 2 · Mit einem Raummikrofon aufnehmen
Ein Mikrofon in der Raummitte, Hall und Durcheinanderreden sind Gift. Microsoft empfiehlt für die Sprechererkennung in Teams-Räumen höchstens zehn Personen. Besser ist ein eigenes Mikrofon je Person, dann hat jeder seine Tonspur.
Fehler 3 · Zitate ungeprüft übernehmen
Steht ein Kundenzitat auf deiner Website, muss es von der Kundin stammen. Bei 10 % Zuordnungsfehlern landet auch mal deine Frage in ihrem Mund. Hör jede Stelle nach, bevor sie veröffentlicht wird.
Fehler 4 · Stimmprofile ohne Rechtsgrundlage
Reine Diarization arbeitet mit anonymen Nummern. Erkennt ein Stimmprofil Personen eindeutig wieder, kann es um biometrische Daten gehen. Die stellt Art. 9 DSGVO unter besonderen Schutz. Und für das Aufnehmen selbst brauchst du die Zustimmung aller: § 201 StGB stellt heimliche Aufnahmen unter Strafe.
So bekommst du saubere Transkripte
- Vorher fragen: Alle Beteiligten stimmen der Aufnahme zu.
- Getrennte Spuren: In Zoom oder Riverside jede Person einzeln aufnehmen lassen.
- Sprecherzahl eintragen: wenn das Tool es anbietet.
- Namen zuweisen: „Sprecher 1“ einmal umbenennen, Zoom lässt das im Webportal zu.
- Stichproben hören: vor allem an Sprecherwechseln.
Häufige Fragen
Was bedeutet Diarization auf Deutsch?
Sprechertrennung oder Sprecherzuordnung. Gemeint ist, eine Aufnahme nach Stimmen zu sortieren, sodass im Transkript steht, wer wann gesprochen hat.
Was ist der Unterschied zur Sprecheridentifikation?
Diarization trennt Stimmen, ohne zu wissen, wem sie gehören. Sprecheridentifikation ordnet eine Stimme über ein hinterlegtes Stimmprofil einer bekannten Person zu. Microsoft Teams bietet beides als zwei getrennte Modi an.
Kann Whisper Sprecher unterscheiden?
Nein, nicht allein. Whisper schreibt nur ab. Für die Sprecher brauchst du ein Zusatzwerkzeug wie pyannote, das zum Beispiel in WhisperX schon eingebaut ist.
Wie viele Sprecher schafft eine Diarization?
Das hängt vom Anbieter ab. Amazon Transcribe trennt bis zu 30 Sprecher. Praktisch wird es aber schon ab fünf, sechs Personen im selben Raum ungenau, besonders wenn sie durcheinanderreden.
Warum steht im Transkript „Unknown Speaker“?
Weil das System eine Passage keiner Stimme sicher zuordnen konnte. Zoom zeigt dann „Unknown Speaker“. Du kannst die Stelle meist von Hand umbenennen.
