Startseite › Transkript mit Sprechern

Funktion · Sprechererkennung

Transkript mit Sprechern: wer hat was gesagt

Ein Transkript ohne Sprecherzuordnung ist bei mehreren Beteiligten fast wertlos — man liest eine Wand aus Text und weiß nicht, wer welchen Satz gesagt hat. Lesskeys trennt Aufnahmen automatisch nach Sprechern, lässt Sie Namen vergeben und erkennt dieselben Personen in späteren Aufnahmen wieder. Vollständig auf Ihrem Mac.

Sprechertrennung, fachlich: Diarisierung

Die Aufgabe heißt in der Fachliteratur Sprecherdiarisierung (englisch speaker diarization) und beantwortet die Frage „wer spricht wann“. Sie ist unabhängig von der Spracherkennung: Die eine bestimmt was gesagt wurde, die andere von wem. Erst beide zusammen ergeben ein lesbares Gesprächsprotokoll.

Technisch läuft das in mehreren Stufen ab. Zuerst wird ermittelt, wo überhaupt gesprochen wird und wo Pause ist. Dann wird für jeden Sprachabschnitt ein numerischer Fingerabdruck der Stimme berechnet — ein Vektor, der Klangfarbe und Stimmcharakteristik beschreibt. Diese Vektoren werden anschließend gruppiert: Abschnitte mit ähnlichem Fingerabdruck gehören mit hoher Wahrscheinlichkeit zur selben Person. Zum Schluss werden benachbarte Abschnitte derselben Person zusammengefasst, damit im Transkript nicht alle fünf Sekunden ein neuer Absatz beginnt.

Wichtig für das Verständnis: Die Software erkennt Unterschiede zwischen Stimmen, nicht Identitäten. Wer „Sprecher 1“ ist, weiß nur, wer dabei war — deshalb vergeben Sie die Namen.

So sieht das in der Praxis aus

• Aufnehmen oder Datei laden. Lesskeys kann Mikrofon und Systemton gleichzeitig mitschneiden, also auch ein Videotelefonat — ohne dass ein Besprechungs-Bot dem Termin beitritt. Ebenso lässt sich eine vorhandene Aufnahme hineinziehen.
• Automatische Trennung. Nach der Verarbeitung steht das Transkript in Abschnitten da, jeweils mit Zeitmarke und vorläufiger Sprecherbezeichnung.
• Namen vergeben. Sie benennen einen Abschnitt einmal, und alle Abschnitte derselben Stimme übernehmen den Namen.
• Korrigieren. Einzelne falsch zugeordnete Passagen lassen sich einem anderen Sprecher zuweisen, zwei irrtümlich getrennte Stimmen lassen sich zusammenführen.
• Suchen und exportieren. Das fertige Transkript ist durchsuchbar — auch nach Sprecher — und lässt sich als Textdatei oder als Untertitel exportieren.

Wiedererkennung über mehrere Aufnahmen

Wenn Sie regelmäßig mit denselben Personen sprechen, ist das wiederholte Benennen lästig. Lesskeys kann deshalb Stimmprofile speichern: Der Fingerabdruck einer benannten Stimme bleibt lokal erhalten, und in der nächsten Aufnahme wird dieselbe Person automatisch mit ihrem Namen vorgeschlagen. Für eine wöchentliche Besprechung oder eine Interviewreihe spart das spürbar Zeit.

Diese Profile sind heikler als der übrige Inhalt: Ein Stimmprofil ist ein personenbezogenes Merkmal und in seiner Funktionsweise biometrieartig. Behandeln Sie es entsprechend. Konkret heißt das: Informieren Sie die Betroffenen darüber, dass Sie eine solche Wiedererkennung nutzen, holen Sie dafür die Zustimmung ein, und speichern Sie keine Profile von Personen, die damit nicht einverstanden sind. Die Profile bleiben auf Ihrem Mac und werden nicht übertragen — aber die Entscheidung, sie anzulegen, ist Ihre.

Wir behaupten ausdrücklich keine Garantie für die Genauigkeit der Zuordnung und keine Eignung zur Identifikation einer Person.

Wie zuverlässig ist die Zuordnung?

Bei sauber aufgenommenen Gesprächen mit zwei bis vier Personen, die einander ausreden lassen, ist die Trennung in der Regel gut brauchbar. Schwieriger wird es hier:

Die wichtigste Stellschraube ist nicht die Software, sondern die Aufnahme. Ein Ansteckmikrofon oder ein Konferenzmikrofon in der Mitte der Runde verbessert das Ergebnis stärker als jede Einstellung.

Die Aufnahme entscheidet über das Ergebnis

Sprechertrennung arbeitet mit Klangunterschieden, deshalb schlägt jede Verbesserung der Aufnahme jede Softwareeinstellung. Drei Punkte bringen in der Praxis am meisten: Erstens die Distanz — je näher das Mikrofon an den Sprechenden, desto klarer der Stimmabdruck. Zweitens der Raum: Hall verwischt genau die Merkmale, die zwei Stimmen unterscheidbar machen. Drittens die Gesprächsführung: Eine kurze Vorstellungsrunde am Anfang gibt jeder Stimme einen sauberen, ungestörten Abschnitt, an dem sich die Zuordnung festmachen lässt — und macht Ihnen später das Benennen leicht.

Warum die Trennung lokal stattfindet

Sprecherzuordnung ist typischerweise dort gefragt, wo die Aufnahme vertraulich ist: Personalgespräche, Beratungen, Interviews, Mandantengespräche, Forschungsdaten. Genau dieses Material an einen Online-Dienst zu geben, ist der Punkt, an dem viele Vorhaben scheitern.

Bei Lesskeys laufen sowohl Spracherkennung als auch Sprechertrennung auf Ihrem Mac. Die Audiodatei wird nicht hochgeladen, es gibt keinen Dienstleister, der sie in Ihrem Auftrag verarbeitet, und ein Benutzerkonto ist nicht nötig. Das ist eine Beschreibung der Architektur — keine Aussage über die Rechtmäßigkeit Ihrer Verarbeitung. Ob Sie ein bestimmtes Gespräch aufzeichnen, Stimmprofile anlegen und die Ergebnisse speichern dürfen, beurteilen Ihre Rechtsabteilung und Ihr Datenschutzbeauftragter.

Einwilligung ist hier kein Formalismus

Bei Aufnahmen mit mehreren Beteiligten ist die rechtliche Seite der eigentliche Engpass. In Deutschland ist das heimliche Aufzeichnen des nichtöffentlich gesprochenen Wortes nach § 201 StGB strafbar, mit Freiheitsstrafe bis zu drei Jahren — auch wenn Sie selbst am Gespräch teilnehmen. Es gibt also keine „private Ausnahme“ für Mitschnitte des eigenen Telefonats. Dies ist ein Hinweis, keine Rechtsberatung.

Bewährt hat sich diese Reihenfolge:

• Vor dem Start fragen und den Zweck nennen: was aufgenommen wird, wofür, wie lange gespeichert.
• Die Zustimmung dokumentieren — als erster Satz der Aufnahme oder schriftlich.
• Widerspricht jemand, wird nicht aufgezeichnet. Ein Protokoll von Hand bleibt immer möglich.
• Zusätzlich ansagen, wenn Sie Stimmprofile für die Wiedererkennung speichern.
• Im betrieblichen Umfeld: Der Einsatz ist eine technische Einrichtung im Sinne von § 87 Abs. 1 Nr. 6 BetrVG und damit mitbestimmungspflichtig — vorher mit Betriebsrat und Datenschutzbeauftragtem klären.

Voraussetzungen

Ab macOS 13 (Ventura) auf einem Mac mit Apple Silicon (M1 oder neuer) — Apple Silicon ist zwingend erforderlich, Intel-Macs werden nicht unterstützt. Erkannt werden 99 Sprachen mit automatischer Spracherkennung. Der Download ist kostenlos; die Vollversion schalten Sie mit einem einmaligen In-App-Kauf von 49,99 $ frei — kein Abo. In der kostenlosen Version sind 5 Minuten Diktat pro Tag sowie 5 Audio- und 5 Videotranskriptionen enthalten; Aufnehmen und erneutes Transkribieren sind unbegrenzt.

Häufige Fragen

Passend dazu