Sprecher-Diarisierung (Sprecher-Labels)
Diarisierung ermittelt, wer in einer Aufnahme wann gesprochen hat, und versieht jeden Sprachabschnitt mit einem Sprecher, etwa Sprecher 1 und Sprecher 2.
Ein einfaches Transkript ist ein einzelner Textblock. Diarisierung fügt Sprecher-Labels hinzu, sodass sich ein Meeting, ein Interview oder ein Anruf wie ein Gespräch liest. Sie kann ein separates Modell sein, das neben dem Transkribierer läuft, oder im Sprachmodell integriert sein – wie in Microsofts VibeVoice-ASR und NVIDIAs Nemotron 3.5 Transcribe, die beide Sprecher-Labels zurückgeben.
Die Labels sind anonym: Das Modell sagt nur, dass verschiedene Personen gesprochen haben, nicht wer sie sind. Die Ergebnisse werden schwieriger bei überlappender Sprache, vielen Sprechern und schlechtem Ton – hören Sie sich also eine Stichprobe Ihrer eigenen Aufnahmen an, bevor Sie sich darauf verlassen.
Verwandte Begriffe
- Spracherkennung (ASR, Speech-to-Text) Spracherkennung, auch ASR oder Speech-to-Text genannt, wandelt gesprochenes Audio in geschriebenen Text um.
- Wortfehlerrate (WER) Die Wortfehlerrate ist die Standardbewertung für Spracherkennung: der Anteil der Wörter in einem Transkript, die gegenüber einer korrekten Referenz falsch, fehlend oder überzählig sind.