Zwei Wochen nach dem Kick-off eskaliert eine Diskussion. Im Protokoll steht, dass der Projektleiter den Termin für die Migration zugesagt hat. Er sagt, das war nicht er, das war der Kollege aus der IT. Beide haben recht: Die Worte im Transkript sind korrekt, die Person darüber ist falsch.
Diese Art Fehler ist tückischer als eine Lücke im Text, denn sie ist unsichtbar. Ein Transkript mit einem „[unverständlich]" warnt dich. Ein Transkript mit einer falschen Sprecherzuordnung liest sich glatt und überzeugend. Dieser Artikel erklärt, warum die Zuordnung technisch ein eigenes Problem ist, warum sie im Besprechungsraum systematisch kippt und was sie eindeutig macht.
Was Sprechertrennung technisch überhaupt ist
Der erste Schritt zum Verständnis ist eine Trennung, die in der Praxis oft verschwimmt: Transkription und Sprecherzuordnung sind zwei verschiedene Aufgaben, die von verschiedenen Verfahren gelöst werden.
Diarisierung beantwortet eine andere Frage
Die Transkription beantwortet: Welche Wörter wurden gesprochen? Die Sprechertrennung, fachlich Diarisierung, beantwortet: Wer sprach wann? Sie zerlegt die Aufnahme in Abschnitte und gruppiert diese Abschnitte nach Personen, ohne die Personen kennen zu müssen. Deshalb heißen die Ergebnisse zunächst „Sprecher 1" und „Sprecher 2", bis jemand Namen zuweist.
Wichtig ist, dass beide Verfahren unabhängig voneinander gut oder schlecht sein können. Ein Transkript kann wortgenau und trotzdem komplett falsch zugeordnet sein. Genau diese Kombination erzeugt die gefährlichsten Protokolle, weil die sprachliche Qualität Vertrauen schafft, das die Zuordnung nicht verdient.
Woran die Software Stimmen unterscheidet
Diarisierung arbeitet mit akustischen Merkmalen: Grundfrequenz der Stimme, Klangfarbe, Sprechrhythmus, charakteristische Resonanzen des Stimmapparats. Aus diesen Merkmalen entsteht pro Sprachabschnitt eine Art Fingerabdruck, und ähnliche Fingerabdrücke werden derselben Person zugeordnet.
Das funktioniert gut, solange die Fingerabdrücke weit auseinanderliegen und stabil bleiben. Beide Bedingungen sind im Besprechungsraum verletzt, und zwar aus drei Gründen.
Warum die Zuordnung im Raum systematisch kippt
Es ist hilfreich zu sehen, dass das keine Frage der Software-Qualität ist. Die Ursachen liegen im Signal.
Ähnliche Stimmen liegen wirklich nah beieinander
Zwei Männer mit vergleichbarer Körpergröße und ähnlichem Alter haben oft eine sehr ähnliche Grundfrequenz und ähnliche Resonanzen. Dasselbe gilt für zwei Frauen mit ähnlicher Stimmlage. Kommen dann noch ein ähnliches Sprechtempo und derselbe regionale Akzent dazu, liegen die akustischen Fingerabdrücke so dicht zusammen, dass sie sich überlappen.
Die Software trifft dann keine Entscheidung, sie trifft eine Wahrscheinlichkeitsschätzung, und die geht in einem Teil der Fälle daneben. In einer Runde mit acht Personen steigt die Zahl der möglichen Verwechslungspaare stark an, weshalb große Runden nicht linear, sondern überproportional schwieriger werden.
Gleichzeitiges Sprechen ist mathematisch unlösbar
Der härteste Fall ist Überlappung. Wenn zwei Personen gleichzeitig reden, addieren sich ihre Schallwellen auf dem Weg zum Mikrofon zu einem einzigen Signal. Aus diesem einen Signal zwei ursprüngliche Quellen zurückzurechnen, ist ein unterbestimmtes Problem: zwei Unbekannte, eine Gleichung. Es gibt keine eindeutige Lösung, nur mehr oder weniger plausible Annäherungen.
In der Praxis heißt das: Der überlappende Abschnitt wird einer Person zugeschlagen, meist der lauteren oder näheren, und der Beitrag der anderen verschwindet aus dem Protokoll. Genau in lebhaften Diskussionen, in denen die wichtigen Einwände fallen, passiert das am häufigsten.
Nachhall macht eine Stimme sich selbst unähnlich
Der dritte Grund ist subtil. Reflexionen im Raum verändern die Klangfarbe abhängig davon, wo jemand sitzt und in welche Richtung er spricht. Dreht sich eine Person zum Whiteboard, klingt sie anders als zwei Minuten davor am Tisch.
Für die Diarisierung bedeutet das, dass der Fingerabdruck einer einzelnen Person über die Aufnahme hinweg wandert. Die Folge ist ein zweiter Fehlertyp: Statt zwei Personen zu verwechseln, wird eine Person in zwei Sprecher aufgespalten. Protokolle mit „Sprecher 3" und „Sprecher 6", die offensichtlich dieselbe Person sind, entstehen genau so.
Warum Online-Meetings dieses Problem nicht haben
Die auffälligste Beobachtung im Alltag ist, dass dasselbe Tool bei Videocalls saubere Zuordnungen liefert. Der Grund ist kein besserer Algorithmus, sondern eine bessere Ausgangslage.
In Google Meet, Zoom, Microsoft Teams und Webex sitzt jede Person an ihrem eigenen Mikrofon und liefert eine eigene, getrennte Tonspur mit einer eindeutigen Teilnehmerkennung. Die Software muss überhaupt nicht raten, wer spricht, sie liest es aus dem Kanal ab. Überlappungen sind unkritisch, weil beide Stimmen auf verschiedenen Spuren liegen und beide vollständig transkribiert werden können.
Damit ist die eigentliche Erkenntnis benannt: Zuverlässige Sprechertrennung ist keine Frage der Rechenleistung, sondern eine Frage der Kanäle. Wer im Raum dieselbe Qualität will, braucht dort dieselbe Struktur.
Was eine eindeutige Zuordnung im Besprechungsraum ermöglicht
Genau an dieser Stelle setzt der Ansatz bei der Transkription von Präsenzterminen mit Sally an. Mehrere Handys im Raum werden zu einer gemeinsamen Aufnahme verbunden, und jedes Handy wird zum Nahmikrofon der Person, vor der es liegt.
Ein Gerät pro Stimme ist ein harter Anker
Damit kehrt der Kanal als Informationsquelle zurück. Wer spricht, ergibt sich nicht mehr aus einer akustischen Schätzung, sondern aus dem Gerät, auf dem die Stimme laut und nah ankommt. Alle drei Fehlerquellen von oben verlieren ihre Grundlage: Ähnliche Stimmen sind unkritisch, weil sie auf verschiedenen Spuren liegen. Überlappungen bleiben trennbar. Und der wandernde Fingerabdruck spielt keine Rolle mehr, weil die Zuordnung nicht am Klang hängt.
Sally führt die Spuren anschließend zu einer sauberen Tonspur zusammen. Das Ergebnis ist sprechergetrennt und erreicht laut Sally bis zu 98,8 % Genauigkeit, ohne zusätzliche Hardware.
Was sich dadurch im Protokoll ändert
Der praktische Unterschied zeigt sich erst nach dem Meeting. Wenn die Zuordnung stimmt, lassen sich Aufgaben automatisch der richtigen Person zuweisen, Entscheidungen sind nachvollziehbar begründet, und die Frage „wer hat das eigentlich zugesagt" ist eine Suchanfrage statt einer Diskussion. Aus einer Aufnahme wird damit erst eine belastbare Dokumentation.
Verfahren im Vergleich
| Aufnahmeart | Zuordnung basiert auf | Überlappung | Typische Fehler |
|---|---|---|---|
| Ein Raummikrofon, mono | Klang, geschätzt | nicht trennbar | Verwechslung, Aufspaltung einer Person |
| Konferenzmikrofon mit Array | Klang plus Richtung | begrenzt trennbar | Fehler bei nah beieinander Sitzenden |
| Hardware-Rekorder am Körper | Klang, geschätzt | nicht trennbar | Träger dominiert, Runde undeutlich |
| Online-Meeting, Spur pro Person | Teilnehmerkanal | vollständig trennbar | praktisch keine |
| Mehrere verbundene Handys | Gerätekanal | vollständig trennbar | praktisch keine |
Ehrliche Grenzen
Fair bleibt fair: Auch mehrere Handys machen kein Transkript magisch perfekt. Wenn drei Personen sich ein Gerät teilen, bleibt für diese drei die akustische Schätzung nötig. Wer sehr leise spricht oder die Hand vor den Mund hält, wird schlechter erfasst. Und wenn niemand außer dir sein Handy verbindet, arbeitet Sally mit einer Spur, also unter denselben physikalischen Bedingungen wie jedes andere Einzelgerät.
Der Unterschied ist, dass die Qualität hier mit der Beteiligung wächst und nicht mit dem Hardware-Budget. Wo ein Konferenzmikrofon bei acht Personen an eine harte Grenze stößt, wird das Ergebnis mit jedem weiteren verbundenen Handy besser. Wie sich beide Ansätze direkt gegenüberstehen, zeigt der Vergleich Konferenzmikrofon oder mehrere Handys.
Fazit
Sprechertrennung ist kein Nebenaspekt der Transkription, sondern die Eigenschaft, die aus einem Wortprotokoll eine verwertbare Dokumentation macht. Auf einer einzigen Tonspur bleibt sie eine Schätzung, und diese Schätzung scheitert zuverlässig genau dort, wo es darauf ankommt: bei ähnlichen Stimmen, in lebhaften Diskussionen und in verhallten Räumen.
Zuverlässig wird sie, wenn jede Stimme ihren eigenen Kanal hat. Online-Meetings haben das von Natur aus, im Besprechungsraum lässt sich dieselbe Struktur mit den Handys herstellen, die ohnehin auf dem Tisch liegen.
Probier es beim nächsten Termin mit mehreren Personen aus: Sally 30 Tage kostenlos testen, oder lies zuerst den Überblick zum Transkribieren von Präsenzmeetings.
