Speaker Diarization API: Wer hat was gesagt?

Setze diarize im JSON-Body auf true. Bei einem Datei-Upload sendest du die Option als Formularfeld. Welche Kombinationen mit source erlaubt sind, steht in der Doku zu diarize.

Die Zuordnung lohnt sich, wenn du Gesprächsbeiträge auseinanderhalten musst: im Interview, beim Panel oder im Gespräch zwischen Host und Gast. Für ein allein eingesprochenes Sprachmemo brauchst du oft nur Text und Zeitstempel. Die Labels unterscheiden Stimmen innerhalb der Aufnahme. Sie verraten keine Namen und dienen nicht zur Authentifizierung.

Wähle die Option, bevor du den Auftrag startest. Sie verändert die Verarbeitung der Aufnahme und lässt sich nicht wie ein Exportformat erst danach auswählen. Mit source=auto überspringen wir dafür vorhandene Untertitel. Bei Uploads kommt ohnehin immer Speech-to-Text zum Einsatz.

transcript.speakers listet die Labels auf, das Feld speaker ordnet jeden Abschnitt zu. transcript_source lautet speech_to_text. Die API-Referenz zeigt, wo du die Angaben findest.

Höre die Aufnahme an, bevor du Speaker 1 oder Speaker 2 einem Namen zuordnest. Speichere diese Zuordnung in deiner Anwendung oder in der bearbeiteten Exportdatei. Sie gilt nur für diese Transkription. Speaker 1 in einem anderen Interview muss nicht dieselbe Person sein.

Mit speaker pro Segment kannst du eine Gesprächsansicht bauen. Für feinere Zeitangaben rufst du include=words ab. Bewahre Anfang und Ende in Sekunden auch dann auf, wenn du die Zeiten zur Anzeige umformatierst. So bleibt die Stelle im Audio auffindbar. Das folgende JSON zeigt Beispieldaten, keine Aussage über eine konkrete Panel-Aufnahme.

format=srt setzt etwa Speaker 1: vor den Untertiteltext. format=vtt nutzt Voice-Tags. Mit format=text bekommst du je Segment eine beschriftete Zeile. Vergleiche die Untertitelformate, bevor du den Export für deinen Player auswählst.

Prüfe im Ziel-Player, wie er Voice-Tags darstellt und wie dein Schnittprogramm die Labels behandelt. Was im Interviewtranskript hilft, kann in jeder Untertitelzeile stören. Passe die Darstellung in der Exportdatei oder deiner App an und behalte die geprüfte Zuordnung zu den nummerierten Labels.

Gleichzeitiges Sprechen, ein weit entferntes Mikrofon oder laute Musik machen sowohl Wörter als auch Sprecherwechsel unsicher. Höre besonders dort nach, wo ein Label unerwartet wechselt. Für die nächste Aufnahme helfen getrennte Mikrofone und Gesprächsbeiträge ohne Überlappung mehr als spätere Korrekturen.

Suche am Anfang einen klar verständlichen Wechsel zwischen den Beteiligten. Notiere, welches Label zu wem gehört, und prüfe später stichprobenartig weitere Beiträge. Ist die Stimme nicht eindeutig zu erkennen, halte diese Unsicherheit fest. Ein passender Gesprächskontext allein reicht nicht für einen Namen.

Nutze bei mehreren Forschungsinterviews dieselben Prüfregeln. Der Interview-Guide hält Kennungen und Anmerkungen getrennt vom gesprochenen Text. Bei einem öffentlichen Panel bestätigst du die Namen anhand der Aufnahme und weiterer dir vorliegender Informationen, bevor du ein Zitat veröffentlichst.

Sprecherzuordnung ist keine biometrische Identifikation. Du kannst damit weder Anrufer authentifizieren noch dieselbe Person über mehrere Aufnahmen hinweg erkennen. Schon ein Mikrofonwechsel kann eine Stimme anders klingen lassen. Reden mehrere Personen gleichzeitig, lässt sich ein Segment nicht immer eindeutig einer Person zuordnen.