# Speaker Diarization API: Wer hat was gesagt?

> Die Speaker Diarization API ergänzt Speaker 1 und Speaker 2 in JSON, Text, SRT und VTT. Für Videolinks und Dateien, ohne Aufpreis.

Canonical: https://transcript1.com/de/features/speaker-diarization-api
Language: de
Last updated: 2026-10-19

Die Speaker Diarization API trennt die Stimmen im Transkript deiner Aufnahme. Setze diarize: true, dann steht an den Segmenten Speaker 1, Speaker 2 und so weiter. Das hilft dir bei Interviews, Podiumsgesprächen und hochgeladenen Meeting-Aufnahmen.

- Speaker 1, Speaker 2 und weitere Labels je Segment
- Sprecherzuordnung in JSON, Text, SRT und VTT
- Für unterstützte Videolinks und hochgeladene Dateien

## Gesprächsbeiträge den richtigen Stimmen zuordnen

### Beim Erstellen einschalten

diarize ist standardmäßig false. Sende true an POST /v1/transcriptions oder übergib diarize an das MCP-Tool transcribe. So erhältst du eine Transkription mit Sprecherzuordnung.

### Sprechertrennung braucht das Audio

Für die Sprechererkennung nutzt die Transkription Speech-to-Text. Mit source=auto und diarize: true lassen wir Plattform-Untertitel aus und verarbeiten direkt die Tonspur.

### Labels in jedem Export

JSON enthält transcript.speakers und das Feld speaker je Segment. In Text und SRT steht etwa Speaker 1: vor dem Beitrag. VTT verwendet einen Voice-Tag.

### Bei Bedarf bis zum einzelnen Wort

Mit include=words beim JSON-Abruf bekommst du Wort-Zeitstempel samt Sprecherzuordnung. Damit kannst du die Beiträge genauer mit dem Audio verknüpfen.

### Unvereinbare Optionen führen zu einem Fehler

source: captions zusammen mit diarize: true ergibt 422 invalid_request. Wir lassen die Sprecherzuordnung nicht stillschweigend weg.

## diarize beim Start der Transkription setzen

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](https://transcript1.com/de/docs/sources-and-options#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.

### Datei mit Sprecherzuordnung hochladen

```
curl -X POST "https://api.transcript1.com/v1/transcriptions?wait=60" \
  -H "Authorization: Bearer $TRANSCRIPT1_API_KEY" \
  -F file=@panel.m4a \
  -F diarize=true
```

## Jedes Segment nennt die zugeordnete Stimme

transcript.speakers listet die Labels auf, das Feld speaker ordnet jeden Abschnitt zu. transcript_source lautet speech_to_text. Die [API-Referenz](https://transcript1.com/de/docs/api-reference#the-transcription-object) 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.

### Gekürzte JSON-Antwort

```
{
  "status": "completed",
  "transcript_source": "speech_to_text",
  "transcript": {
    "speakers": ["Speaker 1", "Speaker 2"],
    "segments": [
      { "start": 0, "end": 3.4, "speaker": "Speaker 1", "language": "en", "text": "Good morning." },
      { "start": 3.4, "end": 7.9, "speaker": "Speaker 2", "language": "en", "text": "Thanks for having me." }
    ]
  }
}
```

## Sprecherlabels in Untertiteln passend darstellen

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](https://transcript1.com/de/features/srt-datei-erstellen), 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.

### format=vtt

```
WEBVTT

00:00:00.000 --> 00:00:03.400
<v Speaker 1>Good morning.

00:00:03.400 --> 00:00:07.900
<v Speaker 2>Thanks for having me.
```

## Vor einem benannten Zitat die Stimme prüfen

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](https://transcript1.com/de/use-cases/interview-transkribieren) 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.

| Was dir beim Prüfen auffällt | Was du tun kannst |
| --- | --- |
| Das Label wechselt mitten im Beitrag. | Höre über die Grenze hinweg und korrigiere bei Bedarf deine Arbeitskopie. |
| Mehrere Personen sprechen gleichzeitig. | Prüfe Wortlaut und Zuordnung. Lass unklare Stellen als unsicher erkennbar. |
| Dasselbe Label steht in einer anderen Aufnahme. | Lege für diese Aufnahme eine eigene Zuordnung zu den Beteiligten an. |

## Häufige Fragen

### Stehen im Transkript die Namen der Personen?

Nein. Du bekommst Speaker 1, Speaker 2 und weitere Labels. transcript1 kennt die echten Namen nicht. Nach dem Anhören kannst du die Labels in deinem Code oder Dokument den Beteiligten zuordnen.

### Geht die Sprecherzuordnung auch mit YouTube-Untertiteln?

Nein. Die Untertitel enthalten keine Sprecherzuordnung. Bei source=auto und diarize: true verwenden wir deshalb KI-Transkription statt der Untertitel. source: captions zusammen mit diarize: true lehnen wir ab.

### Kostet die Sprecherzuordnung extra?

Nein. Du zahlst mit und ohne diarize 1 Credit je angefangene Minute der Aufnahme.

## Passend dazu

- [Interviews auswerten](https://transcript1.com/de/use-cases/interview-transkribieren)
- [Zeitstempel, SRT und VTT](https://transcript1.com/de/features/srt-datei-erstellen)
- [Quellen und Einstellungen (Doku)](https://transcript1.com/de/docs/sources-and-options)