Sprechererkennung (Diarisierung): Wer spricht wann?

Was Diarisierung ist

Sprechererkennung heißt in der Fachsprache Diarisierung, englisch speaker diarization, und beantwortet die Frage „wer spricht wann“. Der Übersichtsartikel von Park und Kollegen in Computer Speech & Language (2022) definiert die Aufgabe als Aufteilung einer Aufnahme in Segmente nach Sprecheridentität: Das System markiert, an welchen Stellen eine Stimme beginnt und endet, und ordnet alle Segmente derselben Stimme einem Label zu, typischerweise „Sprecher 1“, „Sprecher 2“. Wer diese Personen sind, weiß das System nicht.

Diarisierung ist von der Spracherkennung zu unterscheiden, auch wenn beide im selben Produkt stecken. Die Spracherkennung liefert den Text, die Diarisierung die Zuordnung zu Stimmen. Park et al. beschreiben als Entwicklung der letzten Jahre, dass beide Aufgaben zunehmend gemeinsam modelliert werden, statt als getrennte Schritte. Für Besprechungen, Interviews und Verhandlungen ist die Zuordnung so wichtig wie der Text selbst: Ein Protokoll, das nicht sagt, wer eine Zusage gegeben hat, ist nur halb brauchbar.

Grenzen der Sprechertrennung

Was Anbieter über die Grenzen ihrer Sprechertrennung sagen, ist knapp, aber aussagekräftig. f4x (audiotranskription.de) schreibt, die automatische Sprecherunterscheidung scheitere „in unter 1 % der Fälle“ und dann seien manuelle Sprecherwechsel nötig. noScribe stellt fest, dass „review and correction are always necessary“. Speechnotes bietet die Sprecherunterscheidung nur für Englisch an. Google beschränkt die Sprecherlabels im Rekorder auf Pixel 6 und neuer. Keine dieser Angaben ist eine Messung unter dokumentierten Bedingungen.

Aus der Aufgabenstellung selbst folgen drei Schwierigkeiten, die der Übersichtsartikel als Gegenstand der Forschung behandelt: Stimmen, die sich überlappen, weil zwei Personen gleichzeitig sprechen; Stimmen, die sich ähneln; und die Frage, wie viele Sprecher überhaupt vorkommen, wenn das vorher nicht bekannt ist. Die praktische Konsequenz ist die gleiche wie bei der Aufnahmequalität: Nacheinander sprechen, nahe am Gerät, in ruhiger Umgebung.

Wer Sprechererkennung anbietet

Unter den KI-Diktiergeräten gehört die Sprechererkennung bei den meisten Herstellern zum Funktionsumfang, oft als „Sprecherlabels“ oder „Sprecher-ID“. HiDock macht einen Unterschied: Transkription ist für Gerätekäufer kostenlos, die Sprecheridentifikation gehört zum kostenpflichtigen Pro-Plan. Bei den klassischen Diktiergeräten fehlt die Funktion, weil sie für das Selbstdiktat nicht gebraucht wird.

Tabelle seitlich scrollen, um alle Spalten zu sehen

Aus dem offenen Datensatz, Stand 13.10.2026. „nicht genannt“ heißt: auf den abgerufenen Herstellerseiten nicht erwähnt, nicht: nicht vorhanden.

Tabelle seitlich scrollen, um alle Spalten zu sehen

Anbieterangaben, Abruf 13.10.2026. Profile im Vergleich der Transkriptionssoftware.

Ein Wort zu pyannote, das noScribe nennt: Es ist ein offenes Werkzeug für Diarisierung, das auf dem eigenen Rechner läuft. Die Kombination aus Whisper für den Text und pyannote für die Sprecher ist der Grund, warum noScribe als einzige vollständig lokale Lösung des Vergleichs Sprechertrennung bietet, allerdings mit der vom Autor genannten Rechenzeit von ein bis drei Stunden je Interviewstunde.

Diarisierung ist nicht Stimmidentifikation

Hier liegt die wichtigste Unterscheidung dieser Seite. Diarisierung trennt Stimmen innerhalb einer Aufnahme und vergibt Platzhalter. Stimmidentifikation, auch Sprecherverifikation oder Stimm-Biometrie, vergleicht eine Stimme mit einem gespeicherten Stimmprofil und sagt, welche Person spricht. Das eine ordnet, das andere identifiziert. Technisch können beide auf ähnlichen Verfahren beruhen; rechtlich liegen Welten dazwischen.

Die DSGVO definiert in Art. 4 Nr. 14 biometrische Daten als „mit speziellen technischen Verfahren gewonnene personenbezogene Daten zu den physischen, physiologischen oder verhaltenstypischen Merkmalen einer natürlichen Person, die die eindeutige Identifizierung dieser natürlichen Person ermöglichen oder bestätigen“. Art. 9 Abs. 1 untersagt die Verarbeitung biometrischer Daten „zur eindeutigen Identifizierung einer natürlichen Person“, soweit keine Ausnahme des Absatzes 2 greift. Erwägungsgrund 51 stellt für Lichtbilder klar, dass sie erst dann biometrische Daten sind, wenn sie „mit speziellen technischen Mitteln verarbeitet werden, die die eindeutige Identifizierung oder Authentifizierung einer natürlichen Person ermöglichen“; dieselbe Logik lässt sich auf Stimmen übertragen.

Tabelle seitlich scrollen, um alle Spalten zu sehen

Einordnung dieser Redaktion nach Art. 4 Nr. 14, Art. 9 und Erwägungsgrund 51 DSGVO. Keine Rechtsberatung.

Was die Datenschutzkonferenz zu Stimmprofilen sagt

Die Datenschutzkonferenz hat die Trennlinie für Telefonate ausdrücklich gezogen. In ihrem Beschluss „Aufzeichnung von Telefongesprächen“ vom 23.03.2018 heißt es, die Einwilligung in die Aufzeichnung „umfasst nicht eine biometrische Auswertung“. Wer also das Einverständnis zur Aufnahme eines Gesprächs eingeholt hat, hat damit nicht das Einverständnis zur Erstellung eines Stimmprofils. Für die Praxis mit KI-Rekordern bedeutet das: Die Funktion „Sprecher benennen“, bei der die App eine Stimme einmal einem Namen zuordnet und künftig wiedererkennt, ist etwas anderes als die Sprecherlabels „1, 2, 3“ und braucht eine eigene Rechtsgrundlage. Welche Hersteller eine solche Wiedererkennung über Aufnahmen hinweg anbieten, geht aus den abgerufenen Produktseiten nicht eindeutig hervor; wer sie nutzt, sollte in der Datenschutz-erklärung des Anbieters nach „Voiceprint“, „Stimmprofil“ oder „speaker identification“ suchen.

Die vollständige rechtliche Einordnung der Cloud-Transkription, einschließlich Auftragsverarbeitung und Drittlandübermittlung, steht auf der Seite Cloud-Transkription und Datenschutz; die Pflichten bei der Aufzeichnung von Besprechungen behandelt Meetings aufzeichnen (DSGVO).