Sprechererkennung erklärt: Diarisierung, DER und Zuordnung

Sprechererkennung, fachlich Sprecherdiarisierung, beantwortet die Frage, wer in einer Aufnahme wann gesprochen hat. Das System teilt die Aufnahme in Abschnitte und ordnet sie anonymen Kennungen wie „Sprecher A“ und „Sprecher B“ zu. Welche Person hinter einer Kennung steht, klärt erst eine zusätzliche Namensidentifikation. Gemessen wird die Diarisierung mit der Diarization Error Rate (DER). Sie bezieht verpasste Sprache, fälschlich erkannte Sprache und Sprecherverwechslungen auf die Referenzsprechzeit. Für Meetingnotizen und medizinische Dokumentation ist die Zuordnung entscheidend, denn eine richtig erkannte Aussage kann im Dokument trotzdem der falschen Person zugeschrieben werden.

Was unterscheidet Diarisierung von Namensidentifikation?

Drei Aufgaben greifen ineinander. Die Sprachaktivitätserkennung trennt Sprache von Stille und Geräuschen. Die Diarisierung ordnet die erkannte Sprache den beteiligten Stimmen zu. Die Identifikation verbindet eine Stimme mit einer benannten Person. Ein Produktvergleich sollte zeigen, welche dieser Funktionen ein Anbieter tatsächlich liefert.

Ein System kann Stimmen korrekt auseinanderhalten und trotzdem den falschen Namen vergeben. Es kann auch alle Wörter richtig transkribieren und sie der falschen Person zuweisen. Die NIST Rich-Transcription-Reihe bewertet Worterkennung und Sprecheraufgaben deshalb getrennt.

Eine Teilnehmerliste erleichtert die Namenszuordnung, zeigt aber nicht, wer einen bestimmten Satz gesprochen hat. Ein im Gespräch genannter Name kann sich auf eine abwesende Person beziehen. Verlässliche Zuordnung braucht eine nachvollziehbare Verbindung zwischen Audioabschnitt und Person.

Was misst die Diarization Error Rate?

Die Diarization Error Rate (DER) erfasst Fehler bei der zeitlichen Sprecherzuordnung. Sie setzt sich aus verpasster Sprache, fälschlich erkannter Sprache und Sprecherverwechslung zusammen, bezogen auf die ausgewertete Referenzsprechzeit. Sprechen Personen gleichzeitig, zählt die Sprechzeit jeder Person. Die Referenzsprechzeit kann dann länger sein als die Aufnahme.

Was misst die Diarization Error Rate?

DER-Bestandteil	Einfaches Beispiel
Verpasste Sprache	Ein leiser Beitrag wird als Stille behandelt
Falschalarm	Ein Geräusch wird als Sprachabschnitt erkannt
Sprecherverwechslung	Der Beitrag von B wird Sprecher A zugeordnet

Vor der Auswertung werden die anonymen Systemkennungen den Referenzsprechern bestmöglich zugeordnet. Ein bloßer Tausch der Bezeichnungen A und B ist daher kein Fehler. Fehler entstehen dort, wo die Abschnitte nach dieser Zuordnung nicht stimmen.

Warum lassen sich DER-Werte verschiedener Auswertungen nicht direkt vergleichen?

Manche Auswertungen lassen kleine Bereiche um Sprecherwechsel aus. Diese Toleranz heißt Collar. Weitere Unterschiede entstehen durch den Umgang mit Überlappungen und durch die Zeitbereiche, die überhaupt bewertet werden. Ein DER-Wert ohne diese Angaben lässt sich nicht einordnen.

Das offizielle NIST-Programm md-eval bietet Optionen für diese Bewertungsbedingungen. ScribeIndex legt sein Profil im Protokoll fest. Überlappungen sind eingeschlossen, die Referenzbereiche sind dokumentiert, und die DER wird mit und ohne Grenztoleranz berechnet.

Liefert ein Dienst Sprecherkennungen ohne eigene Zeitmarken, bestimmt ScribeIndex die Zeitmarken durch erzwungene Ausrichtung (Forced Alignment) des gelieferten Texts an der Aufnahme. Die DER berechnet ScribeIndex daraus wie bei allen anderen Diensten, mit verpasster und fälschlich erkannter Sprache und Fehlern an Segmentgrenzen. Enthält eine Ausgabe keine Sprecherkennungen, wertet ScribeIndex sie wie eine Ausgabe mit einem einzigen Sprecher. Die DER ist dann der Anteil der Sprechzeit aller Personen außer der am längsten sprechenden, dazu verpasste und fälschlich erkannte Sprache. Neben dem Wert steht „ohne Sprecherkennungen“. Im ScribeIndex-Score geht diese DER bei Audiotranskripten und Meetings wie jede andere in die Sprecherzuordnung ein. In der Nacharbeit eines Audiotranskripts kostet jeder Sprecherwechsel das Erkennen der Stimme, das Teilen des Absatzes und das Setzen einer Kennung.

Welche Gesprächsbedingungen erschweren die Zuordnung?

Kurze Antworten, häufige Unterbrechungen und überlappende Beiträge erschweren die Diarisierung am stärksten. Ähnliche Stimmen, wechselnder Mikrofonabstand, Hall und Hintergrundlärm verursachen zusätzliche Fehler. Ein Gespräch zu zweit in einem ruhigen Raum ersetzt deshalb keinen Test mit einer Gruppensitzung an einem einzelnen Raummikrofon.

Mehrkanalaufnahmen verbessern die Ausgangslage, wenn jeder Kanal tatsächlich einer Person entspricht. Trennt eine Anwendung nur Mikrofon und Systemaudio, teilen sich alle Gegenüber im Systemaudio eine Kennung. Die Auswertung ordnet diese Kennung einer Person zu, die Sprechzeit aller übrigen Gegenüber zählt dann als Verwechslung. Namen aus der Konferenz-App senken diesen Anteil, solange jede Person mit eigenem Gerät teilnimmt. Im Vergleich muss dieser Vorteil allen Systemen gleichermaßen zur Verfügung stehen. Die Zahl der Sprecher allein beschreibt die Schwierigkeit einer Datei nur teilweise.

Welche Folgen hat eine falsche Sprecherzuordnung?

Im Meeting landet eine richtig erkannte Aufgabe bei der falschen Person. Im Patientengespräch wird die Aussage eines Angehörigen zum Symptom der behandelten Person. Beide Dokumentfehler entstehen auch dann, wenn jedes Wort richtig erkannt wurde.

Medical Scribes brauchen deshalb eine Quellenprüfung. Patientenangabe, Fremdangabe und ärztlicher Befund müssen im Dokument unterscheidbar bleiben. Die fachübergreifende Ambient-Scribe-Simulationsstudie nennt die Quellenzuordnung als eines der Probleme erzeugter Notizen. Für lange Anamnesegespräche beschreibt der Beitrag KI-Anamnesebericht, welche Ebenen getrennt bleiben müssen.

Wie lässt sich die Sprechererkennung praktisch prüfen?

Am aussagekräftigsten ist eine freigegebene Aufnahme mit den Sprecherrollen, die im Alltag tatsächlich vorkommen. Sie sollte Wechsel, kurze Beiträge, Überschneidungen und Aussagen über Dritte enthalten. Entstehen Namen nur durch manuelles Umbenennen, gehört dieser Schritt zur Nacharbeit.

Fragen Sie außerdem nach exportierbaren Zeitmarken und danach, ob sich eine falsche Zuordnung im gesamten Dokument auf einmal korrigieren lässt. Gute Rückverfolgbarkeit führt von jeder Aussage direkt zur Audiostelle. Die Meeting-Methodik prüft Sprecherzeit und Aufgabenzuordnung deshalb getrennt. Die Medical-Scribe-Methodik ergänzt die klinische Faktenattribution. Welche Anbieter Sprecherkennzeichnung dokumentieren, zeigt die Vergleichstabelle.