Ein Transkript, das zeigt, wer wirklich was gesagt hat

Das Wichtigste in Kürze

Ein Transkript kann jedes Wort korrekt wiedergeben und es trotzdem der falschen Person zuschreiben, denn Spracherkennung und Sprecherzuordnung sind zwei getrennte Vorgänge. Die Sprecherzuordnung arbeitet mit Stimmmerkmalen und funktioniert am besten bei wenigen, deutlich unterschiedlichen Stimmen, die von einem Mikrofon in ähnlicher Lautstärke aufgenommen werden. Schwierig wird es, wenn Menschen sich gegenseitig unterbrechen, wenn jemand leise spricht oder erst später dazukommt – und echte Namen liefert die Technik nie von selbst, die trägt man später von Hand nach.

Wer schon einmal das Transkript eines Gruppengesprächs geöffnet und festgestellt hat, dass die Hälfte der Aussagen der falschen Person zugeordnet wurde, hat wahrscheinlich trotzdem einen wortgetreuen Text vor sich. Das Problem liegt eine Ebene höher, bei der Frage, wer gesprochen hat – nicht bei der Frage, was gesagt wurde. Dieser Teil des Prozesses arbeitet mit anderen Informationen und scheitert auf andere Weise, und fast alles, was am Ende funktioniert oder nicht, wird schon bei der Aufnahme entschieden, lange bevor irgendeine Software die Datei zu sehen bekommt.

Das ist der Teil, den man verstehen sollte, wenn ein Interview, eine Podiumsdiskussion oder ein Familiengespräch aufgenommen werden soll und man wirklich wissen muss, wer was gesagt hat – nicht nur, was gesagt wurde. Ein Teil davon betrifft die Platzierung des Mikrofons. Ein anderer Teil bedeutet, zu akzeptieren, dass sich manche Situationen niemals saubermarkieren lassen, egal welche Software man darüberlaufen lässt.

Zwei getrennte Aufgaben, ein Transkript

Wörter zu erkennen und zu entscheiden, wer sie gesprochen hat, sind zwei verschiedene Aufgaben, auch wenn beide am Ende im selben Dokument landen. Die erste Aufgabe hört Klänge und leitet daraus Sprache ab – dabei ist es weitgehend egal, wessen Stimme das ist. Die zweite Aufgabe hört dasselbe Audiosignal und stellt eine andere Frage: Klingt diese Stimme wie die vor zwei Sätzen, oder spricht hier gerade jemand Neues? Diese Frage wird anhand von Stimmmerkmalen beantwortet – Tonhöhe, Klangfarbe, Sprechrhythmus, sozusagen der akustische Fingerabdruck einer Person – und nicht anhand der Wörter selbst.

Genau deshalb kann ein Transkript wortwörtlich stimmen und trotzdem Zeilen falsch zuordnen. Die Transkription war erfolgreich, die Sprechertrennung nicht. Beide können unabhängig voneinander scheitern, und wenn jemand sagt, ein Transkript sei „falsch“, lohnt es sich zu prüfen, welcher der beiden Schritte tatsächlich nicht funktioniert hat – denn je nach Antwort sieht die Lösung ganz anders aus.

Was gute Sprechertrennung ausmacht

Sprechertrennung funktioniert am besten mit wenigen Stimmen, die sich klar voneinander unterscheiden, aufgenommen von einer Mikrofonposition, die alle Beteiligten in etwa gleich laut hört. Das ist der Idealfall: zwei oder drei Personen, unterschiedliche Stimmen, ein Aufnahmegerät, das irgendwo so platziert ist, dass es den ganzen Raum gleichmäßig hört.

Jede Abweichung von diesem Idealfall kostet etwas. Mehr Sprecher bedeuten mehr Gelegenheiten für zwei Stimmen, sich zum Verwechseln ähnlich zu klingen. Ähnliche Stimmen – etwa zwei Personen ähnlichen Alters mit vergleichbarem Akzent – sind schwerer zu unterscheiden als eine tiefe und eine hohe Stimme. Und wenn eine Person deutlich lauter aufgenommen wird als eine andere, beginnt das System, Lautstärkeunterschiede wie Sprecherunterschiede zu behandeln – was sie nicht sind.

Nichts davon ist ungewöhnlich. Es ähnelt dem, was auch ein Mensch bemerken würde, der die Augen schließt und einfach zuhört. Der Vorteil der Software liegt in Geduld und Konsistenz über eine ganze Stunde Aufnahme, nicht in irgendeinem zusätzlichen Sinn, den ein Zuhörer nicht hätte.

Wo es scheitert: wenn Menschen sich gegenseitig unterbrechen

Es gibt eine Situation, die die Sprecherzuordnung zuverlässig zum Scheitern bringt, und kein noch so gutes Setup behebt das: echtes Durcheinanderreden, bei dem zwei Personen im selben Moment sprechen. Während einer Überlappung gibt es kein saubereres Signal, das eindeutig einer Stimme gehört – das Audio ist ein Gemisch aus beiden, und es gibt schlicht nichts, was man sauber zuordnen könnte. Meist landet das Ergebnis so, dass die Worte der einen Person in den Redeanteil der anderen hineingezogen werden, sodass das Transkript eine einzelne, durchgehende Aussage zeigt, obwohl in Wirklichkeit zwei Menschen gleichzeitig gesprochen haben.

Das ist kein Fehler, der sich später beheben lässt. Es ist eine Grenze, die in der Natur des Problems selbst liegt – zwei überlappende Stimmen lassen sich nachträglich nicht zuverlässig in zwei saubere Spuren entmischen. Realistisch sollte man erwarten, dass jeder Abschnitt einer Aufnahme mit echtem Überlappen von Hand nachbearbeitet werden muss, um zu klären, wer was gesagt hat – oder er bleibt so zugeordnet, wie das System es geraten hat. Wenn ein Gespräch viel Durcheinanderreden enthält – eine hitzige Podiumsdiskussion, ein streitlustiges Familienessen –, sollte man von Anfang an mit Nachbearbeitung dieses Abschnitts rechnen und das Werkzeug nicht allein daran messen.

Die Position des Mikrofons zählt mehr als seine Qualität

Der Abstand zum Mikrofon beeinflusst die Sprecherzuordnung stärker als die Qualität des Mikrofons selbst. Ein Smartphone, das in der Mitte eines Tisches liegt, liefert meist eine bessere Sprechertrennung als ein hochwertigeres Mikrofon, das zufällig neben nur einer Person steht – denn genau die leiseren, weiter entfernten Teilnehmer sind es, die ein System zuerst „verliert“. Wenn jemand durchgehend deutlich leiser klingt als alle anderen, weil er am weitesten vom Mikrofon entfernt sitzt, kann diese Lautstärkelücke für die Sprecherzuordnung wichtiger sein als jeder Unterschied in der Ausrüstung.

Für ein Gruppengespräch folgt daraus eine einfache Regel: Das Aufnahmegerät gehört an eine zentrale Stelle, nicht an eine bequeme. Die Tischmitte, nicht das Ende in der Nähe der gastgebenden Person. Sind die Anwesenden über einen ganzen Raum verteilt statt eng beieinander zu sitzen, ist das unabhängig von der Ausrüstung ein schwierigerer Fall – und das lohnt sich zu wissen, bevor man aufnimmt, nicht erst danach.

Echte Namen statt Sprecher 1, Sprecher 2

Aus dem Audiosignal allein geht niemals hervor, wie jemand heißt – ein System erkennt, dass zwei unterschiedliche Stimmen vorhanden sind, hat aber keine Möglichkeit zu wissen, dass die eine Anna gehört und die andere Tom. Deshalb erscheint die Ausgabe zunächst mit anonymen Bezeichnungen: Sprecher 1, Sprecher 2 und so weiter. Diese in echte Namen umzuwandeln, ist ein manueller Schritt, der nur einmal nötig ist, ganz am Anfang des Transkripts, indem man jede Bezeichnung einem Namen zuordnet.

Was diesen Schritt einfach statt mühsam macht, ist die Gewohnheit, dass alle Beteiligten gleich zu Beginn der Aufnahme laut ihren Namen sagen. Das kostet etwa zehn Sekunden und gibt einen klaren Ankerpunkt: Die Stimme, die am Anfang „hier ist Tom“ sagt, ist eindeutig die, die für den Rest des Dokuments mit Tom zu beschriften ist. Lässt man das weg, muss man Stimmen aus dem Gedächtnis oder aus dem Kontext heraus Namen zuordnen – das funktioniert, dauert aber länger und wird fehleranfälliger, je mehr Personen beteiligt sind.

Wer speziell Interviews aufnimmt, sollte sich diese Gewohnheit zur Routine machen – mehr dazu, wie man das von der ersten Minute an gut aufsetzt, steht in den Hinweisen zur Transkription von Interviews. Wie man eine fertige Aufnahme in beschrifteten Text verwandelt, beschreibt der Abschnitt zur Umwandlung von Audio in Text, und eine App wie die Transkriptions-App von SozAI kann Sprecherkennzeichnungen, Zusammenfassungen und Übersetzungen in einer großen Zahl von Sprachen liefern, sobald die Aufnahme vorliegt – die Benennung der Sprecher bleibt trotzdem eigene Aufgabe, ist aber der schnelle Teil davon.

Was realistisch zu erwarten ist

Auch bei gutem Setup führen einige Situationen vorhersehbar zu unvollständigen Ergebnissen, und es lohnt sich, das vorher zu wissen, statt es als Fehler zu werten.

• Eine Person, die erst mitten in der Aufnahme dazukommt, nachdem das System seine Stimmprofile schon festgelegt hat, wird oft einem bestehenden Sprecher zugeordnet, statt eine eigene neue Kennzeichnung zu bekommen.
• Wer über die gesamte Aufnahme hinweg nur wenige Worte sagt – eine kurze Zustimmung, eine Rückfrage in einem Satz –, wird häufig demjenigen zugeschlagen, der gerade drumherum spricht, weil einfach zu wenig Stimmmaterial vorhanden ist, um ein eigenes Profil daraus zu bilden.
• Echtes Durcheinanderreden, wie oben beschrieben, verschmilzt meist zum Redeanteil einer einzigen Person.
• Eine große Gruppe mit vielen ähnlich klingenden Stimmen erzeugt mehr Fehlzuordnungen als eine kleine Gruppe mit deutlich unterschiedlichen Stimmen – schlicht weil es mehr Gelegenheiten zur Verwechslung gibt.

Das ist kein Grund, auf die Transkription einer schwierigen Aufnahme zu verzichten – es sind Gründe, an genau diesen Stellen mit einer kurzen manuellen Nachbearbeitung zu rechnen, statt gleich das ganze Dokument neu zu prüfen. Wer eine Aufnahme macht, bei der solche Komplikationen absehbar sind, sollte auch vorher entscheiden, ob wirklich jedes Wort transkribiert werden muss oder nur die beschrifteten Kernaussagen; die Volltranskription ist nicht immer die sinnvollste Wahl, besonders bei langen Aufnahmen, bei denen es vor allem darum geht, wer sich wozu verpflichtet hat – ein Anwendungsfall, der unter Aufnahmen in Besprechungsprotokolle verwandeln beschrieben ist. Und wer testen möchte, wie eine bestimmte Aufnahme beschriftet wird, bevor er sich auf eine längere Datei einlässt, sollte sich die App über die Download-Seite holen und zuerst eine kurze Probeaufnahme laufen lassen – das verrät mehr als jeder allgemeine Ratschlag.

Was wirklich den Unterschied macht

Wenn man aus alldem eine Sache mitnehmen sollte, dann diese: Die Aufnahme selbst zählt mehr als die Software. Ein zentral platziertes Mikrofon, wenige klar unterschiedliche Stimmen, alle Beteiligten, die zu Beginn ihren Namen nennen, und die Akzeptanz, dass überlappendes Sprechen eine manuelle Nachbearbeitung braucht – diese Kombination bringt mehr als jede Einstellung oder Funktion, die man erst nachträglich wählt. Die Sprecherzuordnung leistet echte Arbeit, aber sie arbeitet mit dem, was die Aufnahme ihr liefert – und eine Aufnahme, die von Anfang an auf Sprechertrennung ausgelegt ist, wird immer besser beschriftet als eine, bei der das nicht der Fall war, ganz unabhängig davon, welche Software am Ende die Transkription übernimmt.