Transkription mit Diarisierung: Was Es Ist und Warum Es für Protokolle und Niederschriften Wichtig Ist

Audio in Text zu transkribieren ist keine Neuheit mehr. Jedes Smartphone kann das einigermaßen gut. Aber es gibt einen enormen Unterschied zwischen „Audio in Text umwandeln" und „wissen, wer was in einer Besprechung mit 8 Personen gesagt hat".

Für Rechtsdokumente — Versammlungsprotokolle, Aufsichtsratsprotokolle, Tatsachenbescheinigungen, Erklärungen — reicht der Text allein nicht aus. Sie müssen wissen, wer es gesagt hat. Wenn ein Aktionär dafür und ein anderer dagegen gestimmt hat, muss das Protokoll dies korrekt wiedergeben. Wenn der Versammlungsleiter die Beschlussfähigkeit festgestellt und der Protokollführer sie bestätigt hat, müssen beide Zuordnungen genau sein.

Genau das leistet die Diarisierung.

Was Diarisierung ist

Diarisierung (Speaker Diarization) ist der Prozess der Segmentierung einer Audioaufnahme, um zu identifizieren, wer zu welchem Zeitpunkt spricht. Das Ergebnis ist nicht nur transkribierter Text, sondern ein strukturiertes Gespräch, in dem jeder Beitrag einem bestimmten Sprecher zugeordnet ist.

Ohne Diarisierung: „Guten Tag, wir eröffnen die Versammlung. Ich schlage vor, die Tagesordnung wie verteilt zu genehmigen. Ich unterstütze den Vorschlag."

Mit Diarisierung: SPRECHER 1 (00:00:15): „Guten Tag, wir eröffnen die Versammlung." SPRECHER 2 (00:00:28): „Ich schlage vor, die Tagesordnung wie verteilt zu genehmigen." SPRECHER 3 (00:00:35): „Ich unterstütze den Vorschlag."

Der Unterschied wirkt in diesem Beispiel subtil. Bei einer zweistündigen Versammlung mit 8 Teilnehmern, die über Genehmigungen, Einwände und Bedingungen diskutieren, ist es der Unterschied zwischen einem gültigen Rechtsdokument und einem unbrauchbaren.

Wie es technisch funktioniert

Moderne Diarisierung kombiniert mehrere Audioverarbeitungsmodelle:

Sprachaktivitätserkennung (VAD). Identifiziert die Segmente der Aufnahme, in denen jemand spricht, und trennt sie von Stille, Hintergrundgeräuschen und Musik.

Stimm-Embedding-Extraktion. Für jedes Sprachsegment wird eine numerische Darstellung (Embedding) erzeugt, die die einzigartigen Merkmale der Stimme erfasst: Tonhöhe, Klangfarbe, Geschwindigkeit, Intonationsmuster.

Clustering. Die Embeddings werden nach Ähnlichkeit gruppiert. Segmente mit ähnlichen Stimmen werden demselben Sprecher zugeordnet. Das System muss die Stimmen nicht vorher kennen — es lernt sie aus der Aufnahme selbst.

Ausrichtung mit der Transkription. Die Segmente jedes Sprechers werden mit dem transkribierten Text abgeglichen und erzeugen die finale Zuordnung: wer hat was und wann gesagt.

Das Ergebnis ist eine Transkription, in der jedes Textfragment mit dem Sprecher, der es gesagt hat, und dem exakten Zeitstempel in der Originalaufnahme gekennzeichnet ist.

Diktat vs Transkription vs Diarisierung

Diese drei Begriffe werden häufig verwechselt, sind aber sehr unterschiedliche Dinge:

Diktat. Eine Person spricht bewusst, damit ein System aufschreibt, was sie sagt. Es ist unidirektional (eine einzelne Stimme), beabsichtigt (der Sprecher passt sein Tempo und seine Aussprache an) und erfordert keine Identifizierung des Sprechers, da nur einer spricht. Das ist es, was Siri macht, wenn Sie eine Nachricht diktieren.

Transkription. Ein System wandelt Audio in Text um, unabhängig von der Absicht des Sprechers. Es kann natürliche Gespräche, mehrere Stimmen, Unterbrechungen und spontane Sprache verarbeiten. Es ist schwieriger als Diktat, da der Ton nicht für die Erkennung optimiert ist.

Transkription mit Diarisierung. Transkription, die zusätzlich identifiziert, wer zu welchem Zeitpunkt spricht. Es ist die komplexeste Stufe und die einzige, die für die Erstellung von Rechtsdokumenten geeignet ist, bei denen die Zuordnung wichtig ist.

Für Versammlungsprotokolle, Aufsichtsratsprotokolle, Erklärungen und jedes Dokument mit mehreren Teilnehmern benötigen Sie Transkription mit Diarisierung. Diktat und einfache Transkription reichen nicht aus.

Einschränkungen und ideale Bedingungen

Die Diarisierung ist nicht perfekt, und ihre Genauigkeit hängt von den Aufnahmebedingungen ab:

Sie funktioniert gut, wenn: jede Person in einigermaßen klaren Runden spricht, das Audio akzeptable Qualität hat (ohne übermäßiges Echo oder starke Hintergrundgeräusche), die Sprecher einigermaßen unterschiedliche Stimmen haben und die Aufnahme ein zentrales Mikrofon oder mehrere Mikrofone verwendet.

Sie hat Schwierigkeiten, wenn: zwei oder mehr Personen gleichzeitig über längere Zeit sprechen, die Audioqualität sehr schlecht ist, es viele Sprecher mit ähnlichen Stimmen gibt (mehr als 10-12 Teilnehmer) oder es Hintergrundmusik oder Industrielärm gibt.

Für formelle Sitzungen (Versammlungen, Vorstandssitzungen, Anhörungen), bei denen die Teilnehmer in der Regel abwechselnd sprechen und ein Moderator vorhanden ist, funktioniert die Diarisierung sehr gut. Bei informellen Besprechungen mit vielen gegenseitigen Unterbrechungen nimmt die Genauigkeit ab.

Eine bewährte Praxis ist die Verwendung eines Konferenzmikrofons in angemessener Qualität und die Aufnahme in einem Raum ohne übermäßiges Echo. Professionelle Ausrüstung ist nicht erforderlich — ein USB-Mikrofon für 50-100 EUR macht einen enormen Unterschied.

Von der Diarisierung zum Rechtsdokument

Die Transkription mit Diarisierung ist der Input, den die KI benötigt, um automatisch Rechtsdokumente zu erzeugen. Sobald das System weiß, wer was gesagt hat, kann es die relevanten Informationen je nach Dokumenttyp extrahieren:

Für ein Versammlungsprotokoll: Es identifiziert den Vorsitzenden (SPRECHER 1), extrahiert die Feststellung der Beschlussfähigkeit, die Tagesordnungspunkte, die Anträge mit Angabe, wer sie gestellt hat, die Abstimmungen mit Aufschlüsselung und die gefassten Beschlüsse.

Für eine Besprechungsniederschrift: Es identifiziert die Teilnehmer, die besprochenen Themen, die Vereinbarungen, die Verantwortlichen und die Fristen.

Für eine Erklärung: Es identifiziert den Erklärenden und extrahiert die Abfolge der Aussagen in chronologischer Reihenfolge.

Die KI erfindet keine Inhalte — sie extrahiert und strukturiert das, was in der Transkription steht. Wenn etwas in der Besprechung nicht gesagt wurde, erscheint es nicht im Dokument.

Scriba: Transkription mit Diarisierung + Dokumentenerstellung

Bei Leeuwwolk haben wir Scriba entwickelt, um den gesamten Ablauf zu automatisieren: Laden Sie das Audio hoch, erhalten Sie die Transkription mit Diarisierung, überprüfen und passen Sie die Sprecheridentifikation an, und erstellen Sie das Rechtsdokument in Ihrer individuellen Vorlage. Das endgültige Dokument wird über SureSeal auf der Blockchain versiegelt.

Leeuwwolk garantiert die Privatsphäre Ihrer Aufnahmen: Verschlüsselung bei der Übertragung und im Ruhezustand, ohne Daten mit Dritten zu teilen, ohne Audio an öffentliche KI-Dienste zu senden.

→ Erfahren Sie mehr über Scriba und automatisieren Sie Ihre Protokolle und Niederschriften

Leeuwwolk ist ein mexikanisches Unternehmen, das sich auf KI-Transkription und automatisierte Erstellung von Rechtsdokumenten spezialisiert hat.