Name: Potato
Author: Potato

Sprecherdiarisierung beantwortet die Frage, wer wann gesprochen hat. Dieses Tutorial zeigt, wie du Oberflächen baust, um Sprecherbeiträge zu annotieren, automatische Diarisierung zu korrigieren und Gespräche mit mehreren Sprechenden zu bearbeiten. Die vollständige Referenz der Audio-Schemata steht in der Quelldokumentation.

Was ist Sprecherdiarisierung?

Sprecherdiarisierung zerlegt Audio in Abschnitte, die jeweils zu einer sprechenden Person gehören. Sie kommt vor bei:

Transkription von Besprechungen
Auswertung von Callcenter-Gesprächen
Podcast-Produktion
Aufbereitung von Interviews
Gerichts- und Rechtsaufnahmen

Einfacher Aufbau für Diarisierung

yaml

annotation_task_name: "Speaker Diarization"
 
data_files:
  - "data/conversations.json"
 
annotation_schemes:
  - annotation_type: audio_annotation
    name: speakers
    description: "Mark when each speaker talks"
    labels:
      - name: Speaker 1
        color: "#FF6B6B"
        keyboard_shortcut: "1"
      - name: Speaker 2
        color: "#4ECDC4"
        keyboard_shortcut: "2"
      - name: Speaker 3
        color: "#45B7D1"
        keyboard_shortcut: "3"
      - name: Overlap
        color: "#FFEAA7"
        keyboard_shortcut: "o"
      - name: Silence
        color: "#9CA3AF"
        keyboard_shortcut: "s"

Sprechersegmente anlegen

Ablauf

Audio abspielen oder in die Wellenform klicken, um zu navigieren
Mit gedrückter Maustaste über die Wellenform ziehen, um einen Zeitbereich zu wählen
Eine Zifferntaste drücken oder ein Sprecherlabel anklicken
Das Segment bekommt Farbe und Label
Grenzen durch Ziehen an den Kanten nachjustieren
Weitermachen, bis das gesamte Audio segmentiert ist

Steuerung über die Tastatur

Potato bringt Tastenkürzel für die Wiedergabe mit, unter anderem für Abspielen und Pause sowie für das Navigieren.

Vorannotierte Diarisierung korrigieren

Häufig labelst du nicht bei null, sondern korrigierst die Ausgabe eines automatischen Diarisierers:

yaml

data_files:
  - "data/auto_diarized.json"

Datenformat:

json

{
  "id": "meeting_001",
  "audio_path": "/audio/meeting_001.wav",
  "auto_segments": [
    {"start": 0.0, "end": 3.5, "speaker": "Speaker 1"},
    {"start": 3.5, "end": 8.2, "speaker": "Speaker 2"},
    {"start": 8.2, "end": 12.0, "speaker": "Speaker 1"}
  ]
}

Ausführliche Angaben zu den Sprechenden

Zusätzliche Metadaten zu jeder sprechenden Person erfassen:

yaml

annotation_schemes:
  - annotation_type: audio_annotation
    name: speakers
    labels:
      - name: Speaker A
        color: "#FF6B6B"
      - name: Speaker B
        color: "#4ECDC4"
      - name: Speaker C
        color: "#45B7D1"
      - name: Unknown
        color: "#9CA3AF"
 
  # Speaker characteristics
  - annotation_type: radio
    name: speaker_a_gender
    description: "Speaker A Gender"
    labels:
      - Male
      - Female
      - Unknown
 
  - annotation_type: text
    name: speaker_a_role
    description: "Speaker A Role (if identifiable)"
 
  - annotation_type: radio
    name: speaker_b_gender
    description: "Speaker B Gender"
    labels:
      - Male
      - Female
      - Unknown

Überlappende Sprache behandeln

yaml

annotation_schemes:
  - annotation_type: audio_annotation
    name: speakers
    labels:
      - name: Speaker 1
        color: "#FF6B6B"
      - name: Speaker 2
        color: "#4ECDC4"
      - name: Overlap
        color: "#FFEAA7"

Diarisierung von Besprechungen und Interviews

yaml

annotation_task_name: "Meeting Diarization"
 
data_files:
  - "data/meetings.json"
 
annotation_schemes:
  # Speaker turns
  - annotation_type: audio_annotation
    name: turns
    description: "Mark each speaker turn"
    labels:
      - name: Moderator
        color: "#EF4444"
        keyboard_shortcut: "m"
      - name: Participant 1
        color: "#3B82F6"
        keyboard_shortcut: "1"
      - name: Participant 2
        color: "#10B981"
        keyboard_shortcut: "2"
      - name: Participant 3
        color: "#F59E0B"
        keyboard_shortcut: "3"
      - name: Participant 4
        color: "#8B5CF6"
        keyboard_shortcut: "4"
      - name: Unknown
        color: "#6B7280"
        keyboard_shortcut: "u"
      - name: Overlap
        color: "#FCD34D"
        keyboard_shortcut: "o"
      - name: Silence/Noise
        color: "#D1D5DB"
        keyboard_shortcut: "s"
 
  # Speech type annotation
  - annotation_type: radio
    name: speech_type
    description: "Type of speech"
    labels:
      - Statement
      - Question
      - Response
      - Interruption
      - Backchannel
 
  # Overall quality
  - annotation_type: radio
    name: recording_quality
    description: "Overall recording quality"
    labels:
      - Excellent - All speakers clear
      - Good - Most speech understandable
      - Fair - Some difficulty
      - Poor - Significant issues

Ausgabeformat

json

{
  "id": "meeting_001",
  "audio_path": "/audio/meeting_001.wav",
  "annotations": {
    "turns": [
      {
        "start": 0.0,
        "end": 5.2,
        "label": "Moderator",
        "attributes": {
          "speech_type": "Statement"
        }
      },
      {
        "start": 5.2,
        "end": 12.8,
        "label": "Participant 1",
        "attributes": {
          "speech_type": "Response"
        }
      },
      {
        "start": 11.5,
        "end": 12.8,
        "label": "Overlap"
      }
    ],
    "recording_quality": "Good - Most speech understandable"
  }
}

Hinweise zur Diarisierung

Erst hören: mach dich mit den Stimmen vertraut, bevor du annotierst
Merkmale notieren: Tonhöhe, Akzent, Sprechweise
Überlappungen einheitlich behandeln: leg die Vorgehensweise vorher fest
Geschwindigkeit nutzen: schwierige Stellen langsamer abspielen
Unsicherheit markieren: Unknown zu vergeben ist völlig in Ordnung

Nächste Schritte

Kombiniere das mit Transkription zu vollständigen Besprechungsprotokollen
Ergänze Emotionserkennung je sprechender Person
Richte Qualitätskontrolle für die Übereinstimmung mehrerer Annotierender ein

Die vollständige Audio-Dokumentation steht unter Audio-Annotation.