„Diarisierung" ist der Fachbegriff für etwas, das dein Gehirn ohne nachzudenken tut: in einem Gespräch Stimmen auseinanderhalten. Für eine Maschine ist es eines der schwierigsten Probleme beim Audio.
Warum es schwierig ist
- Ähnliche Stimmen (Geschwister, gleiches Geschlecht, gleicher Akzent).
- Überlappungen: Leute sprechen durcheinander.
- Kanalwechsel: Jemand verlässt den Computer und kommt zurück.
- Rauschen: Klimaanlage, eine andere Sprache im Hintergrund.
Die Transkription kann 99 % Genauigkeit erreichen, und wenn die Sprecher falsch zugeordnet sind, ist die Notiz trotzdem nutzlos.
Wie wir es angehen
Embedding pro Segment. Wir zerlegen das Audio in Abschnitte von 1 bis 3 Sekunden und schicken jeden durch ein Sprecher-Embedding-Modell (trainiert auf Spanisch + Englisch + Portugiesisch). Jeder Abschnitt ergibt einen Vektor mit ca. 512 Dimensionen.
Progressives Clustering. Wir gruppieren die Vektoren zu Clustern. Die Anzahl der Cluster ist nicht festgelegt: Sie wird über die Dichte abgeleitet. So erzeugt ein Meeting mit 2 Personen keine 5 falschen Sprecher, und eines mit 8 erkennt sie tatsächlich.
Verfeinerung durch Prosodie. Wir nutzen Rhythmus, Pausen und Intonation als Zusatzsignale, um die Grenze zwischen Sprechern zu schärfen, wenn die Embeddings zögern.
Optionale Wiedererkennung. Wenn die Nutzerin einen Sprecher benennt („Das ist Juan"), wird das Embedding verschlüsselt in ihrem Konto gespeichert. In künftigen Meetings wird Juan automatisch erkannt.
Was wir NICHT tun
Wir laden deine Stimme in kein öffentliches Repository hoch. Embeddings gehören nur dir und werden auf Wunsch gelöscht. Kontoübergreifende Identifikation gibt es nicht.
Ergebnisse
In internen Benchmarks mit typischem Zoom-Audio:
- Sprecherfehlerrate: 4,7 % auf Spanisch, 5,1 % auf Englisch.
- Bei mehr als 5 Sprechern steigt sie auf ca. 9 %.
- Überlappungen werden mit 87 % Präzision erkannt.
Im Vergleich zu generischen Diensten (die auf Spanisch bei 12 bis 18 % Fehlern liegen) ist der Abstand bemerkenswert. Der Grund ist einfach: Wir optimieren für den realen Fall (Teammeetings und Interviews), nicht für professionelle Podcasts.
Bereit, es auszuprobieren?
Nimm dein nächstes Meeting auf und erhalte in Sekunden eine umsetzbare Zusammenfassung.
Kostenlos startenWeiterlesen
Alle ansehen →Datenschutz bei Aufnahmen: wie AudioMap deine Meetings schützt
Ein Audio zu einem Dienst hochzuladen setzt Vertrauen voraus. Hier steht genau, was wir mit deinem Material tun und was nicht.
5 minWhisper, Gemini und LLMs: die Technik hinter deinen Notizen
Ein ehrlicher Blick auf den KI-Stack, der aus einer MP3 eine umsetzbare Notiz macht.
6 minKI in Meetings: Mythos und Realität 2026
Was KI heute mit deinen Meetings kann und was nicht, und warum die meisten Versprechen des Marktes heiße Luft sind.
5 minDie Vorlesung, die du aufgenommen und nie wieder angehört hast: so fasst du eine aufgezeichnete Vorlesung zusammen
Die Vorlesung aufzunehmen kostet einen Knopfdruck. Sie noch einmal anzuhören kostet neunzig Minuten, die du nicht hast. So wird aus einer anderthalbstündigen Aufnahme ein Skript mit Konzepten, Beispielen, Literaturliste und Mindmap, ohne sie noch einmal zu hören.
8 minSo bewahrst du ein Familieninterview auf: das Leben deiner Großmutter passt nicht in eine WhatsApp-Sprachnachricht
Du hast deine Großmutter aufgenommen, wie sie von ihrer Kindheit erzählt, und die Datei liegt in einem Chat, der eines Tages gelöscht wird. So wird aus dieser Aufnahme etwas, das man lesen, nach Namen durchsuchen, mit Untertiteln ansehen und mit der Familie teilen kann, ohne die Kontrolle zu verlieren.
8 minDer Berater, der aufhörte, fünfzehnmal dieselbe Besprechung zu wiederholen: KI-Vorlage für das steuerliche Quartalsgespräch
Fünfzehn Quartalsgespräche in drei Wochen, alle ähnlich und keines gleich. Das Problem ist nicht, sich zu erinnern, was gesagt wurde: Es ist, sich zu erinnern, wem. So wird jede Sitzung dokumentiert, mit ihrem Rechtshinweis und ihren Daten in Europa.
8 min