Ton in Text zu verwandeln ist für saubere Aufnahmen weitgehend gelöst — bei starkem Dialekt, viel Fachvokabular oder schlechtem Mikrofon merkt man weiterhin, dass es Arbeit ist. Zuzuordnen, wer gerade spricht, ist die schwierigere Hälfte.
Und die Fehler verteilen sich ungleich. In einer ruhigen Runde mit vier Personen, die einander ausreden lassen, stimmt die Zuordnung meistens. In den Minuten, in denen es zur Sache geht, häufen sie sich. Das liegt nicht am Modell, sondern daran, dass genau die Merkmale verschwinden, an denen es Stimmen trennt: klare Pausen, keine Überlappung, gleichbleibende Lautstärke.
Wo es typischerweise kippt
Zwei reden gleichzeitig. Ein Halbsatz landet beim Falschen oder fällt weg. Bei einer hitzigen Terminabstimmung steht die entscheidende Zusage dann unter dem falschen Namen — der Fehler, der am meisten kostet.
Jemand sitzt weit vom Mikrofon. Ein Konferenzraum mit einem Laptop in der Mitte klingt für ein Modell nicht nach sechs Personen, sondern nach zwei nahen und vier verwaschenen. Die vier werden gern zu einer zusammengefasst.
Jemand kommt später dazu. Mal wird die neue Stimme sauber getrennt, mal an eine bestehende gehängt. Ein Muster haben wir dabei nicht erkennen können.
Warum wir trotzdem Namen vergeben
Man könnte die Zuordnung weglassen und nur den Text ausgeben. Für ein reines Ergebnisprotokoll reicht das oft. Sobald aber Zusagen im Spiel sind, fehlt das Wesentliche: „bis Freitag" ohne „wer" ist keine Information.
Deshalb bekommen Sie zuerst „Sprecher 1" bis „Sprecher n" und ordnen die Namen einmal zu. Das ist schnell erledigt und gilt danach für die ganze Aufnahme. Der Nebeneffekt ist der eigentliche Nutzen: Beim Zuordnen fällt auf, wenn ein Sprecher plötzlich zwei Meinungen vertritt — dort hat das Modell zwei Personen zusammengeworfen, und Sie sehen es, bevor das Protokoll herausgeht.
Wir haben überlegt, die Namen zu erraten — wer am meisten spricht, ist vermutlich die Leitung. Das haben wir verworfen. Eine plausible Falschzuordnung fällt niemandem auf.
Ein Protokoll, das sich sicherer gibt, als die Technik ist, richtet mehr Schaden an als eines mit sichtbaren Lücken.
Was in unseren Tests geholfen hat
Der Mikrofonabstand hat bei uns mehr ausgemacht als jede Einstellung am Modell. Sechs Laptops, die je eine Stimme aufnehmen, trennen spürbar besser als ein Raummikrofon in der Tischmitte — auch wenn das unpraktisch klingt.
Der zweite Hebel ist banal: nacheinander reden. Was für Besprechungen ohnehin gilt, gilt für die Mitschrift eben auch.