Wer spricht wann?

Er achtet auf die Pausen zwischen Sprechabschnitten und schneidet das Audio in Segmente, die er als abwechselnde Turns (Sprecher 1, Sprecher 2) mit Anfangs- und Endzeit beschriftet. Sagen wir es ehrlich: Er segmentiert Turns anhand von Stille, er erkennt keine Stimmen und ermittelt nicht die tatsächliche Anzahl unterschiedlicher Sprecher.

Was diese Aufgabe tatsächlich tut

Sie führt eine schlanke Turn-Segmentierung durch, keine akustische Sprechererkennung. Die Aufnahme wird transkribiert, und überall dort, wo zwischen zwei Segmenten eine ausreichend lange Pause liegt, wechselt die Kennzeichnung zum nächsten Turn und wechselt dabei zwischen zwei Markierungen. So erhalten Sie eine segmentierte, mit Zeitstempeln versehene Struktur — ein lesbares Hin und Her statt eines undifferenzierten Blocks —, die als erster Durchgang bei einem Gespräch zu zweit wirklich nützlich ist. Was sie nicht ist: ein Modell, das die Stimmmerkmale abhört und entscheidet, wer wer ist; die Kennzeichnungen stammen aus dem Rhythmus der Pausen, nicht daraus, eine Stimme von einer anderen zu unterscheiden.

Was die Aufgabe zurückgibt

Senden Sie eine Audiodatei per POST an /audio/diarize, und die Aufgabe gibt eine Liste von Turns zurück: Jeder Turn trägt eine Sprecherkennzeichnung (Sprecher 1 oder Sprecher 2), den Text dieses Abschnitts sowie seine Anfangs- und Endzeit. Sie meldet außerdem, wie viele unterschiedliche Kennzeichnungen sie verwendet hat — bei diesem pausenbasierten Ansatz höchstens zwei; dieser Zähler ist eine Eigenschaft der Segmentierung, keine Messung dafür, wie viele Personen wirklich im Raum sind. Zusammen mit einem Transkript erhalten Sie eine skriptartige, mit Zeitstempeln versehene Struktur, die sich leicht überfliegen lässt.

Wo der pausenbasierte Ansatz passt und wo nicht

Er passt zu einem sauberen Gespräch zu zweit — einem Interview, einem Einzeltelefonat —, bei dem sich die Sprecher meist abwechseln und die Pausen mit dem Stimmwechsel zusammenfallen. Er passt nicht zu einer Runde mit mehreren Teilnehmern, zu starkem Durcheinanderreden oder zu einem Fall, in dem Sie jede reale Person über die ganze Aufnahme hinweg konsistent verfolgen müssen: Zwei Kennzeichnungen anhand von Stille abzuwechseln, führt dort zu Fehlzuordnungen. Wenn Ihr Ablauf verlangt, dass die tatsächliche Anzahl der Sprecher bestimmt oder Stimmen mit Identitäten verknüpft werden, ist das eine andere, aufwendigere Aufgabe als die dieses Endpoints, und diese Seite wird nicht so tun, als wäre es anders.

Wofür eine Turn-Segmentierung trotzdem nützlich ist

Auch ohne echte Sprechererkennung spart es echte Arbeit, eine Aufnahme zu zweit in mit Zeitstempeln versehene Turns aufzuteilen: Aus einer Wand von Transkript wird ein lesbarer Austausch, den Sie überfliegen, nach Zeit zitieren oder an einen Notizschritt weitergeben können. Ein Support-Team, das ein einzelnes Agent-Kunde-Gespräch durchsieht, ein Journalist, der ein Einzelinterview aufräumt, ein Produzent, der ein Segment mit zwei Moderatoren in lesbare Turns zerlegt — sie alle profitieren von einer Struktur aus dem ersten Durchgang, die sie dort von Hand korrigieren, wo es darauf ankommt, statt bei einem undifferenzierten Block zu beginnen.

Preis und Abrechnung

Die Kosten bestehen aus einer kleinen Grundgebühr pro Anfrage plus einem Minutentarif, der an die Länge der Aufnahme gekoppelt und auf dieser Seite veröffentlicht ist: $0.002 pro Anfrage plus $0.0055 pro Minute. Die Aufgabe wird asynchron verarbeitet — senden Sie das Audio, erhalten Sie sofort eine task_id und holen Sie das nach Turns segmentierte Ergebnis per signiertem Webhook oder über einen 24 Stunden gültigen signierten Link ab; eine fehlgeschlagene Aufgabe wird automatisch bis zu dreimal wiederholt und nie berechnet, wenn sie sich dennoch nicht abschließen lässt.