Skip to content
HypeNest

Glossar

Sprechererkennung

Sprechererkennung ist der Teil der Video- und Audioanalyse, der herausfindet, wer wann spricht. Auf der Audioseite heißt sie oft Speaker Diarization: Ein Transkript wird in Segmente von „Sprecher 1“ und „Sprecher 2“ aufgeteilt. Auf der Videoseite ordnet die Active Speaker Detection die Stimme einem Gesicht im Bild zu, meist anhand von Lippenbewegung und Gesichtsverfolgung. Clipping- und Reframing-Tools nutzen sie, um zu entscheiden, wohin der vertikale Ausschnitt in einem Podcast oder Interview zeigt, und um Captions nach Sprecher zu kennzeichnen. Sie scheitert an vorhersehbaren Stellen: wenn Leute durcheinanderreden, bei Stimmen außerhalb des Bildes, Profilaufnahmen, Masken und weiten Einstellungen mit kleinen Gesichtern. Deshalb brauchen sprecherbasierte Ausschnitte ein Review.

In einem HypeNest-Durchlauf

In HypeNest zielt das Reframing darauf, die sprechende Person bei Interview- und Podcast-Clips im vertikalen Bild zu halten. Beobachten Sie im Review die Wechsel zwischen den Sprechern – ein Ausschnitt, der beim Zuhörer landet, während der Gast die Pointe liefert, ist ein Grund, den Clip neu zu schneiden oder zu verwerfen.

Interview-Clip-Maker

FAQ

Was ist der Unterschied zwischen Sprechererkennung und Diarization?
Diarization ist der Audio-Teil: welche Stimme wann sprach. Die Active Speaker Detection verknüpft diese Stimme mit einem Gesicht im Bild, damit ein Ausschnitt ihr folgen kann.
Funktioniert die Sprechererkennung bei mehr als zwei Personen?
Sie kann, aber die Genauigkeit sinkt, wenn Gesichter kleiner werden und Leute sich unterbrechen. Panels und Gruppencalls brauchen das meiste Review.

Workflow testen

Captions-fertige Short-Clips aus einem langen Video draften, jeden Schnitt reviewen, dann auf YouTube und TikTok publishen.

Kostenlos starten

Verwandte Begriffe

← Alle Glossarbegriffe