Da die Diarisierung und die Quellentrennung von Sitzungsdaten eng verwandte Aufgaben sind, schlagen wir hier einen Ansatz vor, um beide Ziele gemeinsam zu erfüllen. Der Ansatz baut auf der Ziel-Sprecher-Sprachaktivitätsdetektion (TS-VAD)-Diarisierungs-Methode auf, die davon ausgeht, dass zunächst Sprecher-Embeddings verfügbar sind. Wir ersetzen das finale kombinierte Sprecheraktivitäts-Schätzungsnetzwerk der TS-VAD durch ein Netzwerk, das Sprecheraktivitäts-Schätzungen mit zeitfrequenzauflösender Genauigkeit erzeugt. Diese dienen als Masken zur Quellenausgabe, entweder mittels Maskierung oder mittels Beamforming. Die Methode ist sowohl für ein- als auch mehrkanalige Eingaben anwendbar und erreicht in beiden Fällen eine neue State-of-the-Art-Genauigkeit (Word Error Rate, WER) bei der Erkennungsaufgabe auf dem LibriCSS-Sitzungsdatensatz. Zudem berechnen wir sowohl sprecherbewusste als auch sprecherunabhängige WERs, um den Beitrag der Diarisierungsfehler zur Gesamtleistung der WER zu isolieren.