مقارنة أدوات التعليق على الصوت: ELAN وPraat وLabel Studio وPotato

يضع التعليق الصوتي تسميات على مقاطع من التسجيل: من يتكلم، وماذا قال، وأي صوت وقع، أو ما جودة التسجيل. ELAN وPraat هما أداتا سطح المكتب المعياريتان للّغوي الذي يعمل وحده طبقةً بعد طبقة. أما Potato وLabel Studio وProdigy فتعمل في المتصفح، وهذا يناسب الدراسات التي يوسم فيها موصِّفون كثيرون التسجيلات نفسها. ويتولّى Potato أيضًا الدراسة المحيطة بالتسميات: يجنّد المستمعين عبر Prolific أو مجمّع مشاركين في SONA، ويدرّبهم ويفرزهم، ويُبلغ عن الاتفاق على المقاطع، دون خطة مدفوعة. وتختلف أدوات المتصفح كذلك في قدرتها على قراءة التفريغات الموجودة.

يقسّم فصل المتحدثين التسجيل بحسب من يتكلم. وينتج التعرّف على الكلام تفريغًا نصيًا يصحّحه الموصِّفون بعد ذلك. ويحدّد كشف الأحداث الصوتية موضع صوت مثل صفارة إنذار أو باب. والطبقة (tier) في ELAN وPraat مستوى من التوصيفات فوق الخط الزمني للتسجيل، فتُوسَم الكلمات والوحدات الصوتية والإيماءات كلٌّ على حدة. ويقيّم متوسط درجة الرأي الجودة المُدرَكة لمقطع.

تتناول هذه الصفحة الصوت والكلام. أما المقارنة التي تجمع كل أنواع البيانات في صفحة واحدة ففي مقارنة أدوات التعليق بالذكاء الاصطناعي.

أي أدوات التعليق على الصوت تستحق المقارنة؟

أي أداة لأي مهمة صوتية؟

إدارة دراسة استماع أو كلام

يتعلق الجدول السابق بالوسم. وحين يسم أشخاص كثيرون التسجيلات نفسها، يزداد الفرق بين الأدوات:

تعني الشرطة أننا لم نجد شيئًا عن ذلك في توثيق الأداة في سبتمبر 2026. إن كانت إحدى الخانات خاطئة، أخبرنا.

أين يتقدّم Potato في الصوت

اختبارات استماع مع عمال المنصات الجماعية. كثيرًا ما تُجرى تقييمات الجودة ودراسات الإدراك مع عمال المنصات الجماعية لا مع فريق مختبر. يأتي Potato بالمستمعين من Prolific أو SONA، ويعطيهم مقاطع تدريبية مع ملاحظات قبل المقاطع الحقيقية، ويمزج بينها مقاطع مرجعية وفحوص انتباه، ويعرض رمز إكمال في النهاية. انظر إجراء دراسة تعهيد جماعي ومراحل التدريب.

الاتفاق على المقاطع. يقارن ELAN طبقتين في كل مرة. أما Potato فيقارن كل زوج من الموصِّفين في مدى تداخل مقاطعهما وهل وجدا المقاطع نفسها، عند عتبة مطابقة واحدة. ولا يوجد بعد خط أساس للصدفة للاتفاق على المقاطع، ويقول توثيقه ذلك.

من مخرجات التعرّف على الكلام إلى ELAN. يبدأ الموصِّفون من تفريغ موجود بأحد 21 تنسيقًا، أو من التفريغ وفصل المتحدثين محليًا في Potato، ويُصدَّر الناتج إلى EAF وTextGrid لمن يتابع العمل في ELAN أو Praat.

البدء من تفريغ نصي موجود

تبدأ معظم مشاريع الكلام بتفريغ نصي من Whisper أو من واجهة برمجية سحابية أو من ملف ترجمة مرئية. يقرأ Potato 21 صيغة للتفريغ والترجمة المرئية، ويعرض الأدوار فقاعاتٍ للمتحدثين متزامنة مع الصوت، فيصحّح الموصِّفون المقاطع بدل كتابتها من الصفر. ومن الصيغ: JSON من Whisper وWhisperX، وAWS Transcribe، وDeepgram، وAssemblyAI، وRev.ai، وSubRip، وWebVTT، وNIST CTM، وTextGrid من Praat، وEAF من ELAN. ولا يقرأ Potato ملفات RTTM لفصل المتحدثين وحدها، ولا Transcriber أو EXMARaLDA أو CHAT، ويجب تحويلها أولًا. راجع صيغ التفريغ النصي.

ومنذ الإصدار 2.9، يستطيع Potato أيضًا إجراء التفريغ النصي وفصل المتحدثين على جهازك، باستخدام faster-whisper وsherpa-onnx، دون PyTorch ودون رمز Hugging Face. راجع التفريغ النصي محليًا.

في Label Studio وProdigy يُحوَّل التفريغ الآتي من نظام آخر أولًا إلى صيغة المهام الخاصة بالأداة. يُقرن وسم Audio في Label Studio بعنصر TextArea للتفريغ النصي، وتجمع وصفة audio.transcribe في Prodigy بين التشغيل ومربع نص.

نقل التوصيف متعدد الطبقات بين ELAN وPraat وPotato

يضم مخطط tiered_annotation في Potato طبقات مستقلة وأخرى تابعة، فيمكن لطبقة الكلمات أن تقسّم طبقة الأقوال زمنيًا كما في ELAN. ويصدّر Potato بصيغتي EAF وTextGrid. ويمكن لدراسة أن تجمع التوصيفات من أشخاص كثيرين في المتصفح، ثم تسلّم النتيجة إلى من يعمل في ELAN أو Praat.

يبقى ELAN الأداة الأفضل لخبير يعمل على تسجيل بالتفصيل، مع عروض متزامنة لما يصل إلى أربعة فيديوهات. أما Praat فللتحليل الصوتي، وهو ما لا يحاوله Potato.

الاتفاق عبر الزمن

نادرًا ما يتفق موصِّفان يحدّدان الصوت نفسه حتى الجزء من الألف من الثانية، ولذلك على الاتفاق في الصوت أن يحدّد كم يجب أن تتقارب حدّان ليُحسبا الحدث نفسه.

• ELAN فيه حساب مدمج لموثوقية الاتفاق بين الموصِّفين. يوفّر κ كوهين المعدَّل وفق Holle وRein، الذي يربط التوصيفات المتداخلة بحدٍّ أدنى محدّد، وخوارزمية Staccato التي تراعي الصدفة بمقارنة تقسيمٍ ما بتقسيمات مولَّدة عشوائيًا. ويقارن أزواجًا من الطبقات.
• Potato يقارن كل زوج من الموصِّفين في IoU الزمني، وF1 للكشف، ودرجة اتفاق إجمالية تمنح نصف الرصيد للمقاطع المتطابقة ذات التسميات المختلفة، وكلها عند عتبة مطابقة واحدة. ولا يملك أيٌّ منها بعدُ خط أساس للصدفة، ويقول توثيقه ذلك. راجع الاتفاق عبر الزمن.
• Label Studio يحصر الاتفاق في خططه المدفوعة.

مهمة تقسيم صوتي في Potato

annotation_schemes:
  - annotation_type: audio_annotation
    name: sound_events
    description: "Mark each sound and choose its type."
    mode: label
    labels:
      - {name: speech, color: "#4ECDC4"}
      - {name: music, color: "#FF6B6B"}
      - {name: noise, color: "#F39C12"}
    zoom_enabled: true

يسحب الموصِّفون على الشكل الموجي لإنشاء مقطع ثم يختارون تسميته. ويتناول التعليق على الصوت التصنيف والتفريغ النصي وتقييمات MOS وفصل المتحدثين في Potato.

ما لا يفعله Potato مع الصوت

• لا تحليل صوتي. درجة الصوت والبواني والقياسات الطيفية من اختصاص Praat.
• أدوات محاذاة أبسط من أدوات ELAN. تمنح واجهة ELAN المكتبية تحكمًا أدق في المحاذاة الزمنية.
• لا محلّل لملفات RTTM أو Transcriber أو EXMARaLDA أو CHAT وحدها.

جرى التحقق من توثيق كل مشروع في سبتمبر 2026.

الأسئلة الشائعة

ما أفضل أداة مجانية للتعليق على الصوت؟

ELAN وPraat مجانيتان، وهما المعيار في العمل اللغوي والصوتي لموصِّف واحد. أما لدراسة يوسم فيها عدة موصِّفين التسجيلات نفسها في المتصفح، فإن Potato والنسخة المجتمعية من Label Studio مجانيتان. ويتضمن Potato مقاييس الاتفاق، التي يحصرها Label Studio في خططه المدفوعة.

هل يحسب ELAN الاتفاق بين الموصِّفين؟

نعم. يوفّر حساب الموثوقية في ELAN كابا كوهين المعدَّلة وخوارزمية Staccato، ويقارن التوصيفات على أزواج من الطبقات عبر عدة ملفات.

هل يمكنني توصيف فصل المتحدثين في المتصفح؟

نعم. يقرأ Potato المخرجات المفصولة حسب المتحدث من WhisperX وAWS Transcribe وDeepgram وAssemblyAI وRev.ai، ويعرض الأدوار التي لا متحدث لها بوصفها Unassigned مع أداة اختيار، ويستطيع منذ الإصدار 2.9 فصل المتحدثين محليًا. ويستطيع Label Studio أيضًا وسم مناطق المتحدثين على شكل موجي.

أي أدوات التعليق تقرأ ملفات TextGrid من Praat وEAF من ELAN؟

يعمل Praat وELAN بصيغتيهما. ويقرأ Potato الصيغتين ويصدّرهما، فيمكن لمشروع أن ينتقل بين دراسة في المتصفح وأيٍّ من أداتي سطح المكتب.

هل يجب أن أفرّغ الصوت نصيًا قبل توصيفه؟

فقط إذا كان التوصيف يتعلق بما قيل. تُوسَم الأحداث الصوتية وأدوار المتحدثين وتقييمات الجودة مباشرة على الشكل الموجي. أما المحتوى المنطوق، فابدأ من تفريغ موجود إن توفّر، وفرّغ من الصفر حين يكون التفريغ هو الناتج المطلوب أو حين يكون الصوت رديئًا إلى حدّ أن مخرجات التعرّف الآلي ستضلّل الموصِّفين.

أي أدوات التعليق الصوتي تعمل مع Prolific أو Mechanical Turk؟

يدمج Potato منصة Prolific، إلى جانب SONA ولوحات مشاركين أخرى. وقد أُغلق Mechanical Turk في 30 سبتمبر 2026، فلم يعد بوسع أي أداة التجنيد عليه الآن. يصل المستمع من Prolific ومعرّف المشارك في الرابط، ويمرّ بما يوجد من مراحل الموافقة والفرز والتدريب، ويحصل على رمز إكمال في النهاية. ELAN وPraat أداتا سطح مكتب، ولم نجد تكاملًا موثَّقًا مع منصات التعهيد الجماعي في Label Studio أو Prodigy.

قراءات إضافية

• مقارنة أدوات التعليق بالذكاء الاصطناعي، لكل أنواع البيانات في صفحة واحدة
• مقارنة أدوات التعليق على النصوص
• مقارنة أدوات التعليق على الصور
• مقارنة أدوات التعليق على الفيديو
• مقارنة أدوات تقييم وكلاء الذكاء الاصطناعي
• مقارنة أدوات تقييم نماذج العالم وحلقات الروبوتات
• توصيف تفريغات Whisper