Audioannotationswerkzeuge im Vergleich: ELAN, Praat, Label Studio und Potato

Audioannotation versieht Abschnitte einer Aufnahme mit Labels: wer spricht, was gesagt wurde, welches Geräusch auftrat oder wie gut die Aufnahme ist. ELAN und Praat sind die Standard-Desktopwerkzeuge für einen einzelnen Linguisten, der Ebene für Ebene annotiert. Potato, Label Studio und Prodigy laufen im Browser, was Studien entgegenkommt, in denen viele Annotatoren dieselben Aufnahmen annotieren. Potato übernimmt außerdem die Studie rund um die Labels: Es rekrutiert Hörerinnen und Hörer über Prolific oder einen SONA-Teilnehmerpool, schult und prüft sie und berichtet die Übereinstimmung über Segmente, ohne kostenpflichtigen Tarif. Die Browserwerkzeuge unterscheiden sich außerdem darin, ob sie vorhandene Transkripte lesen.

Die Sprecherdiarisierung teilt eine Aufnahme danach auf, wer spricht. Die Spracherkennung erzeugt ein Transkript, das Annotatoren anschließend korrigieren. Die Klangereigniserkennung markiert, wo ein Geräusch wie eine Sirene oder eine Tür vorkommt. Eine Ebene (Tier) ist in ELAN und Praat eine Schicht von Annotationen über der Zeitachse der Aufnahme, sodass Wörter, Phoneme und Gesten getrennt gelabelt werden können. Der Mean Opinion Score bewertet die wahrgenommene Qualität eines Clips.

Diese Seite behandelt Audio und Sprache. KI-Annotationswerkzeuge im Vergleich behandelt alle Datentypen auf einer Seite.

Welche Audioannotationswerkzeuge lohnen einen Vergleich?

Welches Werkzeug für welche Audioaufgabe?

Eine Hör- oder Sprachstudie durchführen

Die Tabelle oben betrifft das Annotieren. Wenn viele Menschen dieselben Aufnahmen annotieren, unterscheiden sich die Werkzeuge stärker:

Ein Strich bedeutet, dass wir dazu im September 2026 nichts in der Dokumentation des Werkzeugs gefunden haben. Wenn eine Zelle falsch ist, sagen Sie es uns.

Wo Potato bei Audio vorn liegt

Hörtests mit Crowdworkern. Qualitätsbewertungen und Wahrnehmungsstudien laufen oft mit Crowdworkern statt mit einem Laborteam. Potato holt Hörerinnen und Hörer von Prolific oder SONA, gibt ihnen vor den echten Clips Übungsclips mit Rückmeldung, mischt Gold-Clips und Aufmerksamkeitstests darunter und zeigt am Ende einen Abschlusscode. Siehe Eine Crowdsourcing-Studie durchführen und Trainingsphasen.

Übereinstimmung über Segmente. ELAN vergleicht jeweils zwei Ebenen. Potato vergleicht jedes Paar von Annotatoren darauf, wie stark sich ihre Segmente überlappen und ob sie dieselben Segmente gefunden haben, bei einem einzigen Zuordnungsschwellenwert. Für die Übereinstimmung über Segmente gibt es noch keine Zufallsbasis, und die Dokumentation sagt das auch.

Vom ASR-Ergebnis zu ELAN. Annotatoren beginnen mit einem vorhandenen Transkript in einem von 21 Formaten oder mit Potatos lokaler Transkription und Diarisierung, und das Ergebnis lässt sich als EAF und TextGrid exportieren, für alle, die in ELAN oder Praat weiterarbeiten.

Von einem vorhandenen Transkript ausgehen

Die meisten Sprachprojekte beginnen mit einem Transkript aus Whisper, einer Cloud-API oder einer Untertiteldatei. Potato liest 21 Transkript- und Untertitelformate und zeigt ihre Sprecherwechsel als Sprechblasen, synchron zum Audio, sodass Annotatoren Segmente korrigieren, statt sie neu zu tippen. Zu den Formaten gehören Whisper- und WhisperX-JSON, AWS Transcribe, Deepgram, AssemblyAI, Rev.ai, SubRip, WebVTT, NIST CTM, Praat TextGrid und ELAN EAF. Potato liest keine eigenständigen RTTM-Diarisierungsdateien, kein Transcriber, EXMARaLDA oder CHAT; diese müssen zuerst konvertiert werden. Siehe Transkriptformate.

Seit Version 2.9 kann Potato auch auf dem eigenen Rechner transkribieren und diarisieren, mit faster-whisper und sherpa-onnx, ohne PyTorch und ohne Hugging-Face-Token. Siehe Lokal transkribieren.

In Label Studio und Prodigy wird ein Transkript aus einem anderen System zuerst in das eigene Aufgabenformat des Werkzeugs konvertiert. Das Audio-Tag von Label Studio wird für die Transkription mit einer TextArea kombiniert, und Prodigys Rezept audio.transcribe verbindet die Wiedergabe mit einem Textfeld.

Annotation in Ebenen zwischen ELAN, Praat und Potato austauschen

Potatos Schema tiered_annotation enthält unabhängige und abhängige Ebenen, sodass eine Wortebene eine Äußerungsebene zeitlich unterteilen kann, wie in ELAN. Potato exportiert EAF und TextGrid. Eine Studie kann Annotationen von vielen Personen im Browser sammeln und das Ergebnis an jemanden übergeben, der in ELAN oder Praat arbeitet.

ELAN bleibt das bessere Werkzeug für eine Fachperson, die eine Aufnahme im Detail durcharbeitet, mit synchronisierten Ansichten von bis zu vier Videos. Praat dient der akustischen Analyse, die Potato gar nicht erst versucht.

Übereinstimmung über die Zeit

Zwei Annotatoren, die dasselbe Geräusch markieren, stimmen selten auf die Millisekunde überein. Übereinstimmung bei Audio muss also festlegen, wie nah zwei Grenzen beieinanderliegen müssen, um als dasselbe Ereignis zu gelten.

• ELAN hat eine eingebaute Berechnung der Inter-Annotator-Reliabilität. Sie bietet ein modifiziertes Cohens κ nach Holle und Rein, das Annotationen mit einer festgelegten Mindestüberlappung verknüpft, und den Staccato-Algorithmus, der den Zufall berücksichtigt, indem er eine Segmentierung mit zufällig erzeugten vergleicht. Verglichen werden Paare von Ebenen.
• Potato vergleicht jedes Paar von Annotatoren nach zeitlicher IoU, Erkennungs-F1 und einem Gesamtwert der Übereinstimmung, der zugeordneten Segmenten mit unterschiedlichen Labels die Hälfte anrechnet, alles bei einem einzigen Zuordnungsschwellenwert. Für keinen dieser Werte gibt es bisher eine Zufallsbasis, und die Dokumentation sagt das auch. Siehe Übereinstimmung über die Zeit.
• Label Studio behält Übereinstimmungsmaße seinen kostenpflichtigen Tarifen vor.

Eine Audiosegmentierungsaufgabe in 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

Annotatoren ziehen über die Wellenform, um ein Segment anzulegen, und wählen sein Label. Audioannotation behandelt Klassifikation, Transkription, MOS-Bewertungen und Diarisierung in Potato.

Was Potato bei Audio nicht kann

• Keine akustische Analyse. Tonhöhe, Formanten und spektrale Messungen gehören in Praat.
• Einfachere Werkzeuge für die zeitliche Ausrichtung als ELAN. Die Desktop-Oberfläche von ELAN erlaubt eine feinere Kontrolle.
• Kein Parser für eigenständige RTTM-, Transcriber-, EXMARaLDA- oder CHAT-Dateien.

Geprüft anhand der Dokumentation jedes Projekts im September 2026.

Häufige Fragen

Was ist das beste kostenlose Audioannotationswerkzeug?

ELAN und Praat sind kostenlos und die Standards für linguistische und phonetische Arbeit durch eine einzelne annotierende Person. Für eine Studie, in der mehrere Annotatoren dieselben Aufnahmen im Browser labeln, sind Potato und die Community Edition von Label Studio kostenlos. Potato enthält Übereinstimmungsmaße, die Label Studio seinen kostenpflichtigen Tarifen vorbehält.

Berechnet ELAN die Inter-Annotator-Übereinstimmung?

Ja. Die Reliabilitätsberechnung von ELAN bietet ein modifiziertes Cohens Kappa und den Staccato-Algorithmus und vergleicht Annotationen auf Paaren von Ebenen über mehrere Dateien hinweg.

Kann ich Sprecherdiarisierung im Browser annotieren?

Ja. Potato liest diarisierte Ausgaben von WhisperX, AWS Transcribe, Deepgram, AssemblyAI und Rev.ai, zeigt Sprecherwechsel ohne Sprecher als Unassigned mit einer Auswahl an und kann ab Version 2.9 lokal diarisieren. Auch Label Studio kann Sprecherregionen auf einer Wellenform labeln.

Welche Annotationswerkzeuge lesen Praat-TextGrid- und ELAN-EAF-Dateien?

Praat und ELAN arbeiten in ihren eigenen Formaten. Potato liest und exportiert beide, sodass ein Projekt zwischen einer Browserstudie und einem der beiden Desktop-Werkzeuge wechseln kann.

Muss ich Audio transkribieren, bevor ich es annotiere?

Nur wenn es bei der Annotation um das Gesagte geht. Klangereignisse, Sprecherwechsel und Qualitätsbewertungen lassen sich direkt auf der Wellenform labeln. Für Sprachinhalte sollten Sie von einem vorhandenen Transkript ausgehen, wenn es eines gibt, und von Grund auf transkribieren, wenn das Transkript das Ergebnis ist oder das Audio so schlecht ist, dass die ASR-Ausgabe Annotatoren in die Irre führen würde.

Welche Audioannotationswerkzeuge funktionieren mit Prolific oder Mechanical Turk?

Potato hat Prolific eingebaut, dazu SONA und andere Panels. Mechanical Turk wurde am 30. September 2026 geschlossen, daher kann dort heute kein Werkzeug mehr rekrutieren. Hörerinnen und Hörer kommen mit ihrer Teilnehmer-ID in der URL von Prolific, durchlaufen gegebenenfalls Einwilligung, Screening und Trainingsphasen und erhalten am Ende einen Abschlusscode. ELAN und Praat sind Desktopwerkzeuge, und für Label Studio und Prodigy haben wir keine dokumentierte Crowdsourcing-Anbindung gefunden.

Weiterführende Lektüre

• KI-Annotationswerkzeuge im Vergleich, alle Datentypen auf einer Seite
• Textannotationswerkzeuge im Vergleich
• Bildannotationswerkzeuge im Vergleich
• Videoannotationswerkzeuge im Vergleich
• Werkzeuge zur Evaluation von KI-Agenten im Vergleich
• Werkzeuge zur Evaluation von Weltmodellen und Roboterepisoden im Vergleich
• Whisper-Transkripte annotieren