Anotación de Audio

Anota archivos de audio con visualización de forma de onda y controles de reproducción.

Anotación de Audio

Potato 2.0 proporciona una potente anotación de audio con visualización de forma de onda impulsada por Peaks.js, etiquetado de segmentos y atajos de teclado completos.

Casos de Uso

Transcripción y revisión de voz
Diarización de hablantes
Análisis musical
Detección de eventos de audio
Reconocimiento de emociones en el habla
Aseguramiento de calidad en centros de llamadas

Habilitación del Soporte de Audio

Añade una sección audio_annotation a tu configuración:

yaml

annotation_schemes:
  - annotation_type: audio
    name: audio_segments
    description: "Segment and label the audio"
    labels:
      - Speech
      - Music
      - Silence
      - Noise

Modos Operacionales

Potato admite tres modos de anotación de audio:

Modo de Etiquetado

Segmenta el audio y asigna etiquetas de categoría a cada segmento:

yaml

annotation_schemes:
  - annotation_type: audio
    name: speaker_diarization
    mode: label
    description: "Identify speakers in the audio"
    labels:
      - Speaker A
      - Speaker B
      - Overlap
    label_colors:
      "Speaker A": "#3b82f6"
      "Speaker B": "#10b981"
      "Overlap": "#f59e0b"

Modo de Preguntas

Añade preguntas de anotación por segmento:

yaml

annotation_schemes:
  - annotation_type: audio
    name: speech_quality
    mode: questions
    description: "Evaluate speech segments"
    segment_questions:
      - name: clarity
        type: likert
        size: 5
        min_label: "Unclear"
        max_label: "Very clear"
      - name: emotion
        type: radio
        labels: [Neutral, Happy, Sad, Angry]

Modo Combinado

Combina el etiquetado con preguntas por segmento:

yaml

annotation_schemes:
  - annotation_type: audio
    name: full_analysis
    mode: both
    description: "Label and analyze audio segments"
    labels:
      - Speech
      - Music
      - Noise
    segment_questions:
      - name: quality
        type: likert
        size: 5

Opciones de Configuración

Configuración Básica

yaml

annotation_schemes:
  - annotation_type: audio
    name: segments
    description: "Create audio segments"
    labels:
      - Label A
      - Label B
 
    # Optional constraints
    min_segments: 1
    max_segments: 50

Atajos de Teclado

Las etiquetas pueden asignarse usando las teclas numéricas 1-9:

yaml

annotation_schemes:
  - annotation_type: audio
    name: speakers
    labels:
      - Speaker A  # Press 1
      - Speaker B  # Press 2
      - Overlap    # Press 3

Colores de Etiquetas

Personaliza los colores de los segmentos:

yaml

annotation_schemes:
  - annotation_type: audio
    name: segments
    labels:
      - Speech
      - Music
      - Silence
    label_colors:
      "Speech": "#3b82f6"
      "Music": "#10b981"
      "Silence": "#6b7280"

Rendimiento de la Forma de Onda

Para un rendimiento óptimo con archivos de audio largos, instala la herramienta audiowaveform de BBC:

bash

# macOS
brew install audiowaveform
 
# Ubuntu/Debian
sudo apt-get install audiowaveform
 
# Or build from source
# https://github.com/bbc/audiowaveform

Esto habilita la generación de formas de onda del lado del servidor. Sin ella, se utiliza la generación del lado del cliente (adecuada para archivos de menos de 30 minutos).

Caché de Formas de Onda

Configura el almacenamiento en caché para un mejor rendimiento:

yaml

audio_config:
  cache_dir: "audio_cache/"
  precompute_depth: 100  # Pre-generate waveforms for first N items
  client_fallback_max_duration: 1800  # 30 minutes in seconds

Formato de Datos

Referencia de Audio Simple

json

[
  {"id": "1", "audio_path": "audio/recording_001.wav"},
  {"id": "2", "audio_path": "audio/recording_002.wav"}
]

yaml

data_files:
  - "data/audio_data.json"
 
item_properties:
  id_key: id
  audio_key: audio_path

Con Transcripciones

json

[
  {
    "id": "1",
    "audio_path": "audio/call_001.wav",
    "transcript": "Hello, how can I help you today?"
  }
]

Formato de Salida

Las anotaciones se guardan con marcas de tiempo de segmento:

json

{
  "id": "audio_1",
  "annotations": {
    "segments": [
      {
        "start": 0.0,
        "end": 2.5,
        "label": "Speaker A",
        "questions": {
          "clarity": 4,
          "emotion": "Neutral"
        }
      },
      {
        "start": 2.5,
        "end": 5.2,
        "label": "Speaker B"
      }
    ]
  }
}

Atajos de Teclado

Potato proporciona amplios atajos de teclado para una anotación eficiente:

Atajo	Acción
`Space`	Reproducir/Pausar
`[`	Establecer inicio del segmento en la posición actual
`]`	Establecer fin del segmento en la posición actual
`1-9`	Asignar etiqueta al segmento actual
`Delete`	Eliminar segmento actual
`Left Arrow`	Retroceder 5 segundos
`Right Arrow`	Avanzar 5 segundos
`Up Arrow`	Acercar zoom
`Down Arrow`	Alejar zoom
`Home`	Ir al inicio
`End`	Ir al final
`+`	Aumentar velocidad de reproducción
`-`	Disminuir velocidad de reproducción

Configuraciones de Ejemplo

Diarización de Hablantes

yaml

task_name: "Speaker Diarization"
task_dir: "."
port: 8000
 
data_files:
  - "data/recordings.json"
 
item_properties:
  id_key: id
  audio_key: audio_path
 
annotation_schemes:
  - annotation_type: audio
    name: speakers
    mode: label
    description: "Identify who is speaking"
    labels:
      - Speaker 1
      - Speaker 2
      - Speaker 3
      - Overlap
      - Silence
    label_colors:
      "Speaker 1": "#3b82f6"
      "Speaker 2": "#10b981"
      "Speaker 3": "#f59e0b"
      "Overlap": "#ef4444"
      "Silence": "#6b7280"
    min_segments: 1
 
audio_config:
  cache_dir: "audio_cache/"
  precompute_depth: 50
 
output_annotation_dir: "output/"
output_annotation_format: "json"
allow_all_users: true

Revisión de Transcripción

yaml

task_name: "Transcription Quality Review"
task_dir: "."
port: 8000
 
data_files:
  - "data/transcripts.json"
 
item_properties:
  id_key: id
  text_key: transcript
  audio_key: audio_path
 
annotation_schemes:
  - annotation_type: audio
    name: errors
    mode: questions
    description: "Mark transcription errors"
    segment_questions:
      - name: error_type
        type: radio
        labels:
          - Missing word
          - Wrong word
          - Extra word
          - Spelling error
      - name: severity
        type: likert
        size: 3
        min_label: "Minor"
        max_label: "Major"
 
  - annotation_type: radio
    name: overall_accuracy
    description: "Overall transcript accuracy"
    labels:
      - Accurate
      - Minor errors
      - Major errors
      - Unusable
 
output_annotation_dir: "output/"
output_annotation_format: "json"

Control de Calidad de Centro de Llamadas

yaml

task_name: "Call Center Quality Assurance"
task_dir: "."
port: 8000
 
data_files:
  - "data/calls.json"
 
item_properties:
  id_key: call_id
  audio_key: recording_path
 
annotation_schemes:
  # Segment-level annotation
  - annotation_type: audio
    name: conversation
    mode: both
    description: "Segment the conversation"
    labels:
      - Agent
      - Customer
      - Hold
      - Silence
    segment_questions:
      - name: sentiment
        type: radio
        labels: [Positive, Neutral, Negative, Frustrated]
 
  # Call-level assessment
  - annotation_type: likert
    name: professionalism
    description: "Agent professionalism"
    size: 5
    min_label: "Poor"
    max_label: "Excellent"
 
  - annotation_type: likert
    name: resolution
    description: "Issue resolution"
    size: 5
    min_label: "Unresolved"
    max_label: "Fully resolved"
 
  - annotation_type: multiselect
    name: issues
    description: "Select any issues observed"
    labels:
      - Long hold time
      - Agent interrupted
      - Incorrect information
      - Missing greeting
      - Unprofessional language
 
  - annotation_type: text
    name: notes
    description: "Additional observations"
    textarea: true
 
output_annotation_dir: "output/"
output_annotation_format: "json"

Formatos de Audio Soportados

WAV (recomendado para mejor calidad)
MP3
OGG
FLAC
M4A
WebM

Consejos de Rendimiento

Instalar audiowaveform - Esencial para archivos de audio largos
Habilitar caché - Usa cache_dir para almacenar formas de onda pregeneradas
Usar WAV para calidad - Los formatos comprimidos pueden introducir artefactos
Preprocesar audio - Normalizar niveles, recortar silencios innecesarios
Considerar tamaños de archivo - Los archivos grandes ralentizan la carga
Usar precompute - Pregenerar formas de onda para las instancias iniciales

Solución de Problemas

La Forma de Onda No Carga

Verificar que la ruta del archivo de audio sea correcta
Comprobar que el formato de archivo sea soportado
Instalar audiowaveform para archivos largos
Revisar la consola del navegador en busca de errores

Rendimiento Lento

Instalar la herramienta audiowaveform
Habilitar caché de formas de onda
Reducir el tamaño de los archivos de audio
Usar la configuración precompute_depth

Los Segmentos No Se Guardan

Asegurar que el directorio de salida tenga permisos de escritura
Verificar la configuración del formato de anotación
Comprobar que el segmento tenga tiempos de inicio y fin