Anotación de audio
Una guía completa de la anotación de audio en Potato: clasificación, etiquetado, detección de eventos sonoros sobre la forma de onda, transcripción, valoraciones de calidad (MOS), emoción y diarización de hablantes.
La anotación de audio abarca desde etiquetar un clip entero ("¿esto es habla o música?") hasta marcar el momento exacto en que un sonido ocurre sobre la forma de onda. Potato muestra una forma de onda interactiva con reproducción y marcadores de tiempo, de modo que la misma herramienta sirve para clasificación, etiquetado, detección de eventos alineados en el tiempo, transcripción, valoraciones de calidad y trabajo con hablantes. Para la referencia de la función, consulta Anotación de audio.
Esta guía relaciona cada tarea de audio habitual con una configuración de Potato y un diseño de muestra ejecutable.
Clasificación a nivel de clip
Etiqueta el clip entero con una sola categoría. Esto cubre la clasificación de escenas acústicas, la clasificación de sonidos ambientales, la detección de palabras clave y la clasificación de sonidos respiratorios.
annotation_schemes:
- annotation_type: radio
name: scene
description: "What environment was this recorded in?"
labels: [Street, Park, Office, Home, Vehicle]Etiquetado multietiqueta
Cuando se aplican varios sonidos o etiquetas a la vez, como en el etiquetado de música y la clasificación de eventos al estilo AudioSet, usa multiselect.
annotation_schemes:
- annotation_type: multiselect
name: tags
description: "Select every instrument you can hear."
labels: [Guitar, Drums, Piano, Vocals, Bass, Synth]Detección de eventos sonoros: tramos sobre la forma de onda
Para marcar cuándo empieza y termina un sonido, usa un tramo sobre la línea de tiempo del audio. Esto es la detección de eventos sonoros, la versión en audio de la anotación de tramos.
annotation_schemes:
- annotation_type: span
name: events
description: "Mark the start and end of each sound event and label it."
labels: [Speech, Music, Dog bark, Siren, Silence]Transcripción
Para la transcripción de audio, combina la reproducción con un campo de texto libre. Quienes anotan pueden recorrer la forma de onda mientras escriben.
annotation_schemes:
- annotation_type: text
name: transcript
description: "Type what is said in this clip."Valoraciones de calidad: MOS e inteligibilidad
La calidad subjetiva del audio se mide con una puntuación media de opinión, una valoración Likert de 1 a 5 promediada entre oyentes. Esto cubre la calidad del habla (MOS) y la inteligibilidad del habla.
annotation_schemes:
- annotation_type: likert
name: mos
description: "Rate the overall quality of this audio."
size: 5
min_label: "Bad"
max_label: "Excellent"Consulta Escalas de valoración para consejos sobre el diseño de escalas.
Emoción y sentimiento
El reconocimiento de emoción en el habla y el análisis de sentimiento de audio combinan una categoría (la emoción) con valoraciones dimensionales (activación, valencia) usando radio junto a slider o likert.
Diarización de hablantes
La diarización de hablantes responde a "quién habló y cuándo". Quienes anotan marcan tramos de tiempo y vinculan cada uno a un hablante, lo que es anotación de tramos más un paso de vinculación.
Consejos prácticos
- Mantén los clips lo bastante cortos como para juzgarlos en una o dos reproducciones; los clips largos reducen la concordancia.
- Para la detección de eventos, acordad cuán precisos deben ser los límites y medid la concordancia a nivel de tramo, consulta Concordancia entre anotadores.
- Normaliza el volumen entre clips para que las valoraciones de calidad no dependan del nivel sonoro.