Comparatif des outils d'annotation audio : ELAN, Praat, Label Studio et Potato

L'annotation audio attache des étiquettes à des portions d'un enregistrement : qui parle, ce qui a été dit, quel son s'est produit, ou la qualité de l'enregistrement. ELAN et Praat sont les outils de bureau de référence pour un linguiste qui travaille niveau par niveau. Potato, Label Studio et Prodigy fonctionnent dans un navigateur, ce qui convient aux études où de nombreux annotateurs étiquettent les mêmes enregistrements. Potato gère en plus l'étude autour des étiquettes : il recrute des auditeurs sur Prolific ou dans un vivier de participants SONA, les forme et les sélectionne, et calcule l'accord sur les segments, sans offre payante. Les outils web se distinguent aussi par leur capacité à lire des transcriptions existantes.

La diarisation découpe un enregistrement selon qui parle. La reconnaissance de la parole produit une transcription que les annotateurs corrigent ensuite. La détection d'événements sonores marque où un son, comme une sirène ou une porte, se produit. Dans ELAN et Praat, un niveau (tier) est une couche d'annotations sur la ligne de temps de l'enregistrement, pour étiqueter séparément les mots, les phonèmes et les gestes. Le mean opinion score note la qualité perçue d'un extrait.

Cette page traite de l'audio et de la parole. Le comparatif des outils d'annotation par IA couvre tous les types de données sur une seule page.

Quels outils d'annotation audio faut-il comparer ?

Quel outil pour quelle tâche audio ?

Mener une étude d'écoute ou de parole

Le tableau ci-dessus porte sur l'étiquetage. Quand beaucoup de personnes étiquettent les mêmes enregistrements, les outils se distinguent davantage :

Un tiret signifie que nous n'avons rien trouvé à ce sujet dans la documentation de l'outil en septembre 2026. Si une cellule est fausse, dites-le-nous.

Là où Potato est en avance pour l'audio

Des tests d'écoute avec des travailleurs de plateformes. Les notes de qualité et les études de perception se font souvent avec des travailleurs de plateformes plutôt qu'avec une équipe de laboratoire. Potato fait venir les auditeurs depuis Prolific ou SONA, leur donne des extraits d'entraînement avec retour avant les vrais, glisse des extraits de référence et des contrôles d'attention, et affiche un code de fin à la fin. Voir Mener une étude en crowdsourcing et les phases de formation.

L'accord sur les segments. ELAN compare deux niveaux à la fois. Potato compare chaque paire d'annotateurs sur le chevauchement de leurs segments et sur le fait qu'ils ont trouvé les mêmes segments, à un seul seuil d'appariement. L'accord sur les segments n'a pas encore de référence de hasard, et sa documentation le dit.

De la sortie ASR à ELAN. Les annotateurs partent d'une transcription existante dans l'un des 21 formats, ou de la transcription et de la diarisation locales de Potato, et le résultat s'exporte en EAF et en TextGrid pour qui poursuit dans ELAN ou Praat.

Partir d'une transcription existante

La plupart des projets sur la parole commencent avec une transcription issue de Whisper, d'une API cloud ou d'un fichier de sous-titres. Potato lit 21 formats de transcription et de sous-titres et affiche les tours de parole sous forme de bulles synchronisées avec l'audio, si bien que les annotateurs corrigent des segments au lieu de les saisir de zéro. Parmi les formats : le JSON de Whisper et de WhisperX, AWS Transcribe, Deepgram, AssemblyAI, Rev.ai, SubRip, WebVTT, NIST CTM, le TextGrid de Praat et l'EAF d'ELAN. Potato ne lit pas les fichiers RTTM de diarisation seuls, ni Transcriber, EXMARaLDA ou CHAT, qu'il faut d'abord convertir. Voir Formats de transcription.

Depuis la version 2.9, Potato peut aussi transcrire et diariser sur votre propre machine, avec faster-whisper et sherpa-onnx, sans PyTorch ni jeton Hugging Face. Voir Transcrire en local.

Dans Label Studio et Prodigy, une transcription issue d'un autre système est d'abord convertie au format de tâche propre à l'outil. La balise Audio de Label Studio s'associe à une TextArea pour la transcription, et la recette audio.transcribe de Prodigy combine la lecture et un champ de texte.

Faire circuler l'annotation par niveaux entre ELAN, Praat et Potato

Le schéma tiered_annotation de Potato gère des niveaux indépendants et dépendants, de sorte qu'un niveau de mots peut subdiviser dans le temps un niveau d'énoncés, comme dans ELAN. Potato exporte en EAF et en TextGrid. Une étude peut recueillir les annotations de nombreuses personnes dans le navigateur, puis confier le résultat à quelqu'un qui travaille dans ELAN ou Praat.

ELAN reste le meilleur outil pour un expert qui travaille un enregistrement en détail, avec des vues synchronisées de jusqu'à quatre vidéos. Praat sert à l'analyse acoustique, que Potato ne cherche pas à faire.

L'accord dans le temps

Deux annotateurs qui marquent le même son s'accordent rarement à la milliseconde près. L'accord sur l'audio doit donc fixer à quelle distance deux limites peuvent être pour compter comme le même événement.

• ELAN intègre un calcul de fiabilité inter-annotateurs. Il propose un κ de Cohen modifié, d'après Holle et Rein, qui relie les annotations se chevauchant d'un minimum fixé, et l'algorithme Staccato, qui tient compte du hasard en comparant une segmentation à des segmentations générées aléatoirement. Il compare des paires de niveaux.
• Potato compare chaque paire d'annotateurs sur l'IoU temporelle, la F1 de détection et un score d'accord global qui accorde la moitié du crédit aux segments appariés portant des étiquettes différentes, le tout à un seul seuil d'appariement. Aucune de ces mesures n'a encore de référence de hasard, et sa documentation le dit. Voir L'accord dans le temps.
• Label Studio réserve l'accord à ses offres payantes.

Une tâche de segmentation audio dans 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

Les annotateurs font glisser la souris sur la forme d'onde pour créer un segment, puis choisissent son étiquette. Annotation audio couvre la classification, la transcription, les notes MOS et la diarisation dans Potato.

Ce que Potato ne fait pas pour l'audio

• Pas d'analyse acoustique. La hauteur, les formants et les mesures spectrales relèvent de Praat.
• Des outils d'alignement plus simples que ceux d'ELAN. L'interface de bureau d'ELAN offre un contrôle plus fin de l'alignement temporel.
• Pas d'analyseur pour les fichiers RTTM, Transcriber, EXMARaLDA ou CHAT seuls.

Vérifié dans la documentation de chaque projet en septembre 2026.

Questions fréquentes

Quel est le meilleur outil gratuit d'annotation audio ?

ELAN et Praat sont gratuits et font référence pour le travail linguistique et phonétique d'un annotateur seul. Pour une étude où plusieurs annotateurs étiquettent les mêmes enregistrements dans le navigateur, Potato et la Community Edition de Label Studio sont gratuits. Potato inclut des mesures d'accord, que Label Studio réserve à ses offres payantes.

ELAN calcule-t-il l'accord inter-annotateurs ?

Oui. Le calcul de fiabilité d'ELAN propose un kappa de Cohen modifié et l'algorithme Staccato, et compare les annotations sur des paires de niveaux, dans plusieurs fichiers.

Peut-on annoter la diarisation dans un navigateur ?

Oui. Potato lit les sorties diarisées de WhisperX, AWS Transcribe, Deepgram, AssemblyAI et Rev.ai, affiche les tours sans locuteur comme Unassigned avec un sélecteur et, depuis la version 2.9, peut diariser en local. Label Studio peut aussi étiqueter des régions de locuteur sur une forme d'onde.

Quels outils d'annotation lisent les fichiers TextGrid de Praat et EAF d'ELAN ?

Praat et ELAN travaillent dans leurs propres formats. Potato lit et exporte les deux, si bien qu'un projet peut passer d'une étude dans le navigateur à l'un ou l'autre outil de bureau.

Faut-il transcrire l'audio avant de l'annoter ?

Seulement si l'annotation porte sur ce qui a été dit. Les événements sonores, les tours de parole et les notes de qualité s'étiquettent directement sur la forme d'onde. Pour le contenu parlé, partez d'une transcription existante si vous en avez une, et transcrivez de zéro quand la transcription est le livrable ou que l'audio est assez mauvais pour que la sortie ASR induise les annotateurs en erreur.

Quels outils d'annotation audio fonctionnent avec Prolific ou Mechanical Turk ?

Potato intègre Prolific, ainsi que SONA et d'autres panels. Mechanical Turk a fermé le 30 septembre 2026 : aucun outil ne peut donc plus y recruter. Un auditeur arrive de Prolific avec son identifiant de participant dans l'URL, passe par les éventuelles phases de consentement, de sélection et de formation, et reçoit un code de fin à la fin. ELAN et Praat sont des outils de bureau, et nous n'avons trouvé aucune intégration de crowdsourcing documentée pour Label Studio ou Prodigy.

Pour aller plus loin

• Comparatif des outils d'annotation par IA, tous les types de données sur une page
• Comparatif des outils d'annotation de texte
• Comparatif des outils d'annotation d'images
• Comparatif des outils d'annotation vidéo
• Comparatif des outils d'évaluation d'agents IA
• Comparatif des outils d'évaluation des modèles du monde et des épisodes robotiques
• Annoter des transcriptions Whisper