音声アノテーションツールの比較：ELAN、Praat、Label Studio、Potato

音声アノテーションは、録音の区間にラベルを付ける作業です。誰が話しているか、何を言ったか、どんな音が鳴ったか、録音の品質はどうか、といったラベルです。ELAN と Praat は、一人の言語学者がティアごとに作業するための標準的なデスクトップツールです。Potato、Label Studio、Prodigy はブラウザで動くので、大勢のアノテーターが同じ録音にラベルを付ける研究に向いています。Potato はさらに、ラベルの周りにある調査も運営します。Prolific や MTurk で聴取者を集め、訓練と選別を行い、区間の一致度を報告します。有料プランは要りません。 ブラウザ上のツールは、既存の文字起こしを読み込めるかどうかでも違いがあります。

話者分離は、録音を話し手ごとに区切ります。音声認識は文字起こしを作り、アノテーターがそれを修正します。音響イベント検出は、サイレンやドアのような音がどこで鳴ったかを示します。ELAN と Praat でいうティアは、録音のタイムライン上に重ねるアノテーションの層で、単語、音素、身振りを別々にラベル付けできます。平均オピニオン評点（MOS）は、クリップの主観的な品質を評価します。

このページは音声と発話を扱います。すべてのデータの種類を 1 ページで比べたものは AI アノテーションツールの比較にあります。

比較する価値のある音声アノテーションツールは？

どの音声タスクにどのツールを使うか

聴取実験や音声の調査を運営する

上の表はラベル付けについてのものです。大勢が同じ録音にラベルを付ける場合、ツールの差はさらに大きくなります。

ダッシュは、2026 年 9 月の時点で、そのツールのドキュメントに該当する記述が見つからなかったことを表します。誤りがあればお知らせください。

音声で Potato が先を行く点

クラウドワーカーによる聴取テスト。 品質評価や知覚の研究は、研究室のチームではなくクラウドワーカーで行うことがよくあります。Potato は Prolific や MTurk から聴取者を迎え、本番のクリップの前にフィードバック付きの練習クリップを出し、ゴールドクリップと注意力チェックを混ぜ、最後に完了コードを表示します。Prolific と MTurk で調査を実施するとトレーニングフェーズを参照してください。

区間の一致度。 ELAN は一度に 2 つのティアを比べます。Potato はアノテーターのすべてのペアについて、区間がどれだけ重なるか、同じ区間を見つけたかを、一つの照合しきい値で比べます。区間の一致度にはまだ偶然のベースラインがなく、ドキュメントにもそう書かれています。

ASR の出力から ELAN へ。 アノテーターは 21 形式のいずれかの既存の文字起こし、または Potato のローカルでの文字起こしと話者分離から作業を始め、結果は ELAN や Praat で作業を続ける人のために EAF と TextGrid へ書き出せます。

既存の文字起こしから始める

発話を扱うプロジェクトの多くは、Whisper、クラウド API、字幕ファイルから得た文字起こしから始まります。Potato は 21 種類の文字起こし・字幕形式を読み込み、発話のターンを音声と同期した吹き出しとして表示します。アノテーターは一から入力せずに区間を修正できます。対応形式には、Whisper と WhisperX の JSON、AWS Transcribe、Deepgram、AssemblyAI、Rev.ai、SubRip、WebVTT、NIST CTM、Praat の TextGrid、ELAN の EAF があります。単独の RTTM 話者分離ファイル、Transcriber、EXMARaLDA、CHAT は読み込めないので、先に変換が必要です。文字起こしの形式を参照してください。

バージョン 2.9 からは、faster-whisper と sherpa-onnx を使って、手元のマシン上で文字起こしと話者分離も行えます。PyTorch も Hugging Face のトークンも不要です。ローカルでの書き起こしを参照してください。

Label Studio と Prodigy では、別のシステムの文字起こしを、まずそのツール独自のタスク形式に変換します。Label Studio の Audio タグは文字起こし用に TextArea と組み合わせ、Prodigy の audio.transcribe レシピは再生とテキスト入力欄を一緒に表示します。

ELAN、Praat、Potato の間でティアのアノテーションを移す

Potato の tiered_annotation スキームには独立ティアと従属ティアがあり、ELAN と同じように単語ティアで発話ティアを時間的に細分できます。Potato は EAF と TextGrid を書き出します。ブラウザで多くの人からアノテーションを集め、その結果を ELAN や Praat で作業する人に渡すことができます。

1 人の専門家が録音を細かく作業するなら、最大 4 本の動画を同期表示できる ELAN のほうが今も適しています。Praat は音響分析のためのツールで、Potato はその領域には手を出していません。

時間軸上の一致度

同じ音に印を付けた 2 人のアノテーターが、ミリ秒単位で一致することはまれです。そのため音声の一致度では、二つの境界がどれだけ近ければ同じイベントとみなすかを決める必要があります。

• ELAN にはアノテーター間信頼性の計算機能が組み込まれています。Holle と Rein による修正版 Cohen の κ（決められた割合以上重なるアノテーションを対応づける）と、分割結果をランダムに生成した分割と比べて偶然を考慮する Staccato アルゴリズムがあります。比較はティアのペア単位です。
• Potato は、アノテーターのすべてのペアを、時間 IoU、検出 F1、そしてラベルが異なる対応区間に半分の得点を与える総合一致スコアで比べます。いずれも一つの照合しきい値で計算します。どの指標にもまだ偶然のベースラインがなく、ドキュメントにもそう書かれています。時間軸上の一致度を参照してください。
• Label Studio は一致度を有料プランに限っています。

Potato での音声区間分割タスク

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

アノテーターは波形上をドラッグして区間を作り、ラベルを選びます。Potato での分類、文字起こし、MOS 評価、話者分離は音声アノテーションで扱っています。

音声で Potato ができないこと

• 音響分析はしません。 ピッチ、フォルマント、スペクトルの測定は Praat の領分です。
• 時間合わせの機能は ELAN より簡素です。 ELAN のデスクトップ画面のほうが細かく制御できます。
• 単独の RTTM、Transcriber、EXMARaLDA、CHAT ファイルは読み込めません。

2026 年 9 月に、各プロジェクトのドキュメントで確認しました。

よくある質問

無料の音声アノテーションツールで一番良いものは？

ELAN と Praat は無料で、アノテーター 1 人による言語学・音声学の作業では定番です。複数のアノテーターがブラウザで同じ録音にラベルを付ける研究なら、Potato と Label Studio の Community Edition が無料で使えます。Potato には一致度指標が含まれますが、Label Studio では有料プランの機能です。

ELAN はアノテーター間一致度を計算できますか？

はい。ELAN の信頼性計算には修正版 Cohen の kappa と Staccato アルゴリズムがあり、複数のファイルにわたってティアのペアごとにアノテーションを比較します。

ブラウザで話者分離をアノテーションできますか？

はい。Potato は WhisperX、AWS Transcribe、Deepgram、AssemblyAI、Rev.ai の話者分離済み出力を読み込み、話者のないターンを選択欄付きの Unassigned として表示します。バージョン 2.9 からはローカルで話者分離もできます。Label Studio でも波形上の話者領域にラベルを付けられます。

Praat の TextGrid と ELAN の EAF を読み込めるアノテーションツールは？

Praat と ELAN はそれぞれ自分の形式で作業します。Potato は両方を読み込み、書き出せるので、ブラウザでの研究とどちらのデスクトップツールの間でもプロジェクトを行き来できます。

アノテーションの前に音声を文字起こしする必要はありますか？

アノテーションの対象が発話の内容である場合だけです。音響イベント、話者のターン、品質評価は波形の上で直接ラベル付けできます。発話の内容については、既存の文字起こしがあればそこから始めてください。文字起こし自体が成果物である場合や、ASR の出力がアノテーターを誤らせるほど音声が悪い場合は、一から文字起こしします。

Prolific や Mechanical Turk と連携できる音声アノテーションツールは？

Potato は両方に対応しています。聴取者は URL に参加者 ID を付けて Prolific や MTurk からやって来て、同意、スクリーニング、訓練のフェーズがあればそれを経て、最後に完了コードを受け取ります。ELAN と Praat はデスクトップツールで、Label Studio と Prodigy にはクラウドソーシング連携の記載が見つかりませんでした。

参考資料

• AI アノテーションツールの比較（すべてのデータの種類を 1 ページで）
• テキストアノテーションツールの比較
• 画像アノテーションツールの比較
• 動画アノテーションツールの比較
• AI エージェント評価ツールの比較
• 世界モデルとロボットエピソードの評価ツールの比較
• Whisper の文字起こしをアノテーションする