Skip to content
Tutorials5 min read

Configurando a Revisão de Transcrição de Áudio

Configure uma tarefa de revisão de transcrição de áudio no Potato com visualização de forma de onda, reprodução em velocidade variável e interfaces de correção de texto inline para avaliação de qualidade de ASR.

Potato Team

Bons dados de treinamento de ASR geralmente começam com um humano revisando o primeiro rascunho da máquina. Este tutorial mostra como construir uma interface em que os anotadores ouvem o áudio, veem a forma de onda e corrigem a transcrição gerada pela máquina. Para conhecer as opções de áudio das quais ela depende, consulte a documentação de anotação de áudio.

O Que Vamos Construir

Uma interface com:

  • Visualização de forma de onda
  • Controles de reprodução (reproduzir, pausar, ajuste de velocidade)
  • Texto de transcrição editável
  • Avaliação de qualidade do áudio
  • Marcação de confiança para segmentos incertos

Configuração Básica

yaml
annotation_task_name: "Transcription Review"
 
data_files:
  - "data/transcripts.json"
 
item_properties:
  id_key: id
  text_key: asr_transcript
 
instance_display:
  fields:
    - key: audio_path
      type: audio
      label: "Recording"
      display_options:
        controls: true
        show_waveform: true
 
annotation_schemes:
  # Corrected transcript
  - annotation_type: text
    name: corrected_transcript
    description: "Edit the transcript to match what you hear"
    rows: 4
    placeholder: "Type the corrected transcript..."
    label_requirement:
      required: true
 
  # Quality rating
  - annotation_type: radio
    name: audio_quality
    description: "Rate the audio quality"
    labels:
      - Clear
      - Slightly noisy
      - Very noisy
      - Unintelligible

Formato dos Dados de Exemplo

Crie data/transcripts.json:

json
{"id": "audio_001", "audio_path": "/audio/recording_001.wav", "asr_transcript": "Hello how are you doing today"}
{"id": "audio_002", "audio_path": "/audio/recording_002.wav", "asr_transcript": "The weather is nice outside"}
{"id": "audio_003", "audio_path": "/audio/recording_003.wav", "asr_transcript": "Please call me back when your free"}

Configuração da Anotação de Áudio

A anotação de áudio no Potato usa o tipo audio_annotation dentro dos seus esquemas de anotação. O player desenha a forma de onda e adiciona os controles de reprodução por conta própria, então você não precisa montar isso manualmente:

yaml
instance_display:
  fields:
    - key: audio_path
      type: audio
      label: "Recording"
      display_options:
        controls: true
        show_waveform: true

O player de áudio inclui controles integrados para reproduzir/pausar, buscar e ajustar a velocidade.

Interface Abrangente de Transcrição

yaml
annotation_task_name: "ASR Correction and Annotation"
 
data_files:
  - "data/asr_output.json"
 
item_properties:
  id_key: id
  text_key: hypothesis
 
instance_display:
  fields:
    - key: audio_path
      type: audio
      label: "Recording"
      display_options:
        controls: true
        show_waveform: true
 
annotation_schemes:
  # Main transcript correction
  - annotation_type: text
    name: transcript
    description: "Correct the transcript below"
    rows: 4
    label_requirement:
      required: true
 
  # Speaker identification
  - annotation_type: radio
    name: num_speakers
    description: "How many speakers are in this recording?"
    labels:
      - "1 speaker"
      - "2 speakers"
      - "3+ speakers"
      - "Cannot determine"
 
  # Audio quality
  - annotation_type: radio
    name: quality
    description: "Overall audio quality"
    labels:
      - name: Excellent
        description: "Crystal clear, studio quality"
      - name: Good
        description: "Clear speech, minor background noise"
      - name: Fair
        description: "Understandable but noisy"
      - name: Poor
        description: "Very difficult to understand"
      - name: Unusable
        description: "Cannot transcribe accurately"
 
  # Issues checklist
  - annotation_type: multiselect
    name: issues
    description: "Select all issues present (if any)"
    labels:
      - Background noise
      - Overlapping speech
      - Accented speech
      - Fast speech
      - Mumbling/unclear
      - Technical audio issues
      - Non-English words
      - Profanity present
      - None
 
  # Confidence
  - annotation_type: likert
    name: confidence
    description: "How confident are you in your transcription?"
    size: 5
    min_label: "Guessing"
    max_label: "Certain"
 
annotation_instructions: |
  ## Transcription Guidelines
 
  ### Your Task
  Listen to the audio and correct the ASR transcript.
 
  ### Transcription Rules
  - Transcribe exactly what is said
  - Include filler words (um, uh, like)
  - Use proper punctuation and capitalization
  - Mark unintelligible sections with [unintelligible]
  - Mark uncertain words with [word?]
 
  ### Special Notations
  - [unintelligible] - Cannot understand
  - [word?] - Uncertain about word
  - [crosstalk] - Overlapping speech
  - [noise] - Non-speech sound
  - [pause] - Significant silence

Anotação no Nível da Palavra

Para correções detalhadas no nível da palavra, você pode usar a anotação de trechos junto com os campos de texto:

yaml
annotation_schemes:
  - annotation_type: text
    name: transcript
    description: "Correct the transcript below"
    rows: 4
 
  - annotation_type: span
    name: word_corrections
    description: "Mark words that needed correction"
    title: transcript
    labels:
      - name: corrected
        color: "#FCD34D"
        description: "Word was changed"
      - name: inserted
        color: "#4ADE80"
        description: "Word was added"
      - name: uncertain
        color: "#F87171"
        description: "Still not sure"

Transcrição Baseada em Segmentos

Para arquivos de áudio longos, você pode preparar seus dados como segmentos com informações de temporização:

yaml
data_files:
  - "data/segments.json"
 
item_properties:
  id_key: id
  text_key: asr_text
 
instance_display:
  fields:
    - key: audio_path
      type: audio
      label: "Segment audio"
      display_options:
        controls: true
 
annotation_schemes:
  - annotation_type: text
    name: transcript
    rows: 4
    description: "Correct the transcript for this segment"

Formato de dados com a temporização do segmento:

json
{
  "id": "seg_001",
  "audio_path": "/audio/long_recording.wav",
  "start_time": 0.0,
  "end_time": 5.5,
  "asr_text": "Welcome to today's presentation"
}

Formato de Saída

json
{
  "instance_id": "audio_001",
  "user_id": "transcriber_01",
  "labels": {
    "transcript": {"text_box": "Hello, how are you doing today?"},
    "num_speakers": {"1 speaker": "true"},
    "quality": {"Good": "true"},
    "issues": {"None": "true"},
    "confidence": {"5": "true"}
  },
  "spans": {},
  "links": {}
}

Controle de Qualidade

O Potato registra o tempo de anotação automaticamente. Para controle de qualidade, misture alguns itens de verificação de atenção no seu arquivo de dados: clipes com uma resposta correta conhecida que permitem identificar anotadores que não estão de fato ouvindo.

Você pode configurar onde e como as anotações são gravadas:

yaml
output_annotation_dir: "annotation_output"
export_annotation_format: "jsonl"

Dicas para Tarefas de Transcrição

Fones de ouvido decentes e uma sala silenciosa fazem a maior parte do trabalho pela precisão. Reduza a velocidade do áudio nas partes que você não consegue entender bem e conte com mais de uma passagem: ouça, transcreva e depois volte para verificar. A transcrição é mentalmente desgastante, então reserve pausas regulares.

Próximos Passos

Documentação completa de áudio em Anotação de Áudio.