Ferramentas de anotação de áudio comparadas: ELAN, Praat, Label Studio e Potato

A anotação de áudio atribui rótulos a trechos de uma gravação: quem está falando, o que foi dito, qual som ocorreu ou qual é a qualidade da gravação. O ELAN e o Praat são as ferramentas de desktop padrão para um linguista que trabalha sozinho em tiers de anotação. O Potato, o Label Studio e o Prodigy rodam no navegador, o que serve a estudos em que muitos anotadores rotulam as mesmas gravações. O Potato também conduz o estudo em torno dos rótulos: recruta ouvintes no Prolific ou em um pool de participantes do SONA, treina e faz a triagem deles e relata a concordância sobre segmentos, sem plano pago. As ferramentas de navegador também diferem quanto a ler ou não transcrições já existentes.

A diarização de locutores divide uma gravação de acordo com quem está falando. O reconhecimento de fala produz uma transcrição, que os anotadores depois corrigem. A detecção de eventos sonoros marca onde ocorre um som, como uma sirene ou uma porta. Um tier, no ELAN e no Praat, é uma camada de anotações sobre a linha do tempo da gravação, de modo que palavras, fonemas e gestos possam ser rotulados separadamente. O mean opinion score (MOS) avalia a qualidade percebida de um clipe.

Esta página trata de áudio e fala. Ferramentas de anotação com IA, comparadas cobre todos os tipos de dados em uma única página.

Quais ferramentas de anotação de áudio vale a pena comparar?

Qual ferramenta para qual tarefa de áudio?

Como conduzir um estudo de escuta ou de fala

A tabela acima trata da rotulagem. Quando muitas pessoas rotulam as mesmas gravações, as ferramentas diferem mais:

Um travessão significa que não encontramos nada sobre o item na documentação da ferramenta em setembro de 2026. Se alguma célula estiver errada, avise a gente.

Onde o Potato está à frente em áudio

Testes de escuta com trabalhadores de crowdsourcing. Avaliações de qualidade e estudos de percepção costumam ser feitos com trabalhadores de crowdsourcing, e não com a equipe de um laboratório. O Potato traz ouvintes do Prolific ou do SONA, oferece a eles clipes de prática com feedback antes dos clipes reais, mistura clipes padrão ouro e verificações de atenção e mostra um código de conclusão no final. Veja Como conduzir um estudo de crowdsourcing no Prolific e no SONA e fases de treinamento.

Concordância sobre segmentos. O ELAN compara dois tiers por vez. O Potato compara cada par de anotadores quanto ao quanto seus segmentos se sobrepõem e se eles encontraram os mesmos segmentos, em um único limiar de correspondência. A concordância sobre segmentos ainda não tem uma linha de base de acaso, e a documentação dela diz isso.

Da saída de ASR para o ELAN. Os anotadores partem de uma transcrição existente em um de 21 formatos, ou da transcrição e diarização locais do Potato, e o resultado é exportado para EAF e TextGrid para quem for continuar no ELAN ou no Praat.

Como partir de uma transcrição existente

A maioria dos projetos de fala começa com uma transcrição do Whisper, de uma API na nuvem ou de um arquivo de legendas. O Potato lê 21 formatos de transcrição e de legendas e exibe os turnos como balões de locutor sincronizados com o áudio, de modo que os anotadores corrigem segmentos em vez de digitá-los do zero. Os formatos incluem JSON do Whisper e do WhisperX, AWS Transcribe, Deepgram, AssemblyAI, Rev.ai, SubRip, WebVTT, NIST CTM, Praat TextGrid e ELAN EAF. O Potato não lê arquivos de diarização RTTM isolados, nem Transcriber, EXMARaLDA ou CHAT, e esses precisam ser convertidos antes. Veja Formatos de transcrição.

Desde a versão 2.9, o Potato também consegue transcrever e diarizar na sua própria máquina, usando faster-whisper e sherpa-onnx, sem PyTorch e sem token do Hugging Face. Veja Transcrever localmente.

No Label Studio e no Prodigy, uma transcrição vinda de outro sistema é convertida antes para o formato de tarefa da própria ferramenta. A tag Audio do Label Studio é combinada com uma TextArea para a transcrição, e a receita audio.transcribe do Prodigy junta a reprodução com uma caixa de texto.

Como mover anotação em tiers entre ELAN, Praat e Potato

O esquema tiered_annotation do Potato contém tiers independentes e dependentes, de modo que um tier de palavras pode subdividir no tempo um tier de enunciados, como no ELAN. O Potato exporta EAF e TextGrid. Um estudo pode coletar anotações de muitas pessoas no navegador e entregar o resultado a alguém que trabalha no ELAN ou no Praat.

O ELAN continua sendo a melhor ferramenta para um especialista que percorre uma gravação em detalhe, com visualizações sincronizadas de até quatro vídeos. O Praat é para análise acústica, algo que o Potato não tenta fazer.

Concordância ao longo do tempo

Dois anotadores que marcam o mesmo som raramente concordam até o milissegundo, então a concordância em áudio precisa decidir o quão próximas duas fronteiras devem estar para contar como o mesmo evento.

• O ELAN tem um cálculo de confiabilidade entre anotadores integrado. Ele oferece um κ de Cohen modificado, segundo Holle e Rein, que vincula anotações que se sobrepõem por um mínimo definido, e o algoritmo Staccato, que leva o acaso em conta comparando uma segmentação com segmentações geradas aleatoriamente. Ele compara pares de tiers.
• O Potato compara cada par de anotadores em IoU temporal, F1 de detecção e uma pontuação geral de concordância que dá meio crédito a segmentos correspondentes com rótulos diferentes, tudo em um único limiar de correspondência. Nenhuma dessas medidas tem ainda uma linha de base de acaso, e a documentação dele diz isso. Veja Concordância ao longo do tempo.
• O Label Studio reserva a concordância para os planos pagos.

Uma tarefa de segmentação de áudio no 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

Os anotadores arrastam sobre a forma de onda para criar um segmento e escolhem o rótulo dele. Anotação de Áudio cobre classificação, transcrição, avaliações MOS e diarização no Potato.

O que o Potato não faz em áudio

• Nenhuma análise acústica. Pitch, formantes e medições espectrais são trabalho para o Praat.
• Ferramentas de alinhamento mais simples que as do ELAN. A interface de desktop do ELAN dá um controle mais fino sobre o alinhamento temporal.
• Nenhum leitor de arquivos RTTM, Transcriber, EXMARaLDA ou CHAT isolados.

Verificado em relação à documentação de cada projeto em setembro de 2026.

Perguntas frequentes

Qual é a melhor ferramenta gratuita de anotação de áudio?

O ELAN e o Praat são gratuitos e são o padrão para trabalho linguístico e fonético feito por um único anotador. Para um estudo em que vários anotadores rotulam as mesmas gravações no navegador, o Potato e a Community Edition do Label Studio são gratuitos. O Potato inclui métricas de concordância, que o Label Studio reserva para os planos pagos.

O ELAN calcula a concordância entre anotadores?

Sim. O cálculo de confiabilidade entre anotadores do ELAN oferece um kappa de Cohen modificado e o algoritmo Staccato, e compara anotações em pares de tiers entre arquivos.

Dá para anotar diarização de locutores no navegador?

Sim. O Potato lê a saída diarizada do WhisperX, AWS Transcribe, Deepgram, AssemblyAI e Rev.ai, mostra os turnos sem locutor como Unassigned com um seletor e, a partir da versão 2.9, consegue diarizar localmente. O Label Studio também consegue rotular regiões de locutor sobre a forma de onda.

Quais ferramentas de anotação leem arquivos Praat TextGrid e ELAN EAF?

O Praat e o ELAN trabalham em seus próprios formatos. O Potato lê e exporta os dois, de modo que um projeto pode passar de um estudo no navegador para qualquer uma das ferramentas de desktop.

Preciso transcrever o áudio antes de anotá-lo?

Só se a anotação for sobre o que foi dito. Eventos sonoros, turnos de locutor e avaliações de qualidade podem ser rotulados diretamente na forma de onda. Para o conteúdo da fala, parta de uma transcrição existente quando tiver uma, e transcreva do zero quando a transcrição for o próprio entregável ou quando o áudio for ruim a ponto de a saída de ASR induzir os anotadores ao erro.

Quais ferramentas de anotação de áudio funcionam com o Prolific ou o Mechanical Turk?

O Potato tem o Prolific integrado, junto com o SONA e outros painéis. O Mechanical Turk encerrou suas atividades em 30 de setembro de 2026, então nenhuma ferramenta consegue mais recrutar lá. Um ouvinte chega do Prolific com o ID de participante na URL, passa pelas fases de consentimento, triagem e treinamento que houver e recebe um código de conclusão no final. O ELAN e o Praat são ferramentas de desktop, e não encontramos nenhuma integração com crowdsourcing documentada para o Label Studio ou o Prodigy.

Leitura complementar

• Ferramentas de anotação com IA, comparadas, para todos os tipos de dados em uma única página
• Ferramentas de anotação de texto comparadas: PLN de código aberto e pagas
• Ferramentas de anotação de imagens comparadas: CVAT, Label Studio, Roboflow, V7 e Potato
• Ferramentas de anotação de vídeo comparadas: CVAT, Label Studio, ELAN, BORIS e Potato
• Ferramentas de avaliação de agentes de IA comparadas: LangSmith, Langfuse, Phoenix e Potato
• Ferramentas de avaliação de modelos de mundo e episódios de robôs comparadas
• Como anotar transcrições do Whisper