音訊標註服務與內部標註工具對比
簽約前應向音訊標註供應商問哪些問題，在內部開展轉寫或說話人分離研究需要投入什麼，以及如何自己檢查供應商交付的標籤。
音訊標註服務提供經過培訓的標註者，交付帶標籤的音訊，價格按項目報價。內部標註工具只提供軟體，標註者由你的團隊招募、培訓和檢查。當任務需要的語種或數量超出團隊的人手時，就付費找供應商；當錄音不能離開你的機構，或者標籤依賴只有你的團隊才具備的判斷時，就在內部標註。
語音和音訊的標註資料包括轉寫、說話人分離（誰在什麼時候說話）、聲音事件、情緒和口語意圖。音訊標註服務是為這些任務配備標註者並交付標籤的公司，這類公司也叫資料標註供應商。標註工具是向標註者播放錄音並記錄標籤的軟體。轉寫通常用詞錯誤率（WER）評分，片段標籤和類別標籤則用獨立標註者之間的評分者間信度評估。
Potato 是一款免費、開源的標註工具（GPL-3.0-or-later），執行在你自己的伺服器上，Potato 團隊不提供標註者。本指南討論的是付費購買帶標籤的音訊，還是自己生成帶標籤的音訊。音訊標註工具對比比較了內部路線可用的工具，音訊標註介紹如何在 Potato 中設定每一種音訊任務。專家標註與眾包標註討論由誰來標註，自建還是購買標註工具討論任何資料類型下的軟體選擇。
供應商頁面上列出的音訊服務
供應商描述音訊工作時使用一套共同的詞彙：轉寫、說話人分離、聲音事件，以及副語言或情緒標籤。供應商出售的是配有受管理標註團隊和品質流程的服務。Potato 團隊於 2026 年 11 月 2 日閱讀了每家供應商自己的音訊或語音服務頁面。下表按字母順序列出這些供應商，並記錄各頁面上的說法。
| 供應商 | 供應商頁面上列出的音訊工作 | 頁面所述的標註團隊與語種 | 頁面上的價格 |
|---|---|---|---|
| Appen | 按詞錯誤規範完成、標明說話人的轉寫，帶話輪級時間戳的說話人分離，非言語線索，以及用於語音合成資料的情感、韻律和情緒 | 覆蓋 500 多個語言區域（locale）的眾包人員 | 需詢價 |
| CVAT.ai | 多說話人轉寫、語音活動檢測、說話人話輪切分、聲音事件切分，以及包括口音和情緒在內的說話人屬性 | 分佈在 12 個時區的 300 多名標註者 | 按分鐘和按資料集兩種計價方式，最低預算 5,000 美元，未公佈每分鐘價格 |
| iMerit | 逐字轉寫和編輯轉寫、帶時間戳的字幕、意圖和槽位標註 | 語言專家和領域專家 | 需詢價 |
| LXT | 語音轉文本轉寫、說話人分離、事件時間戳、聲學噪聲標註 | LXT 及其子公司 clickworker 合計 1,000 多萬名貢獻者 | 需詢價 |
| Shaip | 帶說話人 ID 和詞級時間戳的轉寫、說話人分離、聲學事件分類、意圖和槽位標註 | 150 多種語言和方言 | 需詢價 |
CVAT.ai 釋出開源的 CVAT 工具，同時出售標註服務。Shaip 的頁面列出了 TextGrid、ELAN 和 CTM 等輸出格式。Potato 能讀取這三種格式，下文的混合方案一節會說明。
簽約前要問音訊標註供應商的問題
供應商頁面會介紹品質流程，有時還會給出一個準確率或一致性百分比。只有知道供應商是怎麼算出這個百分比的，你才能判斷它。簽約前請問清以下幾點：
- 用你自己的音訊做樣例。 把最難的一批錄音樣本連同標註指南發給供應商，自己給返回的標籤評分，然後再投入全部預算。
- 一致性數字及其背後的計算方法。 問清供應商報告的是哪種係數、每個條目由幾名標註者標註，以及這個數字來自你的任務還是另一個項目。對於轉寫，要問詞錯誤率是對照第二名標註者測得的，還是對照稽核者的修正測得的。
- 語種和方言覆蓋。 問清你的音訊中每種方言各有多少母語標註者，以及語碼轉換的語音如何處理。
- 資料處理與留存。 問清音訊存放在哪裡、誰能收聽錄音、標註者是居家工作還是在受控場所工作，以及交付後供應商何時刪除音訊。
- 音訊和標籤的權利。 確認你的知情同意書允許第三方收聽這些錄音，並確認合同把標籤的權利歸屬於你，且禁止供應商把你的音訊用於其自有資料集。
- 計價單位。 問清價格是按音訊分鐘、音訊小時、標籤還是標註者工時計算，以及一輪返工要多少錢。
Partnership on AI 為採購標註工作的團隊釋出了一個負責任採購資料庫。資料庫中的指南要求採購方向工作者支付高於當地生活工資的報酬，在正式啟動前先做試點，並提供經過核實的說明或培訓。資料庫還附有供應商比較模板和生活工資電子表格。
用 Potato 在內部開展音訊標註
在內部做這項工作，意味著下面描述的研究各個環節都由你的團隊負責。Potato 負責軟體，人員和時間由你的團隊負責。
工具。 Potato 的 audio_annotation 方案顯示波形，並可選擇顯示頻譜圖。標註者在波形上拖動即可建立帶標籤的片段。speech_transcript 方案逐段展示已有轉寫供修正，tiered_annotation 方案容納 ELAN 式的層，並可匯出為 EAF 和 TextGrid。
標註者。 標註者可以來自你自己的實驗室，可以通過 SONA 來自大學被試池，也可以來自 Prolific。Potato 通過研究連結中的參與者 ID 和結束時的完成碼與 Prolific 對接。Mechanical Turk 已於 2026 年 9 月 30 日關閉。開展眾包研究介紹招募和合理報酬。
培訓與品質檢查。 培訓階段給標註者提供帶反饋的練習片段，只放行達到及格標準的標註者。黃金標準條目和注意力檢查混在正式任務中，用來給準確率打分，並發現沒有認真聽的標註者。
一致性。 對於音訊片段，Potato 對每一對標註者比較時間 IoU，以及在某個匹配閾值下的檢出 F1，閾值預設為 0.5。Potato 的片段一致性目前還沒有偶然校正，時間維度上的一致性解釋了原因。
資料處理。 錄音儲存在你執行的伺服器上。Potato 的本地轉寫在你自己的機器上使用 faster-whisper，一旦模型權重就位於本機，整套系統即可氣隙執行，詳見氣隙與離線部署。
內部標註的主要成本是團隊的時間。先做一次簡短的試點，測出每個片段要花多長時間。標註成本計算器可以把每個片段的耗時換算成預算。
在外包服務和內部標註之間如何選擇
下表把幾種常見情形與通常合適的路線對應起來：
| 情形 | 通常合適的路線 |
|---|---|
| 幾千小時的音訊、幾十種語言，而團隊裡沒有標註者 | 外包服務 |
| 截止日期就在幾週後，沒有時間招募或培訓 | 外包服務 |
| 臨床、法律或兒童錄音，知情同意禁止第三方收聽 | 內部標註 |
| 語音學轉寫、韻律，或只有受過訓練的語言學者才會使用的編碼方案 | 內部標註 |
| 標註指南會隨著團隊從資料中學到的東西而改變 | 內部標註 |
| 發表的研究必須報告一致性以及標註者的培訓方式 | 內部標註，或能提供每位標註者標籤的外包服務 |
| 需要供應商級別的資料量，同時由內部把控品質 | 兩者結合，方式見下文 |
結合供應商與自有伺服器的混合方案
有兩種混合方式能讓團隊既購買產能，又保留對品質的控制。
抽樣檢查供應商的標籤。 把供應商交付的資料匯入 Potato，讓你自己的標註者獨立標註一個隨機樣本，再比較兩組標籤。potato import 把 Praat TextGrid 和 ELAN EAF 檔案讀取為分層項目，並把供應商的片段作為預標註，詳見匯入項目。轉寫格式列出了可載入用於修正的 21 種轉寫格式，其中包括 WhisperX JSON、NIST CTM、SubRip 和 WebVTT。Potato 不能解析單獨的 RTTM 說話人分離檔案，以 RTTM 交付的資料需要先轉換成支援的格式。
讓供應商的標註者在你自己的 Potato 伺服器上工作。 Potato 的專家邀請提供方會給每位簽約標註者一個帶令牌的私有連結。這樣供應商的標註者就在你的伺服器上標註，錄音也只儲存在你的伺服器上。你的培訓階段、黃金標準條目和一致性報告對供應商的標註者和對你自己的標註者同樣適用。下面這個最小配置用於在通話錄音上標註說話人話輪：
annotation_task_name: "Call center speaker turns"
task_dir: "."
data_files:
- "data/clips.jsonl"
item_properties:
id_key: id
text_key: audio_url
output_annotation_dir: "annotation_output/"
login:
type: url_direct
url_argument: invite
crowdsourcing:
provider: expert
expert:
invites_file: "expert_invites.yaml"
annotation_schemes:
- annotation_type: audio_annotation
name: speaker_turns
description: "Mark each stretch where one speaker talks and choose the speaker."
mode: label
labels:
- {name: agent, color: "#4ECDC4"}
- {name: caller, color: "#FF6B6B"}
- {name: overlap, color: "#F39C12"}
spectrogram: trueexpert_invites.yaml 把每個令牌對映到一個顯示名稱，檔案中沒有的令牌會被 Potato 拒絕。給每位標註者傳送 https://your-server/?invite=<token>。管理員面板按標註者報告標註數量和任務用時，你可以用這些數字核對供應商的賬單。專家標註者文件介紹瞭如何生成令牌。
常見問題
哪些公司提供音訊標註服務？
在自己的頁面上提供音訊或語音標註服務的公司中，有 Appen、CVAT.ai、iMerit、LXT 和 Shaip。這五個頁面都提供轉寫，其中大多數還提供說話人分離或聲音事件標註。“供應商頁面上列出的音訊服務”一節記錄了 2026 年 11 月 2 日各頁面上的說法。做選擇之前，先請供應商用你自己的錄音做樣例，並自己給返回的標籤評分。
開發者選擇音訊標註服務時應該看什麼？
開發者應當看供應商能否用團隊自己的音訊做樣例，能否給出一致性或詞錯誤率數字及其計算方法，母語標註者能否覆蓋資料中的方言，以及交付格式是不是現有流程已經能讀取的格式。傳送任何錄音之前，先檢視音訊的留存和再利用條款。以 TextGrid、EAF、CTM 或 WhisperX JSON 交付的資料可以載入到 Potato 中，然後你自己的團隊就能在 Potato 中抽樣檢查供應商的標籤。
我應該使用音訊標註服務，還是在內部自己標註音訊？
當資料量或語種覆蓋超出團隊能及時招募和培訓的範圍時，就使用外包服務。當錄音不能交給第三方、標籤需要專業判斷，或者研究必須報告標註者的培訓方式和一致性程度時，就在內部標註。混合方案是由供應商標註大部分音訊，再由你的團隊在內部抽樣檢查。
延伸閱讀
- 音訊標註工具對比，用於選擇內部使用的工具
- 音訊標註，介紹如何在 Potato 中設定每一種音訊任務
- 用 Potato 做音訊與語音標註
- 專家標註與眾包標註
- 自建還是購買標註工具
- 在 Prolific 和 SONA 上開展眾包研究
- 如何標註 Whisper 轉寫文本