音訊標註工具對比：ELAN、Praat、Label Studio 與 Potato

音訊標註給錄音中的一段段內容加標籤：誰在說話、說了什麼、出現了什麼聲音，或者錄音品質如何。ELAN 和 Praat 是一名語言學者逐層標註時的標準桌面工具。Potato、Label Studio 和 Prodigy 在瀏覽器中執行，適合多名標註者標註同一批錄音的研究。Potato 還負責標籤之外的研究流程：通過 Prolific 或 SONA 被試池招募聽者，對他們進行培訓和篩選，並報告片段上的一致性，不需要付費方案。 瀏覽器工具之間還有一個區別：能不能讀入現有的轉寫。

說話人分離按說話人切分錄音。語音識別生成轉寫，再由標註者修正。聲音事件檢測標出警笛聲、關門聲之類的聲音出現在哪裡。在 ELAN 和 Praat 中，層（tier）是疊在錄音時間軸上的一層標註，詞、音素和手勢可以分別標註。平均意見得分（MOS）用來評價一段音訊的主觀品質。

本頁討論音訊和語音。所有資料類型放在一頁裡的對比見 AI 標註工具對比。

哪些音訊標註工具值得比較？

哪種音訊任務用哪個工具？

組織一項聽音或語音研究

上面的表格講的是標註本身。當很多人標註同一批錄音時，工具之間的差別更大：

短橫線表示我們在 2026 年 9 月查閱該工具的文件時沒有找到相關內容。如果哪一格有誤，請告訴我們。

Potato 在音訊標註上領先的地方

和眾包工作者一起做聽音測試。 品質評分和感知研究常常找眾包工作者來做，而不是實驗室團隊。Potato 從 Prolific 或 SONA 接入聽者，在正式片段前先給帶反饋的練習片段，中間混入黃金標準片段和注意力檢查，最後顯示完成碼。參見開展眾包研究和培訓階段。

片段上的一致性。 ELAN 每次比較兩個層。Potato 對每一對標註者比較他們的片段重疊了多少、是否找到了相同的片段，只用一個匹配閾值。片段一致性目前還沒有偶然基線，文件裡也寫明瞭這一點。

從語音識別結果到 ELAN。 標註者可以從 21 種格式之一的現有轉寫開始，也可以從 Potato 本地的轉寫和說話人分離結果開始，結果能匯出為 EAF 和 TextGrid，交給後續在 ELAN 或 Praat 中工作的人。

從已有轉寫開始

大多數語音項目的起點，是來自 Whisper、雲端 API 或字幕檔案的轉寫。Potato 可以讀取 21 種轉寫和字幕格式，並把話輪顯示為與音訊同步的說話人氣泡，標註者修正片段即可，不必從頭輸入。支援的格式包括 Whisper 和 WhisperX 的 JSON、AWS Transcribe、Deepgram、AssemblyAI、Rev.ai、SubRip、WebVTT、NIST CTM、Praat TextGrid 和 ELAN EAF。Potato 不能單獨解析 RTTM 說話人分離檔案，也不支援 Transcriber、EXMARaLDA 或 CHAT，這些需要先轉換。見轉寫格式。

從 2.9 版起，Potato 也可以用 faster-whisper 和 sherpa-onnx 在你自己的機器上完成轉寫和說話人分離，不需要 PyTorch，也不需要 Hugging Face 令牌。見在本地轉寫。

在 Label Studio 和 Prodigy 中，來自其他系統的轉寫要先轉換成工具自己的任務格式。Label Studio 的 Audio 標籤配合 TextArea 做轉寫，Prodigy 的 audio.transcribe 配方把播放和文本框放在一起。

在 ELAN、Praat 和 Potato 之間遷移分層標註

Potato 的 tiered_annotation 方案支援獨立層和從屬層，所以詞層可以像在 ELAN 中那樣在時間上細分話語層。Potato 可以匯出 EAF 和 TextGrid。一項研究可以在瀏覽器裡收集許多人的標註，再把結果交給使用 ELAN 或 Praat 的人。

如果是一名專家細緻地處理一段錄音，ELAN 仍然是更好的工具，它能同步顯示最多四個影片。Praat 用於聲學分析，這方面 Potato 並不涉及。

時間上的一致性

兩名標註者標同一個聲音，很少能精確到毫秒。因此音訊上的一致性必須先規定：兩個邊界相距多近才算同一個事件。

• ELAN 內建了標註者間信度計算。它提供按 Holle 和 Rein 方法修正的 Cohen κ（把重疊達到設定比例的標註對應起來），以及 Staccato 演算法（把一種切分與隨機生成的切分相比較，以考慮偶然因素）。比較以層對為單位。
• Potato 對每一對標註者比較時間 IoU、檢出 F1，以及一個總體一致性分數（對標籤不同的已匹配片段給一半分），全部只用一個匹配閾值。這些指標目前都還沒有偶然基線，文件裡也寫明瞭這一點。見時間上的一致性。
• Label Studio 把一致性功能留給付費方案。

Potato 中的音訊切分任務

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

標註者在波形上拖動來建立片段，再選擇它的標籤。Potato 中的分類、轉寫、MOS 評分和說話人分離見音訊標註。

Potato 在音訊上不做的事

• 不做聲學分析。 音高、共振峰和頻譜測量屬於 Praat 的範圍。
• 時間對齊工具比 ELAN 簡單。 ELAN 的桌面介面對時間對齊的控制更精細。
• 不能單獨解析 RTTM、Transcriber、EXMARaLDA 或 CHAT 檔案。

以上內容於 2026 年 9 月對照各項目的文件核實。

常見問題

最好的免費音訊標註工具是哪個？

ELAN 和 Praat 免費，是單人語言學和語音學工作的標準工具。如果研究中有多名標註者在瀏覽器裡標註同一批錄音，Potato 和 Label Studio 的 Community Edition 都免費。Potato 自帶一致性指標，而 Label Studio 把它放在付費方案中。

ELAN 能計算標註者間一致性嗎？

能。ELAN 的信度計算提供修正的 Cohen kappa 和 Staccato 演算法，可以跨多個檔案按層對比較標註。

能在瀏覽器裡標註說話人分離嗎？

能。Potato 讀取 WhisperX、AWS Transcribe、Deepgram、AssemblyAI 和 Rev.ai 的說話人分離結果，把沒有說話人的話輪顯示為帶選擇器的 Unassigned，從 2.9 版起還能在本地做說話人分離。Label Studio 也可以在波形上標註說話人區域。

哪些標註工具能讀取 Praat TextGrid 和 ELAN EAF 檔案？

Praat 和 ELAN 各自使用自己的格式。Potato 兩種都能讀取和匯出，所以項目可以在瀏覽器研究與這兩個桌面工具之間來回遷移。

標註之前必須先轉寫音訊嗎？

只有當標註內容涉及說了什麼時才需要。聲音事件、說話人話輪和品質評分可以直接在波形上標註。對於說話內容，如果已有轉寫就從它開始；當轉寫本身就是交付成果，或者音訊差到 ASR 輸出會誤導標註者時，再從頭轉寫。

哪些音訊標註工具能與 Prolific 或 Mechanical Turk 配合使用？

Potato 內建了 Prolific，還支援 SONA 和其他樣本平臺。Mechanical Turk 已於2026 年 9 月 30 日關閉，所以現在任何工具都無法在那裡招募。聽者帶著 URL 中的參與者 ID 從 Prolific 進來，經過設定好的知情同意、篩選和培訓階段，最後拿到完成碼。ELAN 和 Praat 是桌面工具，我們也沒有找到 Label Studio 或 Prodigy 有文件記載的眾包整合。

延伸閱讀

• AI 標註工具對比，所有資料類型彙總在一頁
• 文本標註工具對比
• 影像標註工具對比
• 影片標註工具對比
• AI 智慧體評估工具對比
• 世界模型與機器人回合評估工具對比
• 標註 Whisper 轉寫