Skip to content

音频标注

Potato 中音频标注的完整指南：分类、打标签、波形上的声音事件检测、转写、质量（MOS）评分、情感与说话人分离。

音频标注涵盖从给整段片段打标签（"这是语音还是音乐？"）到在波形上标出某个声音确切出现时刻的各类任务。 Potato 会显示一个带播放和时间标记的交互式波形，因此同一款工具就能处理分类、打标签、时间对齐的事件检测、转写、质量评分以及说话人相关的工作。功能参考请见音频标注。

本指南把每种常见的音频任务对应到一套 Potato 配置和一个可直接运行的展示设计。

片段级分类

用一个类别给整段片段打标签。这适用于声学场景分类、环境声音分类、关键词检出以及呼吸音分类。

yaml
annotation_schemes:
  - annotation_type: radio
    name: scene
    description: "What environment was this recorded in?"
    labels: [Street, Park, Office, Home, Vehicle]

多标签打标签

当多个声音或标签同时成立时，比如音乐打标签和AudioSet 风格的事件分类，使用 multiselect。

yaml
annotation_schemes:
  - annotation_type: multiselect
    name: tags
    description: "Select every instrument you can hear."
    labels: [Guitar, Drums, Piano, Vocals, Bass, Synth]

声音事件检测：波形上的跨度

要标出声音何时开始和结束，就在音频时间轴上拉一个跨度。这就是声音事件检测，也即音频版的跨度标注。

yaml
annotation_schemes:
  - annotation_type: span
    name: events
    description: "Mark the start and end of each sound event and label it."
    labels: [Speech, Music, Dog bark, Siren, Silence]

转写

对于音频转写，把播放与一个自由文本字段配合使用。标注者可以一边拖动波形一边输入。

yaml
annotation_schemes:
  - annotation_type: text
    name: transcript
    description: "Type what is said in this clip."

质量评分：MOS 与可懂度

主观音频质量用平均意见得分来衡量，即在多位听者间取平均的 1–5 级李克特评分。这适用于语音质量（MOS）和语音可懂度。

yaml
annotation_schemes:
  - annotation_type: likert
    name: mos
    description: "Rate the overall quality of this audio."
    size: 5
    min_label: "Bad"
    max_label: "Excellent"

关于量表设计的建议，参见评分量表。

情感与情绪

语音情感识别和音频情绪分析把一个类别（情感）与维度评分（唤起度、效价）结合起来，用 radio 配合 slider 或 likert 实现。

说话人分离

说话人分离回答"谁在什么时候说话"。标注者标出时间跨度，并把每个跨度关联到某位说话人，这相当于跨度标注外加一个关联步骤。

实用建议

  • 把片段控制得足够短，一两遍就能判断；过长的片段会拉低一致性。
  • 对于事件检测，先就边界需要多精确达成一致，并在跨度层级上测量一致性，参见标注者间一致性。
  • 对各片段做响度归一化，使质量评分不被音量左右。

延伸阅读