音频标注工具对比：ELAN、Praat、Label Studio 与 Potato

音频标注给录音中的一段段内容加标签：谁在说话、说了什么、出现了什么声音，或者录音质量如何。ELAN 和 Praat 是一名语言学者逐层标注时的标准桌面工具。Potato、Label Studio 和 Prodigy 在浏览器中运行，适合多名标注者标注同一批录音的研究。Potato 还负责标签之外的研究流程：通过 Prolific 或 SONA 被试池招募听者，对他们进行培训和筛选，并报告片段上的一致性，不需要付费方案。 浏览器工具之间还有一个区别：能不能读入现有的转写。

说话人分离按说话人切分录音。语音识别生成转写，再由标注者修正。声音事件检测标出警笛声、关门声之类的声音出现在哪里。在 ELAN 和 Praat 中，层（tier）是叠在录音时间轴上的一层标注，词、音素和手势可以分别标注。平均意见得分（MOS）用来评价一段音频的主观质量。

本页讨论音频和语音。所有数据类型放在一页里的对比见 AI 标注工具对比。

哪些音频标注工具值得比较？

哪种音频任务用哪个工具？

组织一项听音或语音研究

上面的表格讲的是标注本身。当很多人标注同一批录音时，工具之间的差别更大：

短横线表示我们在 2026 年 9 月查阅该工具的文档时没有找到相关内容。如果哪一格有误，请告诉我们。

Potato 在音频标注上领先的地方

和众包工作者一起做听音测试。 质量评分和感知研究常常找众包工作者来做，而不是实验室团队。Potato 从 Prolific 或 SONA 接入听者，在正式片段前先给带反馈的练习片段，中间混入黄金标准片段和注意力检查，最后显示完成码。参见开展众包研究和培训阶段。

片段上的一致性。 ELAN 每次比较两个层。Potato 对每一对标注者比较他们的片段重叠了多少、是否找到了相同的片段，只用一个匹配阈值。片段一致性目前还没有偶然基线，文档里也写明了这一点。

从语音识别结果到 ELAN。 标注者可以从 21 种格式之一的现有转写开始，也可以从 Potato 本地的转写和说话人分离结果开始，结果能导出为 EAF 和 TextGrid，交给后续在 ELAN 或 Praat 中工作的人。

从已有转写开始

大多数语音项目的起点，是来自 Whisper、云端 API 或字幕文件的转写。Potato 可以读取 21 种转写和字幕格式，并把话轮显示为与音频同步的说话人气泡，标注者修正片段即可，不必从头输入。支持的格式包括 Whisper 和 WhisperX 的 JSON、AWS Transcribe、Deepgram、AssemblyAI、Rev.ai、SubRip、WebVTT、NIST CTM、Praat TextGrid 和 ELAN EAF。Potato 不能单独解析 RTTM 说话人分离文件，也不支持 Transcriber、EXMARaLDA 或 CHAT，这些需要先转换。见转写格式。

从 2.9 版起，Potato 也可以用 faster-whisper 和 sherpa-onnx 在你自己的机器上完成转写和说话人分离，不需要 PyTorch，也不需要 Hugging Face 令牌。见在本地转写。

在 Label Studio 和 Prodigy 中，来自其他系统的转写要先转换成工具自己的任务格式。Label Studio 的 Audio 标签配合 TextArea 做转写，Prodigy 的 audio.transcribe 配方把播放和文本框放在一起。

在 ELAN、Praat 和 Potato 之间迁移分层标注

Potato 的 tiered_annotation 方案支持独立层和从属层，所以词层可以像在 ELAN 中那样在时间上细分话语层。Potato 可以导出 EAF 和 TextGrid。一项研究可以在浏览器里收集许多人的标注，再把结果交给使用 ELAN 或 Praat 的人。

如果是一名专家细致地处理一段录音，ELAN 仍然是更好的工具，它能同步显示最多四个视频。Praat 用于声学分析，这方面 Potato 并不涉及。

时间上的一致性

两名标注者标同一个声音，很少能精确到毫秒。因此音频上的一致性必须先规定：两个边界相距多近才算同一个事件。

• ELAN 内置了标注者间信度计算。它提供按 Holle 和 Rein 方法修正的 Cohen κ（把重叠达到设定比例的标注对应起来），以及 Staccato 算法（把一种切分与随机生成的切分相比较，以考虑偶然因素）。比较以层对为单位。
• Potato 对每一对标注者比较时间 IoU、检出 F1，以及一个总体一致性分数（对标签不同的已匹配片段给一半分），全部只用一个匹配阈值。这些指标目前都还没有偶然基线，文档里也写明了这一点。见时间上的一致性。
• Label Studio 把一致性功能留给付费方案。

Potato 中的音频切分任务

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

标注者在波形上拖动来创建片段，再选择它的标签。Potato 中的分类、转写、MOS 评分和说话人分离见音频标注。

Potato 在音频上不做的事

• 不做声学分析。 音高、共振峰和频谱测量属于 Praat 的范围。
• 时间对齐工具比 ELAN 简单。 ELAN 的桌面界面对时间对齐的控制更精细。
• 不能单独解析 RTTM、Transcriber、EXMARaLDA 或 CHAT 文件。

以上内容于 2026 年 9 月对照各项目的文档核实。

常见问题

最好的免费音频标注工具是哪个？

ELAN 和 Praat 免费，是单人语言学和语音学工作的标准工具。如果研究中有多名标注者在浏览器里标注同一批录音，Potato 和 Label Studio 的 Community Edition 都免费。Potato 自带一致性指标，而 Label Studio 把它放在付费方案中。

ELAN 能计算标注者间一致性吗？

能。ELAN 的信度计算提供修正的 Cohen kappa 和 Staccato 算法，可以跨多个文件按层对比较标注。

能在浏览器里标注说话人分离吗？

能。Potato 读取 WhisperX、AWS Transcribe、Deepgram、AssemblyAI 和 Rev.ai 的说话人分离结果，把没有说话人的话轮显示为带选择器的 Unassigned，从 2.9 版起还能在本地做说话人分离。Label Studio 也可以在波形上标注说话人区域。

哪些标注工具能读取 Praat TextGrid 和 ELAN EAF 文件？

Praat 和 ELAN 各自使用自己的格式。Potato 两种都能读取和导出，所以项目可以在浏览器研究与这两个桌面工具之间来回迁移。

标注之前必须先转写音频吗？

只有当标注内容涉及说了什么时才需要。声音事件、说话人话轮和质量评分可以直接在波形上标注。对于说话内容，如果已有转写就从它开始；当转写本身就是交付成果，或者音频差到 ASR 输出会误导标注者时，再从头转写。

哪些音频标注工具能与 Prolific 或 Mechanical Turk 配合使用？

Potato 内置了 Prolific，还支持 SONA 和其他样本平台。Mechanical Turk 已于2026 年 9 月 30 日关闭，所以现在任何工具都无法在那里招募。听者带着 URL 中的参与者 ID 从 Prolific 进来，经过设置好的知情同意、筛选和培训阶段，最后拿到完成码。ELAN 和 Praat 是桌面工具，我们也没有找到 Label Studio 或 Prodigy 有文档记载的众包集成。

延伸阅读

• AI 标注工具对比，所有数据类型汇总在一页
• 文本标注工具对比
• 图像标注工具对比
• 视频标注工具对比
• AI 智能体评估工具对比
• 世界模型与机器人回合评估工具对比
• 标注 Whisper 转写