为质性编码准备访谈转录稿

Q: faster-whisper 能否在不上传音频的情况下转写访谈？

能，faster-whisper 在你自己的电脑上运行 Whisper，potato transcripts --transcribe 在未安装 WhisperX 时用 faster-whisper 把一个文件夹的录音转成一个 Potato 数据文件。安装了 WhisperX 时，该命令改在你自己的电脑上运行 WhisperX，--asr-engine faster-whisper 则保留 faster-whisper。模型权重在首次使用时下载，首次下载之后，转写不再需要网络。

在你自己的电脑上转写访谈和焦点小组录音，对文本去标识化，并在编码和导出到 NVivo 之前为每位参与者设置一个案例。

访谈和焦点小组录音要经过五个步骤才能变成已编码的摘录，依次是：带说话人标签和时间戳的转写、去标识化、在整份转录稿与摘录之间做出选择、按每位参与者一个案例载入数据，以及编码和导出。Potato 用 WhisperX 或 faster-whisper 在你自己的电脑上转写录音，在 QDA 模式中借助备忘录和案例为文本编码，并把已编码的项目以 REFI-QDA .qdpx 文件导出到 NVivo、ATLAS.ti 或 MAXQDA。Potato 不会对转录稿去标识化，所以你的团队需要在载入文本之前替换姓名和其他标识信息。

转写把录下的语音变成文字，转录稿记录到多细的程度是一项分析上的决定。Oliver、Serovich 和 Mason（2005）区分了两种惯例（参考文献 2）。自然化转写尽可能详细地记录每一句话语。去自然化转写会修正语法，删去口吃和停顿，并把非标准口音规范化。说话人分离标出谁在什么时候说话，去标识化则删除或替换可能识别出参与者的细节。在 Potato 中，案例把属于同一位参与者的条目归为一组，备忘录是附在一份转录稿或一段高亮文字上的分析笔记。REFI-QDA 是 NVivo、ATLAS.ti 和 MAXQDA 都能读写的交换标准。

本指南介绍编码前后的准备工作。两名编码者编码访谈转录稿并报告 alpha 介绍两名编码者之间的信度，如何标注 Whisper 转写文本介绍如何对照音频校正语音识别的输出。为质性研究编制码本介绍如何撰写代码，质性数据分析软件对比介绍如何选择工具。

先确定转写惯例

McLellan、MacQueen 和 Neidig（2003）指出，没有哪一种转写格式适合所有类型的质性数据、场景或理论取向，准备不当的转录稿可能拖延分析，甚至损害分析（参考文献 1）。一份成文的惯例让每位转写者和每一轮校正都遵循相同的规则，你的团队要在转写第一份录音之前商定这份惯例。惯例涵盖三项决定：

细节。 惯例规定是否标注填充词、停顿、重叠话语和笑声，以及用什么记号标注。
说话人标签。 每位说话人用一个角色或参与者 ID 表示，例如 Interviewer 或 P07，绝不用真实姓名。
时间戳。 每个话轮开头的时间让编码者能在录音中找到这段话。

Potato 的本地转写写出的是 Whisper 模型生成的文字，Potato 也没有任何设置能让模型标出停顿、重叠或填充词。因此，自然化转录稿需要对照录音再做一轮校正。如何标注 Whisper 转写文本介绍如何在 Potato 中设置这轮校正。

在你自己的电脑上转写录音

知情同意书和伦理审批常常限定谁可以听访谈录音，以及音频可以传到哪里。potato transcripts --transcribe 用 sherpa-onnx 做说话人分离，语音识别在 WhisperX 已安装时用 WhisperX，否则用 faster-whisper。transcribe 附加依赖会安装 faster-whisper 和 sherpa-onnx，WhisperX 需要单独安装（pip install whisperx）。这三个工具都在你自己的电脑上运行，不经过任何云服务：

bash

pip install 'potato-annotation[transcribe]'
potato transcripts ./recordings --transcribe --asr-model small.en --diarize --num-speakers 2 -o data/transcripts.json

该命令为每份录音写出一个条目，其中包含每个话轮的说话人、开始时间、结束时间和文字。Whisper 模型从 tiny 到 large-v3 不等，默认是 base。模型越大，运行越慢，转写也越准确。Potato 的帮助文本提到，用 --num-speakers 给出说话人数量后，两人访谈的说话人分离效果会明显更好。在一段 21 秒、有两个声音的合成访谈上测试时，命令输出了下面的摘要：

text

Scanned 1 file(s):
  int07.wav                                local ASR + diarization     5 turns     21.4s  2 speaker(s): SPEAKER_00, SPEAKER_01

Potato 2.14.0 会把引擎名写在 local ASR 的位置，例如 ASR (whisperx) 或 ASR (faster-whisper)。

说话人分离把说话人命名为 SPEAKER_00、SPEAKER_01 等，顺序不固定。在测试中，SPEAKER_01 是访谈者，下文的准备脚本会把每个标签映射为一个角色或参与者 ID。Potato 自己的源代码注明，基于聚类的说话人分离在多人同时说话时表现很差。编码开始前，请对照录音检查每场焦点小组的说话人标签。

模型权重在首次使用时下载。两个说话人分离模型文件合计约 47 MB，Whisper 的下载量随模型大小增加。权重放到机器上之后，转写可以在气隙环境中运行，详见气隙与离线部署。对于离线机器，请把一个 CTranslate2 格式的 Whisper 模型目录复制过去，并把该目录的路径传给 --asr-model，再把 POTATO_MODEL_CACHE 设为存放说话人分离模型的文件夹。

Potato 会把每份原始转录稿以 <name>.whisper.json 缓存在录音旁边，缓存中保留了所有姓名。请把缓存文件和录音放在一起，或者传入 --asr-cache，把缓存文件写到一个同样受保护的文件夹。转写之前会先运行语音活动检测，防止 Whisper 在静音片段上凭空生成文字。这项检测也可能在没有任何警告的情况下丢掉轻声或耳语。如果转录稿比录音短，请加上 --asr-no-vad 重新运行命令。WhisperX 始终运行语音活动检测，所以安装了 WhisperX 时，要让 --asr-no-vad 生效，请再加上 --asr-engine faster-whisper。

编码前对转录稿去标识化

Potato 没有能在转录稿中查找或替换姓名、地名或其他标识信息的工具。因此，去标识化必须在 Potato 载入文本之前完成，因为每个编码者界面、每条备忘录、每份引文报告和每个 .qdpx 导出都会按载入时的原样呈现转录稿。Potato 唯一的文本清理功能在项目结束时运行。python -m potato.publish --scrub-pii 会在发布的数据集中把电子邮件地址和电话号码替换为 [EMAIL] 和 [PHONE]，这个选项不会处理姓名。

英国数据服务（UK Data Service）建议用化名或描述性标签（例如“[colleague 1]”）替换识别性细节，而不是删除这些内容。同一份指南要求在所有转录稿中一致地应用每一处替换，并为改动留下日志。该指南还要求有所克制，因为过度匿名化会删去情境细节，降低数据的诠释价值（参考文献 4）。Saunders、Kitzinger 和 Kitzinger（2015）在对植物状态和最低意识状态患者家属的访谈中描述了这种取舍（参考文献 3）。几位作者把医院名称替换为“Hospital 1”这样的标签，并报告说某些保护措施让分析失去了数据的一部分丰富性。

下一节的准备脚本会把替换表 pseudonyms.csv 应用到每份转录稿上，这张表同时也是匿名化日志。由于这张表能把化名映射回真实姓名，请把这张表存放在 Potato 所服务的项目文件夹之外。替换表只能捕捉表中列出的拼写。因此，替换之后仍要有人通读每份转录稿，并判断工作单位或罕见职业这类间接标识信息。在测试转录稿中，替换表把参与者姐妹的名字替换为 Ana，把一个街道名替换为“[street name]”，而这位姐妹工作的面包店则留给读者判断。载入之后，用 Potato 的全文搜索在语料中逐一搜索日志里的每个姓名。每次搜索都不应返回任何转录稿。

整份转录稿还是摘录

编码者看到的单位是数据文件中的一个条目。把整份转录稿作为一个条目，能让编码者看到访谈的完整脉络，.qdpx 导出也会为每场访谈写出一个来源。项目也可以把每份转录稿拆成摘录，例如每个参与者回答一个条目，这时导出会为每条摘录写出一个来源。摘录更适合以下两种情况：

编码者间信度。 一致性是在两名编码者都作答的单元上计算的，固定的摘录让两名编码者面对同一个单元。双编码者教程正是出于这个原因把转录稿拆成一个个回答。
焦点小组。 Potato 把每个条目最多归入一个案例，因此作为一个条目载入的小组转录稿只能属于一个案例。每个参与者话轮一个条目，才能让每位参与者的话轮组成该参与者自己的案例。

把转录稿展平为带说话人标签的文本

potato transcripts 的输出把每份转录稿保存为一个嵌套的话轮列表，而 .qdpx 导出会跳过文本不是纯字符串的条目。因此，要导入 NVivo、ATLAS.ti 或 MAXQDA 的项目需要先把每份转录稿展平为带说话人标签的文本。脚本所依据的决定保存在三个小型 CSV 文件中：

text

speakers.csv        transcript,speaker,name
                    int07,SPEAKER_01,Interviewer
                    int07,SPEAKER_00,P07
participants.csv    participant_id,site,age_group
                    P07,rural,35-49
pseudonyms.csv      original,replacement
                    Maria,Ana
                    Main Street,[street name]

脚本把同一说话人的连续片段合并为一个话轮，在每个话轮开头写入时间戳，应用替换表，并把参与者的属性复制到条目上。加上 --excerpts 后，脚本改为每个参与者话轮写出一个条目：

python

"""Turn `potato transcripts` output into speaker-labeled text for coding.
 
Usage:
  python prepare_transcripts.py data/transcripts.json speakers.csv participants.csv \
      pseudonyms.csv > data/interviews.jsonl
  python prepare_transcripts.py ... --excerpts > data/excerpts.jsonl
"""
import csv
import json
import re
import sys
 
transcripts, speakers_csv, participants_csv, pseudonyms_csv = sys.argv[1:5]
excerpts = "--excerpts" in sys.argv
 
names = {(r["transcript"], r["speaker"]): r["name"] for r in csv.DictReader(open(speakers_csv))}
people = {r["participant_id"]: r for r in csv.DictReader(open(participants_csv))}
swaps = [(re.compile(rf"\b{re.escape(r['original'])}\b"), r["replacement"])
         for r in csv.DictReader(open(pseudonyms_csv))]
 
 
def clock(seconds):
    m, s = divmod(int(seconds), 60)
    return f"{m // 60:02d}:{m % 60:02d}:{s:02d}"
 
 
def pseudonymize(text):
    for pattern, replacement in swaps:
        text = pattern.sub(replacement, text)
    return text
 
 
for item in json.load(open(transcripts, encoding="utf-8")):
    tid = item["id"]
    turns = []  # merge consecutive segments from the same speaker into one turn
    for t in item["conversation"]["turns"]:
        name = names.get((tid, t.get("speaker")), t.get("speaker") or "Unknown")
        if turns and turns[-1]["name"] == name:
            turns[-1]["text"] += " " + t["text"]
        else:
            turns.append({"name": name, "start": t.get("start") or 0, "text": t["text"]})
    for t in turns:
        t["text"] = pseudonymize(t["text"])
 
    if excerpts:  # one item per participant turn, for focus groups
        for n, t in enumerate(turns):
            if t["name"] in people:
                print(json.dumps({"id": f"{tid}-{n:03d}", "transcript": tid,
                                  **people[t["name"]],
                                  "text": f"[{clock(t['start'])}] {t['name']}: {t['text']}"}))
        continue
 
    participant = next(t["name"] for t in turns if t["name"] in people)
    text = "\n\n".join(f"[{clock(t['start'])}] {t['name']}: {t['text']}" for t in turns)
    print(json.dumps({"id": tid, **people[participant], "text": text}))

在测试录音上，脚本写出了一个条目，下面展示时缩短了文本：

json

{"id": "int07", "participant_id": "P07", "site": "rural", "age_group": "35-49", "text": "[00:00:00] Interviewer: Thanks for joining, can you tell me how you get to the clinic?\n\n[00:00:04] P07: I take two buses, and it takes most of the morning, my sister Ana drives me when she can, but she works at the bakery on [street name].\n\n..."}

已经以文件形式存在的转录稿也走同一个脚本。不加 --transcribe 时，potato transcripts 可读取 21 种转写和字幕格式，包括 WhisperX JSON、SubRip、WebVTT、Praat TextGrid 和 ELAN EAF，完整列表见转写格式。在其他 QDA 程序中编码过的项目可以通过 potato import 迁移过来，详见导入项目。

在 QDA 模式中编码

下面的配置为整份转录稿设置开放式编码，每位参与者一个案例。该配置在 Potato 2.13.1 上通过了 python -m potato.validate_cli config.yaml --strict：

yaml

annotation_task_name: Clinic access interviews
task_dir: .
output_annotation_dir: annotation_output/
data_files:
  - data/interviews.jsonl
item_properties:
  id_key: id
  text_key: text
user_config:
  allow_all_users: true
  users: []
 
# Open coding by one analyst: a codebook that grows while reading, memos, cases, search
qda_mode:
  enabled: true
 
# One case per participant, with the participant's site and age group on the case
cases:
  enabled: true
  key: participant_id
  attributes: [site, age_group]
 
annotation_ui:
  memos: true
 
search:
  enabled: true
  annotator_claim: true
 
annotation_schemes:
  - annotation_type: span
    name: codes
    description: Highlight a passage and apply a code, or press i to create a code from the highlighted words.
    codebook: true
    labels: [travel to the clinic, cost of care, family support, delaying care]

QDA 模式把码本设为 open。分析者在阅读时添加代码，这四个标签只是码本的初始代码。选中一段文字后按 i，会用所选的词语创建一个原位代码。之后重命名或合并某个代码时，此前的编码仍留在旧名称下，详见质性编码的共享码本。search 块开启全文搜索，也就是上文检查姓名时用到的功能。用 potato start config.yaml -p 8000 启动服务器。

cases 块按 participant_id 把条目归组，并在每个案例上保存 site 和 age_group。Potato 2.13.1 只根据条目字段建立案例，没有任何手动把条目分配给案例的方法。因此，每个条目都需要带有参与者 ID。测试项目的服务器日志报告了 Cases auto-detect: 1 case(s), 1 instance(s) assigned。编码进行期间，管理员 API 端点 /admin/api/code_crosstab?attribute=site 可按案例属性统计代码，详见质性编码中的案例与案例属性。

备忘录在每份转录稿的 Notes 面板中打开。新建的备忘录默认是私有的。编码者如果希望团队其他成员阅读某条备忘录，就在该备忘录的可见性菜单中选择 Shared，详见质性编码中的分析备忘录。QDA 模式假定由一位分析者处理整个语料。如果两名编码者编码同一批摘录，请参照双编码者教程和质性研究中的编码者间信度。如果要让语言模型担任第二编码者，请参阅大语言模型辅助的质性编码。

导出已编码的转录稿

下面三种导出涵盖了常见的交付物：

bash

python -m potato.export -c config.yaml -f qdpx -o export/
python -m potato.export -c config.yaml -f quotation_report --option include_memos=true -o export/
python -m potato.export -c config.yaml -f csv -o export/

第一条命令写出一个 .qdpx 文件，其中每份转录稿是一个文本来源，代码是没有层级的扁平列表，每条编码都附有其编码者。该导出不包含备忘录和案例。由于配置中显式设置了 cases.enabled 和 annotation_ui.memos，导出会打印一条警告，点名备忘录和案例。第二条命令写出 quotations.csv，每个高亮段落一行，给出代码、引文、字符偏移量、转录稿 ID 和编码者，之后每条备忘录一行。第三条命令把每位编码者的标注写成一张表格，供 R 或 Python 使用。案例属性保留在 participants.csv 中，数据文件的 id 和 participant_id 字段可以把这些属性与引文报告连接起来。

常见问题

访谈转录稿应该逐字转写，还是做清理后的逐字转写？

根据分析需要选择细节程度。Oliver、Serovich 和 Mason（2005）指出，自然化的完全逐字转写在会话分析中最为常见。研究参与者就某个话题说了什么的研究，通常可以使用去自然化的清理版转录稿。Potato 的本地转写写出的是 Whisper 模型生成的文字。因此，逐字转写的惯例需要对照录音再做一轮校正。

访谈转录稿应该在什么时候去标识化？

在编码开始之前对转录稿去标识化，因为 Potato 会完全按载入时的样子显示和导出文本。Potato 没有去标识化工具。请在载入之前应用一张化名前后一致的替换表，通读每份转录稿查找间接标识信息，并在载入后的语料中搜索每个原始姓名。

faster-whisper 能否在不上传音频的情况下转写访谈？

能，faster-whisper 在你自己的电脑上运行 Whisper，potato transcripts --transcribe 在未安装 WhisperX 时用 faster-whisper 把一个文件夹的录音转成一个 Potato 数据文件。安装了 WhisperX 时，该命令改在你自己的电脑上运行 WhisperX，--asr-engine faster-whisper 则保留 faster-whisper。模型权重在首次使用时下载，首次下载之后，转写不再需要网络。

参考文献

McLellan, E., MacQueen, K. M., & Neidig, J. L. (2003). Beyond the Qualitative Interview: Data Preparation and Transcription. Field Methods, 15(1), 63-84. https://doi.org/10.1177/1525822X02239573
Oliver, D. G., Serovich, J. M., & Mason, T. L. (2005). Constraints and Opportunities with Interview Transcription: Towards Reflection in Qualitative Research. Social Forces, 84(2), 1273-1289. https://doi.org/10.1353/sof.2006.0023
Saunders, B., Kitzinger, J., & Kitzinger, C. (2015). Anonymising interview data: challenges and compromise in practice. Qualitative Research, 15(5), 616-632. https://doi.org/10.1177/1468794114550439
UK Data Service. Anonymisation for text data. Retrieved November 2, 2026, from https://ukdataservice.ac.uk/learning-hub/data-producer-support/preparing-data-for-sharing-and-reuse/anonymising-data-and-protecting-participants/anonymisationfortextdata/