Potato 能把 Whisper、WhisperX、字幕、TextGrid 和 ELAN 转写文本连同录音一起加载，让标注者对照波形修正文字和说话人话轮；Potato 也能运行 MUSHRA 和 P.808 式 MOS 等标准听音测试。Potato 免费开源，运行在你自己的电脑或服务器上，还能在标注开始前于本地完成录音的转写和说话人分离。
如今大多数语音项目都从自动转写文本起步，标注工作就是修正转写：改正文字、拆分与合并话轮、指定说话人。Potato 按原样读取转写文本，不需要转换脚本。从 2.9 版起，Potato 也能在你自己的机器上生成转写文本。potato transcripts --transcribe --diarize 用 faster-whisper 转写、用 sherpa-onnx 做说话人分离，不需要 PyTorch，也不需要 Hugging Face 令牌，录音始终不离开本机。
Potato 中的语音与音频任务
每一行是 Potato 自带的一种标注类型或工作流，链接页面给出了它的配置。
| 任务 | Potato 的做法 | 文档 |
|---|---|---|
| 修正 ASR 转写 | 话轮以说话人气泡显示并与音频同步，每条都可编辑，来源可以是 Whisper JSON、SRT、VTT 等格式 | 标注 Whisper 转写文本 |
| 说话人分离 | 在波形上绘制片段并按说话人标注，或由标注者修正已自动分离话轮的说话人 | 音频片段 |
| 声音事件与标记 | 带标签的时间片段，或用单选和多选给整段音频打标签 | 音频标注指南 |
| 听音测试 | listening_test 方案，支持 MUSHRA、BS.1116、ACR、DCR、CCR、P.835 和 ABX，刺激材料盲化并含隐藏参考 | 听音测试 |
| 情绪与副语言 | 对每段音频或每个片段给出类别标签，或李克特量表和滑块评分 | 音频标注指南 |
| 频谱图框 | 用时频框标出鸣叫、音符或其他事件 | 频谱图标注 |
| 语音层级 | 导入 TextGrid 和 ELAN 层级供修正，再导出回去 | 转写格式 |
在你自己的机器上转写和分离说话人
下面的命令把一个录音文件夹变成一份数据文件，里面是已分离说话人、带时间戳的转写文本，供标注者修正。如果知道每段录音里有几个人说话，就传入 --num-speakers。
pip install 'potato-annotation[transcribe]'
potato transcripts ./interviews --transcribe --diarize --num-speakers 2 -o data/interviews.json模型权重在首次使用时下载，所以第一次运行需要联网。系统会先做语音活动检测，因此 Whisper 不会在静音处编造文字。同样的检测也可能在没有任何提示的情况下丢掉轻声或耳语。如果一段你确定有语音的录音返回的结果偏短，用 --asr-no-vad 重新运行。转写格式介绍了如何为离线机器预先准备模型。
听音测试
Potato 不附带测试材料，刺激材料由你提供。listening_test 方案对每个条目运行一项标准主观测试，样本经过盲化、顺序随机，导出时每个评分都能对应回它的条件。listening_test 导出会写出每个条件的 MOS 和 MUSHRA 均值及 95% 区间、ABX 结果，并应用 ITU-R BS.1534-3 事后筛选规则。测试前可以把耳机检查作为一个运行时阶段来运行。如果听者来自众包，Potato 以 Prolific 作为招募平台，详见众包集成。
与 ELAN、Praat 和 Label Studio 的分工
ELAN 面向单人完成的精细多层时间对齐标注，Praat 面向语音学分析。Potato 能导入和导出这两种格式，团队可以在浏览器里修正层级，再继续用 Praat 或 ELAN 分析。Label Studio 提供转写和说话人切分的模板。Potato 额外提供的是本地转写和说话人分离、带筛选规则的标准听音测试方法，以及研究所需的功能，例如每个条目分配多名标注者、时间片段上的一致性和注意力检查。音频标注工具对比逐项比较了这些差异。
常见问题
如何修正 Whisper 转写文本，而不是从头转写？
保留 Whisper 带片段时间戳的 .json 输出，对文件夹运行 potato transcripts，把每份转写文本和对应音频配对写入数据文件。标注者随后会看到与音频同步的话轮，并修正文字和说话人。如果时间戳还要交给 ELAN 或 Praat，就导出为 EAF 或 TextGrid。
如何为说话人分离标注说话人话轮？
使用 audio_annotation 方案，每个说话人一个标签，标注者在波形上为每个话轮绘制片段。如果录音已经用 WhisperX 或 potato transcripts --diarize 自动分离过说话人，标注者只需修正每个话轮的说话人，不必逐个绘制片段。时间维度上的一致性可以测量两名标注者的片段吻合到什么程度。
如何在线运行 MOS 或 MUSHRA 听音测试？
添加一个 listening_test 方案，把 method 设为你需要的测试，例如 mushra，或用于 MOS 测试的 acr，并为每个条目提供参考样本和待比较的条件。Potato 会盲化样本、为每位听者打乱顺序、为 MUSHRA 加入隐藏参考和锚点，并在 listening_test 导出中应用 BS.1534-3 事后筛选规则。听音测试列出了所有方法和选项。
能导入或导出 Praat TextGrid 和 ELAN 文件吗？
可以。potato import 读取 .TextGrid 和 .eaf 文件以及同名录音，把每个层级转成同一个 tiered_annotation 方案中的一层。textgrid 和 eaf 导出器会把修正后的层级写回去。
延伸阅读
- 音频标注指南：所有音频任务类型及其配置
- Think-Aloud 模式：在本地转写口述的理由
- 基于同一套音频工具的领域：语言学和生态学