语音音频数据标注怎么做

别慌。你现在不是“标注难”，是流程糊在一起。3-5人、1万-10万条，关键是把流程拆开，别让一个人一边听写、一边猜情绪。

先说结论

转写和情感/意图必须拆成两个项目/两个阶段。
转写靠“听清字”，情感/意图靠“听语气+理解内容”，混在一起一定乱。

1. 先拆流程

项目 A：转写清洗

只干一件事：音频 → 逐字文本。
不要碰情绪标签。

项目 B：情感/意图标注

用项目 A 已经审核过的转写 + 音频。
只标情绪和意图，转写只读，不允许顺手改。

如果下游是 ASR，转写质量是你的命根子，情绪标签可以相对粗。

情绪标签如果只是辅助，不要投入过多人力死磕。

2. 转写错得离谱怎么办

不要从零写

用 Whisper / faster-whisper / WhisperX 先跑一遍 ASR，拿结果当预标注，导入 Label Studio 让人改。
这比人从空白开始写快很多。

长音频先切段

一段 5–15 秒最合适。
超过 10 秒，情绪容易混合，转写也容易漏。
多人对话音频先做 speaker diarization，否则转写和情绪都没法做。

转写规则必须定死

例如：

• 逐字写，保留“嗯、啊、呃、哦”等语气词。
• 听不清写 [unclear]。
• 多人重叠写 [overlap]。
• 明显噪声写 [noise]。
• 数字、英文、标点规则先定：

比如英文品牌到底写“iPhone 15”还是“爱疯十五”。

转写质检

抽 15%–20% 双人重听，算 CER / WER。
目标：WER / CER 低于 5%，否则别进入情绪标注。

3. 情感/意图标签对不上怎么办

标签先砍粗

不要一上来搞十几个情绪。
小团队建议控制在 6–7 类以内。

情感建议：

• 平静 / 中性
• 开心 / 满意
• 生气 / 不满
• 悲伤 / 失望
• 恐惧 / 焦虑
• 惊讶 / 疑惑
• 其他 / 无法判断

意图建议：

• 告知 / 回答
• 询问 / 请求
• 指令 / 要求
• 投诉 / 抱怨
• 寒暄 / 社交
• 其他

定两条核心规则

情感：以声音语气为主，文字内容为辅。
如果语气和文字冲突，标“其他/无法判断”，并备注。

意图：以文字内容为主。
看说话人到底想干什么，不要被语气带偏。

必须加“其他/无法判断”

不要逼人硬选。
硬选的后果就是标签对不上。

混合情绪

只选主导情绪。
例如一个人又生气又失望，选“生气”，备注写：混合：生气+失望。

4. 交叉一致性检查怎么做

先试标

找 100–200 条，让 3–5 个人全部标同一批。
导出后算一致性。

情感/意图用 Cohen's kappa：

from sklearn.metrics import cohen_kappa_score

print(cohen_kappa_score(标注员A, 标注员B))

转写用 WER / CER：

import jiwer

print(jiwer.wer(参考转写, 转写结果))

达标线

• 情感/意图：kappa < 0.6，先别铺量，开会改规则。
• 转写：WER/CER < 5%。

正式阶段

• 10%–20% 双盲复审。
• 每周随机抽 100 条复查。
• 做一个 200 条金标集，混在日常任务里，防止标注员漂移。

5. Label Studio 配置建议

项目 B 可以这样配：

<View>
  <Audio name="audio" value="$audio" zoom="true" speed="true"/>
  
  <Header value="参考转写"/>
  <Text name="transcript" value="$transcript"/>
  
  <Header value="情感"/>
  <Choices name="emotion" toName="audio" choice="single" showInLine="true">
    <Choice value="neutral" display="平静"/>
    <Choice value="happy" display="开心"/>
    <Choice value="angry" display="生气"/>
    <Choice value="sad" display="悲伤"/>
    <Choice value="fear" display="恐惧/焦虑"/>
    <Choice value="surprise" display="惊讶/疑惑"/>
    <Choice value="other" display="其他/无法判断"/>
  </Choices>
  
  <Header value="意图"/>
  <Choices name="intent" toName="audio" choice="single" showInLine="true">
    <Choice value="inform" display="告知/回答"/>
    <Choice value="question" display="询问/请求"/>
    <Choice value="command" display="指令/要求"/>
    <Choice value="complaint" display="投诉/抱怨"/>
    <Choice value="chitchat" display="寒暄/社交"/>
    <Choice value="other" display="其他"/>
  </Choices>
  
  <Header value="置信度"/>
  <Rating name="confidence" toName="audio" maxRating="3" defaultValue="2"/>
</View>

项目 A 更简单，只留：

<View>
  <Audio name="audio" value="$audio" zoom="true" speed="true"/>
  <TextArea name="transcript" toName="audio" rows="4" placeholder="逐字转写，听不清写[unclear]"/>
</View>

6. 人力怎么排

3–5 人建议：

• 1 人负责切音频、跑预标注、维护金标集。
• 2–3 人专职标注。
• 1 人轮换抽检、仲裁争议样本。

短音频每人每天标 100–200 条比较合理。
不要按数量考核，按抽检质量考核。

工作量参考：

• 1 万条：小团队 2–4 周可以搞定。
• 10 万条：纯人工不现实，必须靠预标注 + 抽检，先保核心 1 万条高质量。

7. 最终交付格式

建议导出一行一条：

audio_id, audio_path, duration, transcript, emotion, intent, annotator, confidence, split

如果下游是 ASR，重点保证：

• audio_path
• transcript
• split

split 建议按说话人或场景切分，不要完全随机切，容易数据泄漏。

最后一句：
你现在已经有 Label Studio、有团队、有数据，缺的不是工具，是一套固定规则。先把规则和试标跑通，再铺量。