An-Labeler：AudioLabellerV3 AI 辅助标注工具详解（自研Qt + FFT/模型自动标注）
An-Labeler V3：AudioLabeller AI 辅助标注工具详解（自研Qt + FFT/模型自动标注）
Author:Code-keys (qq_37445230)
Version:V3 (2026-03)
系列文章：
- An-Labeler：AudioLabeller 高效音视频标注工具
- [AAn-Labeler：AudioLabellerV3 AI 辅助标注工具详解]
一、V3 版本更新概览
在 V1（基础标注）和 V2（手工标注优化）的基础上，V3 引入了AI 辅助自动标注能力，核心升级如下：
| 特性 | V1/V2 | V3 |
|---|---|---|
| 音频播放 | pyaudio+ Thread | sounddevice(PyPlayer.AudioPlayer) |
| 标注模式 | 纯手动 | FFT 自动检测 + 模型推理（可切换） |
| 频谱图参数 | FFT=1024, hop=512, mels=128 | FFT=512, hop=256, mels=256（更高分辨率） |
| 线程池 | max 2 | max 10 |
| 类别快捷键 | Ctrl+1~9 | 1~9（直接按键） |
| 新增菜单 | — | 自动化标注（FFT / 模型切换） |
| 模块化 | 单文件 | 引入AudioAlgos、PyPlayer外部模块 |
| DEBUG 开关 | 无 | 全局DEBUG标志，条件日志 |
二、架构概览
V3 采用模块化拆分，将播放器和算法逻辑从主脚本中解耦：
PyAudioLabelerV3FFT.py ← 主程序（UI + 标注逻辑） ├── PyPlayer.py ← 独立音频播放模块（sounddevice） ├── AudioAlgos ← 自动检测算法库（FFT/余弦相似度/零填充/跳变检测） └── classes.txt ← 类别配置文件文件依赖关系
PyAudioLabelerV3FFT.py │ ├── AudioAlgos.* # 自动标注算法（detect_repeated_by_cos_similarity 等） │ ├── PyPlayer.AudioPlayer # 音频播放（替代 V1 的 AudioPlayCanStop） │ └── sounddevice # 底层音频 I/O │ └── librosa # 音频加载与重采样 │ ├── PyQt5 / pyqtgraph # GUI 框架 ├── soundfile / librosa # 音频读取与频谱计算 └── classes.txt # 标注类别定义三、核心类与模块详解
3.1PyPlayer.AudioPlayer— 独立播放器模块
V3 用全新的AudioPlayer替换了 V1 的AudioPlayCanStop，底层从pyaudio切换到sounddevice。
PyPlayer.py核心实现：
classAudioPlayer:"""基于 sounddevice 的音频播放器，支持加载 WAV、截取片段播放，子线程播放"""def__init__(self,files=None,datas=None,sr=16000,blocksize=160):self.sr=sr self.blocksize=sr//50# 每块 20msself.datas=self.load_raw(datas,sr)ifdatasisnotNoneelseself.load(files,sr)self._stop_event=threading.Event()defload(self,path,sr=None):datas,_=librosa.load(path,mono=True,sr=sr)self.datas=datas.astype(np.float32)returnself.datasdefplay(self,start_sec=0.0,end_sec=None,async_=True):"""播放音频片段，支持非阻塞子线程播放"""start=int(start_sec*self.sr)end=int(end_sec*self.sr)ifend_secisnotNoneelselen(self.datas)clip=self.datas[start:end]ifasync_:self._thread=threading.Thread(target=self._play_clip,args=(clip,),daemon=False)self._thread.start()def_play_clip(self,clip):self._stream=sd.OutputStream(samplerate=self.sr,channels=1,blocksize=self.blocksize,dtype='float32',latency='low')self._stream.start()foriin