xiaobailing-turn-detection/labels/EOT标注/EOT逐话轮标注格式.md

EOT 标注与离线对话转写格式

本版用于 VAD 判断静音过长之后的额外 EOT 判断。每个用户话轮对应一个判断位置，标签回答：在该位置，让机器人接话是否合适。

对话转写和 EOT 标注分别保存在两份 CSV 中。本版按录音时间组织离线转写，用于结合音频和对话文本进行标注与回测。

文件组织

文件	内容	一行代表什么
asr_history.csv	整通对话的 agent/user 转写。	一段有起止时间的实际语音及其转写内容。
eot_labels.csv	EOT 判断位置、该位置的当前用户文本及人工标签。	一个判断位置的 EOT 标注。

两份文件通过 call_id 关联，可以包含多通对话。EOT 样本用 call_id + decision_ms 唯一标识，不再填写话轮 ID。

对话转写 CSV

固定表头：

call_id,role,start_ms,end_ms,transcript

字段	填写规则
call_id	通话 ID，与录音和 EOT 标注对应。
role	agent 表示机器人，user 表示用户。
start_ms	该段语音在整通录音中的起点，单位为毫秒。
end_ms	该段语音在整通录音中的终点，单位为毫秒。
transcript	该段语音的转写内容，可由 ASR 生成并人工核对。

每段语音只保存一份转写，按录音顺序排列。同一角色可以连续出现多行。用户说话中途有停顿时，可以将停顿前后分成两段；分段仅用于对齐文本与时间，不表示用户话轮一定已经结束。

机器人记录实际说出的内容。被打断时只转写已播放的部分。转写应保留原意，不补充录音中没有说出的内容。

虚构示例见 示例/asr_history.csv：

call_id,role,start_ms,end_ms,transcript
demo,agent,1000,2400,您什么时候方便接电话？
demo,user,3000,4400,我明天下午
demo,user,5600,7100,不行，后天可以
demo,agent,7900,8500,后天上午可以吗？
demo,user,9000,9250,可以

EOT 标注 CSV

固定表头：

call_id,decision_ms,user_text_at_decision,can_reply_now,confidence,reason,annotator

字段	填写规则
call_id	通话 ID，与转写和录音对应。
decision_ms	把音频交给 EOT 判断的位置，单位为毫秒。
user_text_at_decision	截至 decision_ms，当前用户话轮已说出的文本。尚未说完时填写部分文本，已说完时填写完整文本，不包含后续内容。
can_reply_now	1 表示可以接话，0 表示接话会过早打断，空表示无法判断。
confidence	可选，填写 high、medium 或 low，表示标注员的把握。
reason	简短判断原因，取值见下表。
annotator	标注员 ID；仲裁后的最终标签填写仲裁员 ID。

user_text_at_decision 只保存本次判断的当前用户表达，全部对话历史仍从转写表获取。按截至判断位置的音频核对，或依据词级时间对齐填写；当前文本无法辨认时可留空。

时间统一使用整通录音的媒体时钟：以回放一致的音频起点为零，填写非负整数毫秒。裁剪片段中的时间也要换算回整通录音时间。

decision_ms 是 EOT 的判断位置。 例如，录音播放到第 5.2 秒时 VAD 请求 EOT 判断，就填 5200。它与用户最后一个字的结束位置、机器人开始播放的位置分别记录。

判断位置优先取 VAD 日志；没有日志时，可用固定版本和配置重放录音生成，并在配套配置中记录其来源。

按判断时间获取全部对话历史

对每一条 EOT 标注：

1. 从转写表筛选相同 call_id 的记录。
2. 保留 end_ms <= decision_ms 的所有记录。
3. 按 start_ms 排序；起点相同则保留 CSV 中的原有顺序，形成截至判断位置的全部对话文本。
4. 将历史、EOT 表中的 user_text_at_decision 和截至 decision_ms 的音频作为输入。user_text_at_decision 可作为单独的当前用户文本字段；组装成消息列表时，当前表达只保留一份，避免将历史里已有的同一内容重复追加。agent 可映射为模型消息中的 assistant，user 保持为 user。

如果某一行满足 start_ms <= decision_ms < end_ms，它横跨判断位置，不把该行整段文本加入历史；用户在该位置之前已说出的部分直接填写到 EOT 表的 user_text_at_decision 列。仅凭一段完整转写无法按时间准确截出前半句，应听音频或使用词级时间对齐核对。

转写文件保留整通对话全部内容，取上下文时保留判断位置之前的全部记录。上述规则按语音结束时间筛选离线转写，不记录 ASR 返回延迟。

标签和原因

标签依据音频、语气和对话上下文判断。短回答如“可以”“明天下午”也可能已经完成回答；句子完整或存在句号，不自动代表可以接话。ASR 错识别或漏识别不直接决定 EOT 标签。

reason	含义	can_reply_now
completed_turn	当前轮次表达完成，可以接话。	1
completed_answer	已完成对机器人当前问题的回答。	1
mid_turn_pause	只是同一话轮内的停顿。	0
hesitation	正在犹豫或组织语言，尚未结束。	0
unfinished_expression	表达尚未完成，此刻接话会打断。	0
uncertain	判断有争议或上下文不足。	空
audio_issue	音频质量或录音缺失影响判断。	空
interrupted_unclear	机器人插话后用户停止，无法判断其原本是否准备结束。	空

虚构标注示例见 示例/eot_labels.csv：

call_id,decision_ms,user_text_at_decision,can_reply_now,confidence,reason,annotator
demo,5200,我明天下午,0,high,mid_turn_pause,A
demo,9400,可以,1,high,completed_answer,A

第 5.2 秒的 user_text_at_decision 为“我明天下午”，文本上下文包含机器人问题和这段用户表达。示例设定为用户正在同一话轮内停顿，之后继续说“不行，后天可以”，所以标 0；后续这段文本不进入第 5.2 秒的输入。

第 9.4 秒的 user_text_at_decision 为“可以”，文本上下文包含上面五条转写记录。示例设定为用户已用“可以”完成回答且语气收束，所以标 1。

标注步骤和数据核对

1. 核对通话，在时间轴上定位 decision_ms。
2. 查看按上述规则取出的全部对话历史，播放截至判断位置的音频，填写 user_text_at_decision、标签、原因和标注员 ID；置信度可选。
3. 必要时听后续录音辅助仲裁；后续内容不加入该位置的输入。无法判断时留空标签，不强行填 0 或 1。

多人独立标注时，每个人各保存一份标签文件，使用同一份转写；仲裁后的最终文件每个 call_id + decision_ms 只有一行。

CSV 使用 UTF-8 编码和标准 CSV 读写规则。转写内容含英文逗号、双引号或换行时，用双引号包裹，内部双引号写成两个双引号。

核对 0 <= start_ms < end_ms、decision_ms >= 0，并检查角色和标签取值。0 是有效负例，空标签不进入二分类训练和评分。

原始表格中的“是”（发生过早打断）和“否”（未发生过早打断）可用于挑选候选样本，仍需针对本次判断位置重新核对。音频路径、声道映射和转写配置保存在配套数据中。