ctc-forced-aligner
用CTC模型把音频和文本对齐，秒出音素时间戳
项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整
数据来源：GitHub API 逐日快照 · 收录于 2026-10-01 · 当前星标 ★ 576
使用教程
环境要求
- Python 环境
- 音频与逐字稿
安装与启动步骤
-
1直接装
从仓库装最新版，比包管理器上的新。
pip install git+https://github.com/MahmoudAshraf97/ctc-forced-aligner.git -
2跑一次对齐
给音频与对应文本，拿回时间戳。
-
3换语种模型
不同语种换对应预训练模型。
-
4接进字幕流程
把结果转成字幕格式。
如何确认成功
给一段五分钟的音频与逐字稿，输出的词级时间戳与实际发音位置偏差小于半秒
注意事项
- 它做的是文本与音频的强制对齐，不是识别。
- 文本必须先有，识别错字会带偏对齐。
- 背景音乐与多人重叠会明显降低精度。
- 长音频要分段，整段喂进去内存吃紧。
核心亮点
- 基于预训练Wav2Vec2等CTC模型，无需音素字典和GMM训练，开箱即用
- 支持多语言和长音频，对齐精度高，输出音素/词级时间戳
- 提供命令行和Python API，易于集成到语音识别或TTS流水线
不足之处
- 依赖PyTorch和torchaudio，环境配置较重，对GPU有要求
- 文档和示例相对较少，社区生态不如Montreal Forced Aligner成熟
适用场景
- 语音识别数据标注：为音频生成音素级时间戳，用于训练ASR模型
- TTS数据准备：对齐文本和音频，提取音素时长用于声学模型训练
- 发音评估：对比标准发音和用户发音的音素时间戳，计算偏差
替代项目
Montreal Forced Aligner、WhisperX
上一篇：phorminx
下一篇：speech_to_text
同类项目推荐
deepgram-python-sdk
开源
Python 接入 Deepgram 语音 AI，几行代码实现语音转文字/文字转语音
Official Python SDK for Deepgram.
txtify
开源
自托管把音视频一键转成带时间戳文字
Web application that converts audio and video to text using AI, supporting various f···
whisperx-asr-service
开源
把 WhisperX 变成开箱即用的语音识别 API 服务
voicetypr
开源
按快捷键说话，文字直接落到光标处
Voicetypr - AI powered offline voice to text dictation tool for busy founders, vibe ···
amical
开源
动嘴不动手，本地 AI 听写让你打字快 3 倍
️ AI Dictation App - Open Source and Local-first ⚡ Type 3x faster, no keyboard nee···
willow
开源
本地运行、隐私安全的智能语音助手，替代 Echo 和 Google Home。
Open source, local, and self-hosted Amazon Echo/Google Home competitive Voice Assist···
Talkify
开源
按住说话，Mac 上离线秒变文字，免费又保隐私
Lightning-fast, free, local first voice dictation for macOS with on-device transcrip···
DeLive
开源
抓系统声音实时出字幕，转完自动生成摘要和思维导图
System audio capture + multi-provider ASR + local-first AI review workspace. Floatin···
whisperX-FastAPI
开源
上传音频，直接拿到带时间戳和说话人标签的转写接口
[Archived, unmaintained] FastAPI service on top of WhisperX