ctc-forced-aligner

用CTC模型把音频和文本对齐，秒出音素时间戳

ctc-forced-aligner 是一个基于 CTC 强制对齐的语音与文本对齐工具，主要解决语音识别和语音合成中音素级时间戳标注的问题。它利用预训练的 CTC 声学模型（如 Wav2Vec2）对音频和对应文本进行强制对齐，输出每个音素或词的精确起止时间。核心能力包括：支持多语言、可处理长音频、提供命令行和 Python API、兼容 Hugging Face 模型库。相比传统 HMM 对齐工具，它无需音素字典和复杂训练，直接使用神经网络后验概率，对齐精度更高且更易用。适合语音识别数据标注、TTS 训练数据准备、发音评估等场景。项目代码简洁，依赖 PyTorch 和 torchaudio，社区活跃度中等，已有 566 星标，属于早期但实用的工具。