AuxiliaryASR 是语音识别领域的开源项目，由 yl4579 开发，2022 年首次发布。
它收录于语音识别分类，该分类目前共有 212 个项目，GitHub 星标数为 130。
项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-01。MIT许可证，完全免费，可自行部署使用。
它主要面向的使用场景是：语音合成前端文本-梅尔对齐。同类可对比的替代方案包括 Montreal Forced Aligner、ESPnet、Whisper。
AuxiliaryASR
给语音合成和转换提供精准的文本-音频对齐工具
AuxiliaryASR 是一个面向语音转换和语音合成场景的辅助语音识别工具，核心解决文本与语音帧的自动对齐问题。它采用联合 CTC 和基于序列到序列（S2S）的音素级 ASR 架构，在训练时通过 CTC 损失和 S2S 损失共同优化，从而获得更稳定的音素边界和文本-梅尔频谱对齐。项目提供完整的训练和推理流程，支持自定义数据集，适合用于构建高精度的语音编辑、语音克隆和 TTS 前端文本对齐模块。其核心能力包括：音素级识别、文本-音频对齐、以及为下游语音生成任务提供辅助监督信号。相比通用 ASR，它更专注于生成任务中对齐的准确性，而非单纯追求识别率。
开源
free
音频音乐
GitHub 星标
★ 130
维护状态
低维护
是否开源
是
定价模式
free
项目数据
分类音频音乐
开发团队yl4579
所属国家
定价模式free
价格说明开源项目，MIT许可证，完全免费，可自行部署使用。
访问状态
是否开源是
开源协议MIT
主要语言Python
技术栈/模型asr,text-to-speech,voice-conversion
GitHub 星标★ 130
30天Star增速
HF 下载量
上线时间2022-06-08 00:00:00
最近更新2026-09-01 00:00:00
维护状态低维护
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数2
使用教程
核心亮点
- 联合CTC与S2S损失，对齐稳定性优于纯注意力机制
- 专为VC和TTS设计，直接输出音素级对齐结果
- 代码结构清晰，便于二次开发和集成到生成流程
不足之处
- 项目处于早期阶段，文档和示例较少
- 依赖特定数据集格式，通用性待验证
- 文档/社区待观察
适用场景
- 语音合成前端文本-梅尔对齐
- 语音转换中的音素边界提取
- 语音编辑和配音中的音素级标注
替代项目
Montreal Forced Aligner、ESPnet、Whisper
项目介绍
上一篇：speech-android
下一篇：SpeakoFlow
同类项目推荐
obs-localvocal
开源
直播录屏时，本地AI实时生成字幕，保护隐私零延迟
OBS plugin for local speech recognition and captioning using AI
LiveCaptions-Translator
开源
实时捕获系统音频，一键翻译成你懂的语言
Lightweight and powerful real-time audio/speech translation tool based on Windows Li···
speechbrain
开源
一站式 PyTorch 语音工具箱，快速搞定识别、说话人验证等任务
A PyTorch-based Speech Toolkit
whisper-diarization
开源
给语音转写加上说话人标签，会议记录一目了然
Automatic Speech Recognition with Speaker Diarization based on OpenAI Whisper