MahmoudAshraf97/ctc-forced-aligner

解決的問題

本專案提供一種對音訊檔案及其對應文字轉錄進行強制對齊的方法。此過程可識別音訊錄音中特定文字段落（例如單字、字元或句子）的精確起始與結束時間戳，對於建立高品質語音語料庫至關重要。

工作原理

此工具利用 Hugging Face 提供的預訓練連接時序分類（CTC）模型，特別是 Wav2Vec2、HuBERT 和 MMS 模型。它處理音訊波形與文字轉錄，使用這些模型將發音與書面文字進行對應，並以包含精確時間戳的結構化 JSON 格式輸出結果。

適用對象

適用於從事語音轉文字資料的研究人員與開發者、語言學家，以及任何需要將音訊與文字同步用於字幕製作、語音語料庫建構或音訊分析的人。

主要特色

• 記憶體效率高：相比 TorchAudio 強制對齊 API，記憶體使用量至少減少 5 倍。
• 廣泛的語言支援：支援超過 1,100 種語言，包括英語、阿拉伯語、俄語和德語。
• 靈活的細粒度：支援句子、單字或字元級別的對齊。
• GPU 加速：支援 CUDA 以實現更快的推論速度。
• 結構化輸出：產生包含每個段落對齊文字與精確時間戳的 JSON 檔案。