Forced Alignment

Qwen3-ForcedAligner bietet wortgenaue Zeitstempel-Zuordnung für Audio. Er führt einen nicht-autoregressiven Single-Forward-Pass aus, um jedes Wort in einem Transkript seiner exakten Position in der Audio-Wellenform zuzuordnen.

Funktionsweise

Der Aligner verwendet CTC-Alignment (Connectionist Temporal Classification) mit einem LIS-Monotonie-Korrekturschritt (Longest Increasing Subsequence). Dadurch sind die Zeitstempel immer in korrekter Reihenfolge, selbst wenn die Roh-CTC-Ausgabe kleinere Inkonsistenzen enthält.

CLI-Verwendung

Richte eine Audiodatei aus. Wird kein Transkript angegeben, wird das Audio zunächst automatisch mit Qwen3-ASR transkribiert:

.build/release/audio align recording.wav

Gib ein bekanntes Transkript an, um die automatische Transkription zu überspringen:

.build/release/audio align recording.wav --text "The quick brown fox jumps over the lazy dog"

Optionen

# Transkripttext direkt angeben
.build/release/audio align recording.wav --text "known transcript"

# ASR-Modell für den Auto-Transkriptionsschritt wählen
.build/release/audio align recording.wav --model 1.7b

# Aligner-Modellvariante angeben
.build/release/audio align recording.wav --aligner-model default

# Sprache setzen
.build/release/audio align recording.wav --language en

Modellvarianten

Mehrere Modellvarianten sind verfügbar, die Größe gegen Genauigkeit abwägen:

Wähle eine Variante mit --aligner-model:

.build/release/audio align recording.wav --aligner-model aufklarer/Qwen3-ForcedAligner-0.6B-8bit

Ausgabeformat

Der Aligner gibt eine Zeile pro Wort mit Start- und Endzeitstempel in Sekunden aus:

[0.24 - 0.48] The
[0.48 - 0.72] quick
[0.72 - 1.04] brown
[1.04 - 1.36] fox
[1.36 - 1.68] jumps
[1.68 - 1.92] over
[1.92 - 2.08] the
[2.08 - 2.40] lazy
[2.40 - 2.80] dog

Jedes Zeitstempelpaar gibt die Start- und Endzeit des Wortes im Audio an, mit einer Auflösung von 80 ms.