Форсированное выравнивание

Qwen3-ForcedAligner обеспечивает выравнивание временных меток на уровне слов для аудио. Выполняется неавторегрессивный прямой проход, чтобы выровнять каждое слово в транскрипте с его точной позицией в аудиоволне.

Как это работает

Выравнивание использует CTC (Connectionist Temporal Classification) с шагом коррекции монотонности LIS (Longest Increasing Subsequence). Это гарантирует, что временные метки всегда идут по порядку, даже если сырой вывод CTC содержит незначительные несоответствия.

Использование CLI

Выровнять аудиофайл. Если транскрипт не предоставлен, аудио автоматически сначала транскрибируется через Qwen3-ASR:

.build/release/audio align recording.wav

Передайте известный транскрипт, чтобы пропустить автоматическую транскрипцию:

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

Опции

# Указать текст транскрипта напрямую
.build/release/audio align recording.wav --text "known transcript"

# Выбрать ASR-модель для шага авто-транскрипции
.build/release/audio align recording.wav --model 1.7b

# Указать вариант модели выравнивания
.build/release/audio align recording.wav --aligner-model default

# Установить язык
.build/release/audio align recording.wav --language en

Варианты модели

Доступны несколько вариантов модели с компромиссом между размером и точностью:

Выберите вариант через --aligner-model:

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

Формат вывода

Выравниватель выводит по одной строке на слово с временными метками начала и конца в секундах:

[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

Каждая пара временных меток указывает время начала и конца слова в аудио с разрешением 80 мс.