强制对齐

Qwen3-ForcedAligner 为音频提供词级时间戳对齐。它通过非自回归的单次前向传播，将转写文本中的每个词对齐到其在音频波形中的精确位置。

工作原理

对齐器采用 CTC（Connectionist Temporal Classification）对齐，并引入 LIS（Longest Increasing Subsequence）单调性修正步骤。即使原始 CTC 输出中存在轻微的不一致，这也能确保时间戳始终保持有序。

CLI 使用

对齐一个音频文件。如果没有提供转写文本，会先用 Qwen3-ASR 自动转写音频：

.build/release/speech align recording.wav

提供已知的转写文本，跳过自动转写：

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

选项

# 直接指定转写文本
.build/release/speech align recording.wav --text "known transcript"

# 为自动转写步骤选择 ASR 模型
.build/release/speech align recording.wav --model 1.7b

# 指定对齐器模型变体
.build/release/speech align recording.wav --aligner-model default

# 设置语言
.build/release/speech align recording.wav --language en

语言支持

传入与音频语言匹配的 --language。模型官方训练了 11 种语言（en、zh、ja、ko、es、fr、de、ru、it、pt、ar）；预处理器还会通过 Apple 的 NLTokenizer 原生切分日文形态素、韩文词、中文逐字，以及泰文 / 老挝文 / 高棉文 / 缅甸文 / 藏文。组合符号（天城文元音附标、泰文元音等）会被保留，因此 नमस्ते、สวัสดี 这类词不会被破坏。

模型变体

可选择多种模型变体，在大小和精度之间权衡：

使用 --aligner-model 选择变体：

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

输出格式

对齐器为每个词输出一行，包含以秒为单位的起止时间戳：

[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

每对时间戳表示该词在音频中的起止时间，分辨率为 80 ms。

长音频处理

分类头理论上最多可处理 400 秒（5000 个类别 × 80 ms），但当前发布的 Qwen3-ForcedAligner-0.6B 模型实际可靠训练范围约为 270 秒。超出该范围后，模型会输出带噪声的时间戳索引，LIS 后处理会将所有尾部词折叠到同一个时间戳上。

CLI 会自动处理这种情况：长音频会在饱和点处分块并重新对齐。当分块启动时，您会看到如下消息：

Audio 306.2s saturated after word 690 (272.6s); chunking remaining 33.6s (pass 2)

排查时间戳错位时，可设置 ALIGN_DEBUG=1 来输出原始与修正后的时间戳索引。

已知限制：前导非语音

当音频以非语音内容（音乐前奏、长时间静音）开头时，模型通常会将第一个词的时间戳标记在接近 0 秒的位置，因为分类器没有"语音尚未开始"的概念。变通方法：在对齐前修剪前导非语音内容，或使用 Silero 做 VAD 预处理以找到实际语音起点。