Python 已知文本时音频文件中的单词索引

我有一个音频文件和一个文本文件，对应于音频中所说的内容。是Python（使用任何库）查找音频中每个单词的开始时间戳（以及最终结束）的一种方法

例如，如果我有一个音频文件和一个包含“Hello，我的名字是”（对应于音频中所说的内容）的文本文件，我希望获得如下内容：

"Hello" : 1'24.038 -> 1'24.321    
"my" : 1'24.518 -> 1'24.627    
"name" : 1'24.629 -> 1'24.851    
"is" : 1'24.861 -> 1'24.921   

我意识到语音识别是一个非常困难的问题，但我的问题似乎简单得多，因为它只包括匹配文本和音频。然而，我仍然没有找到任何方法来做到这一点，如果没有简单的方法，有人知道我如何开始吗？谢谢

这称为强制音频对齐。只要音频持续时间相对较短，这个问题就很容易解决，并且大多数语音识别框架都可以解决这个问题。但是，当音频很长时，问题就出现了。Python没有现成的解决方案，因此您必须从代码中调用二进制文件。

做得很好。根据我的经验，这是相当稳健的。唯一的缺点是，它似乎更好地找到单词的开头和结尾。因此，基本上你会：

"Hello" : 1'24.038 -> 1'24.518 
"my" : 1'24.518 ->  1'24.629   
"name" : 1'24.629 -> 1'24.861    
"is" : 1'24.861 -> 1'24.921  

---

试试看

这里可能重复aeneas的主要开发人员：感谢您提及aeneas！亲爱的OP：请注意，aeneas的设计并不是为了在word级别工作，但是它可以在word级别使用（事实上，有几个用户这样做）。如果你想看看aeneas邮件列表，你可以找到一些提示和窍门。如果您尝试一下，并且需要帮助，请随时在aeneas邮件列表上发布。实际上，除了在另一个答案中提到的aeneas之外，还有一些使用Python编写的强制对齐器（主要依赖HTK或Kaldi）。我在这里整理了一份清单：