【发布时间】：2021-04-20 03:50:17
【问题描述】：
我有一个音频文件和一个与该音频文件中的语音相对应的文本。
有什么方法可以将文本与音频相匹配，以便我得到类似时间戳的信息，显示文本文件中的单词出现在音频中的位置。
【问题讨论】：
标签： python audio speech-recognition speech-to-text
【发布时间】：2021-04-20 03:50:17
【问题描述】：
所以我找到了我正在寻找的东西。
显然，将给定文本与音频匹配并返回确切时间戳的技术称为强制对齐。
这是一个非常有用的链接，指向最佳强制对齐工具列表：https://github.com/pettarin/forced-alignment-tools
就我个人而言，我使用了Aeneas，因为它对我来说非常有效。
【讨论】：
是的，这是可能的。我假设您了解音频技术的基本术语。
检查库https://www.geeksforgeeks.org/python-speech-recognition-on-large-audio-files/
该库可以逐块读取任何音频文件。可以将文件传递给音频到文本的转换，进一步可以逐块收集文本的结果。
另外，如果音频文件的 SampleRate 是44100，那么 8192 个块将代表大约 185 毫秒的时间单位。
【讨论】：