如何在 Python 中将文本与音频匹配？

问题描述

我有一个音频文件和一个与此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匹配，以便我得到诸如时间戳之类的东西，显示文本文件中的单词出现在音频中的位置。

解决方法

是的，这是可能的。我假设您了解有关音频技术的基本术语。

检查图书馆https://www.geeksforgeeks.org/python-speech-recognition-on-large-audio-files/

库可以逐块读取任何音频文件。可以通过文件进行音频到文本的转换，进一步可以逐块收集文本的结果。

此外，如果音频文件的 SampleRate 为 44100，则 8192 个块将代表大约 185 毫秒的时间单位。

,

所以我找到了我想要的东西。

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最佳强制对齐工具列表链接：https://github.com/pettarin/forced-alignment-tools

就我个人而言，我使用过 Aeneas，因为它对我来说非常有效。