aeneas 强制对齐引擎

要解决的问题

当你手里已经有一段录音和对应的文本，但缺少时间戳时，传统字幕制作依赖人工听写打轴。这个流程不仅耗时，而且难以批量处理。对于 EPUB 3 媒体叠加（media overlays）等格式，出版方同样需要音频与文本片段严格同步，手动操作往往无法满足长时间内容或多章节的需求。

技能如何工作

该技能的核心是基于 aeneas 库实现的强制对齐（forced alignment）。它不需要额外标注，而是将音频波形与文本单元进行声学模型匹配，估算出每个词或短语的时间边界。

• 环境依赖：运行环境需要 Python、FFmpeg 和 eSpeak，同时通过 pip install aeneas 安装核心库。
• 对齐流程：导入音频文件与纯文本或结构化文本（如 XML），调用 aeneas 的 Task 对象执行动态时间规整（DTW）算法，输出 .srt 字幕、SMIL 时间映射或 JSON 格式的时间轴数据。
• 下游产物：生成的同步映射可直接转换为字幕文件、EPUB 3 媒体叠加文档，或其他需要时间戳的字幕资产，省去手动对齐环节。

适用边界与注意点

• 该方案假设音频与文本内容严格对应，若音频中存在大量背景噪音、多人对话或非对应文本，对齐精度会明显下降。
• aeneas 依赖 eSpeak 进行文本前端处理，因此对非拉丁字母或未支持的语种需要额外配置语音合成引擎。
• 它不能替代语音识别（ASR）。如果你的文本是从音频中转录而来，仍需先通过 ASR 获取文本，再进行对齐。