[需求]
输入：一篇文本，一段与该文本对应的音频
输出：文本中的每一个句子的开始与结束在音频中所对应的时间点
[已知信息]
1. 最笨的方法：人肉对照文本和音频，把每个时间点手动记下来。
2. 存在貌似具有一定精度的自动对齐工具（但只支持英文）： http://fave.ling.upenn.edu/usingFAAValign.html
[提问]
1. 是否有现成的工具可帮助提高上述“笨方法”的效率？譬如：背景播放该音频，在听到每个句子的开始和结束时按某个键“打点”；可回听之前打过的点并修改之；最后输出每个“点”所对应的时间。
2. 是否存在支持除英语外其他语种的自动对齐工具？粗略搜了下日语和德语的，暂未找到。
//bow
 |
1
Sephinroth OP |
 |
2
msg7086 Mar 27, 2015  1
如果没有背景音干扰的话，自动打轴的确是可以实现的。
有背景音干扰还请手打，反正很快的。 |
 |
3
luo362722353 Mar 27, 2015 via iPhone 1
请直接使用…纳象云字幕，这个公司的产品，提供精确到句，或者精确到字，各大电视剧，电影，电视台采用过的
|
|
4
luo362722353 Mar 27, 2015 via iPhone
1小时的片源，带字幕的，一般不超过3_5分钟吧，就能搞定的
|
 |
5
cnbeining Mar 27, 2015
@luo362722353 这个东西OSX上根本啥都出不来。。。
|
|
6
Sephinroth OP |
|
7
luo362722353 Mar 27, 2015 via iPhone 1
@Sephinroth 连方言都支持，我知道的，其他语种？你联系官方问问，可能会更直接了解
|
 |
8
dontmp Mar 31, 2015 1
这是要做什么呢？
我前几年写过一个学英语App （https://play.google.com/store/apps/details?id=com.leels.splisten&hl=en）， 如果有音频和对应英文文本，可以把音频分割成一句一句的，然后把对应这句话的文本也分出来，无外乎就是音频分段，语音识别然后合并什么的。这个要求比单纯的作字幕轴要求高， 字幕的时间和句子的时间可以不用绝对匹配，这个不行。日语德语什么语都能做，前提是有模型，语音识别要用。 |
|
9
Sephinroth OP @dontmp
对此感兴趣主要有两个出发点： 1. 想对齐一本德语小说的文本及相应有声读物（音频长近5小时），用作自己的学习材料。 2. 想对齐一部日本电视剧的剧本及相应剧集音频（音频长约8小时），用作学习iOS开发的素材。 语音识别方面没有接触过。打算先试试Youtube自带的字幕对齐功能效果如何： https://support.google.com/youtube/answer/2734796?hl=en （见Transcribe and set timings那一项） 要是找不到既有的自动化工具，考虑到音频量不大，可能暂时就自己用字幕打轴工具手动对齐，弄的时候注意下精度什么的。以后要是有比较大的需求或许会去学习下forced alignment等相关技术。 |
Select Language