我有一个用于创建播客的文本脚本。因此，播客音频中的单词与我的文字完全相同。现在我想要的是以下内容:
Word in text | Pronounciation started at
Hello 0:0:0.000
my 0:0:1.125
friends 0:0:2.750
这有可能吗？
提前致谢!
最佳答案
可以用来解决问题复杂性的关键词之一是“强制对齐”。该网站还涵盖有关此主题的问题，例如here通过相关线程引导您提出有关HTK(隐马尔可夫模型工具包)的问题和答案。
您可以找到有关如何在自动音频分段here中使用强制对齐的更多动手风格描述。
因此答案是:是的，这是可能的，但是它在算法上非常复杂，即使在最佳实现中也不是没有错误的。
PS .:我发现您是一个非常简单的tool
关于audio - 定义脚本中每个单词的发音开始时间，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/24454321/