希望加入Automatic Forced Alignment（音文对齐）和Spleeter（音轨分离）

[holduan]

背景：
目前ASR效果还可以（提前Spleeter不知到能不能提高识别率）。
但是断句太烂，音频识别出文本后，可以考虑手动/只能断句，最后进行AFA（Automatic Forced Alignment）。

看了音文强制对齐，识别率不低啊，感觉可以语音转文字，支持的语言也多
即使是影视素材，英文识别率也挺高的，就有个思路，不知道大佬有没有兴趣：
1、语音转文本：Montreal Forced Aligner （可以用其他转写）
2、英文智能标点：http://bark.phon.ioc.ee/punctuator （中文没了解）
3、手动/半自动断句（.!?等），部分修正（"i'""i "等）
4、带时间戳音文对齐：Montreal Forced Aligner、aeneas、YouTube（添加字幕有自动对齐）

音文对齐工具
1、Montreal Forced Aligner（支持挺多语言的）：
https://zhuanlan.zhihu.com/p/86657478

效果：
https://www.youtube.com/watch?v=LgrX5gNgxx0&ab_channel=MahdiChtourou
https://www.youtube.com/watch?v=VONAIXelJYg&ab_channel=AdvancedSkeleton
https://www.youtube.com/watch?v=OLXrlcnndBs&ab_channel=YutingHsueh

2、aeneas（多语言支持，有free Webapp）：
https://www.readbeyond.it/aeneas/
使用感受：声音干净的素材对得很齐（如Audiobook，讲解等），影视在干净的地方还很准，嘈杂处对得很糟糕。
配合Spleeter/iZotope RX.8，人声分离后，准度会提高很多。
经过测试，Spleeter有600s持续运行时间限制，增加时长容易引起内存溢出，16G内存能跑800s左右。
SpleeterGui，傻瓜式安装，支持批量拖入，最高能跑700s左右。
长音频还是用iZotope RX.8吧。