easyaligner: 支持GPU加速和灵活文本归一化的强制对齐工具（兼容HF Hub上的所有w2v2模型）[P]

https://preview.redd.it/f4d5krhkjyvg1.png?width=1020&format=png&auto=webp&s=11310f377b22abbe3dd110cc7d362ba8aae35f8d 我开发了[`easyaligner`](https://kb-labb.github.io/easyaligner/)，一个设计用于高性能且易于使用的强制对齐库。在为语音转文字模型预处理数十万小时的音频和文本的工作中，我发现现有的开源强制对齐库往往缺少一些实用功能。对我们的目的而言，工具特别需要能够： * 处理转录内容不覆盖音频全部内容的情况（通过自动检测相关音频区域）。 * 处理音频段开头/结尾存在的无关语音。 * 最好能处理长音频和文本段落，无需分块。 * 对原始文本进行归一化以提高对齐质量，同时保持归一化文本与原始文本的映射关系，以便对齐后恢复原始文本的格式。 `easyaligner`将这些工作流改进整合到一个强制对齐库中。文档包含了不同[对齐场景](https://kb-labb.github.io/easyaligner/get-started/overview.html#tutorials)和[自定义文本处理](https://kb-labb.github.io/easyaligner/get-started/text_processing.html)的教程。对齐输出可以在任何粒度级别（句子、段落等）进行分割，同时保留原始文本的格式。 强制对齐后端使用[PyTorch的强制对齐API](https://docs.pytorch.org/audio/main/tutorials/ctc_forced_alignment_api_tutorial.html)，并采用基于GPU的Viterbi算法实现。它既快速又节省内存，可以在一次处理中处理数小时的音频/文本，无需对音频进行分块。我已经调整了API，支持从Hugging Face Hub上所有的wav2vec2模型提取发射值。只要HF Hub上有能转录该语言的w2v2模型，你就可以对任何语言的音频和文本进行强制对齐。 `easyaligner`支持从原始转录和ASR模型输出进行对齐。查看其配套库[`easytranscriber`](https://kb-labb.github.io/easytranscriber/)了解如何将`easyaligner`作为后端来对齐ASR输出的示例。它的工作方式与`WhisperX`相同，但转录速度[快35%到102%](https://kb-labb.github.io/easytranscriber/benchmarks.html)，具体取决于硬件配置。 文档：[https://kb-labb.github.io/easyaligner/](https://kb-labb.github.io/easyaligner/) Github源码（MIT许可证）：[https://github.com/kb-labb/easyaligner](https://github.com/kb-labb/easyaligner)