问如何匹配Python中的文本和音频？

EN

所以我找到了我要找的东西。

显然，将给定的文本与音频匹配并返回确切的时间戳的技术称为强制对齐。

下面是一个非常有用的链接，指向最好的强制对齐工具列表：https://github.com/pettarin/forced-alignment-tools

就我个人而言，我使用了埃涅阿斯，因为它对我非常有用。

是的，这是可能的。我假设你知道关于音频技术的基本术语。

检查库https://www.geeksforgeeks.org/python-speech-recognition-on-large-audio-files/

库可以逐块读取任何音频文件。可以将音频文件传递给文本转换，并进一步逐块采集文本结果。

另外，如果音频文件的SampleRate是44100，那么8192块将代表大约185毫秒的时间单位。