Vương quốc Anhtabahi/bournemouth-forced-aligner
Extract phoneme-level timestamps from speeh audio.
Thành tựu nổi bật
Những danh hiệu mới nhất của dự án
#1 Repository Của Tuần
#1 Repository Của Tuần
#2 Repository Của Tuần
🎯 Forced alignment cho phoneme — nhanh, nhẹ, 80+ ngôn ngữ
Cho audio + transcript, BFA trả về timestamp miligiây cho từng phoneme. Không cấu hình, không download corpus.
Bournemouth Forced Aligner (BFA) là công cụ forced alignment tự động gán nhãn chính xác từng phoneme trong bản ghi âm, kèm theo timestamp miligiây và độ tin cậy. Bạn chỉ cần cung cấp hai thứ: file audio (WAV, MP3, FLAC...) và transcript văn bản. Phần còn lại BFA xử lý.
Dự án sử dụng espeak-ng làm backend, tự động tải model từ HuggingFace (~50 MB) lần đầu tiên. Tốc độ đáng nể: khoảng 0.2 giây để align 10 giây audio trên CPU.
✨ Điểm nổi bật
- Phoneme-level timestamps: output chi tiết từng âm vị với start/end ms và confidence score
- 80+ ngôn ngữ: English, German, French, Spanish, Hindi, Arabic và nhiều ngôn ngữ khác — chỉ đổi
--preset - Xuất Praat TextGrid và JSON: tương thích với pipeline TTS và phân tích ngữ âm học
- Tốc độ nhanh: ~0.2s cho 10s audio trên CPU, hỗ trợ GPU
- v1.1.0 — silence anchoring: tự động tách đoạn dài tại điểm dừng (dấu phẩy, dấu chấm), cải thiện độ chính xác cho câu đầy đủ
- Original IPA labels preserved: output giữ cả ph66 label chuẩn và dạng IPA gốc từ espeak-ng
- Quality checks:
coverage_analysisđánh dấu segment đáng ngờ qua"bad_confidence"— dễ lọc bỏ - CLI + Python API: dùng trực tiếp qua terminal hoặc tích hợp trong script
💡 Vì sao đáng chú ý
Forced alignment truyền thống thường cần setup dictionary, corpus, hoặc model phức tạp. BFA đơn giản hóa xuống còn một hàm process_sentence(audio, transcript) — không config file, không tải corpus. Model tự động download và cache lại.
Điểm mạnh khác là xuất trực tiếp ra Praat TextGrid, định dạng chuẩn trong ngành ngữ âm học, nên kết quả có thể kiểm tra trực quan trong Praat hoặc đưa vào pipeline TTS chỉ bằng vài dòng Python. Phiên bản v1.1.0 thêm silence anchoring và quality check, giúp align câu dài ổn định hơn đáng kể.
Phù hợp cho: building TTS pipeline, phân tích ngữ âm, gán label đào tạo model speech, hoặc bất kỳ dự án nào cần timestamp chính xác từng âm vị.
#ForcedAlignment #Phoneme #SpeechProcessing #TTS #Python #TiniX
Dự án tương tự
Khám phá các dự án và mô hình AI khác có sự tương đồng.
🐸💬 - a deep learning toolkit for Text-to-Speech, battle-tested in research and production
VoxCPM2: Tokenizer-Free TTS for Multilingual Speech Generation, Creative Voice Design, and True-to-Life Cloning
🚀Clone a voice in 5 seconds to generate arbitrary speech in real-time
EmotiVoice 😊: a Multi-Voice and Prompt-Controlled TTS Engine
Local UI to run and train LLMs and diffusion models. Supports GGUF, MLX, Qwen3.8, DeepSeek-V4.1, MiniMax-H3, Gemma 4, FLUX and more.
Chatterbox TTS Made with ❤️ by Latest Release: Chatterbox Multilingual V3 Chatterbox Multilingual V3 is the latest general-purpose multilingual TTS model in the Chatterbox family. It keeps the same 0.5B model size while improving speaker similarity,...
VoxCPM2 VoxCPM2 is a tokenizer-free, diffusion autoregressive Text-to-Speech model — 2B parameters, 30 languages, 48kHz audio output, trained on over 2 million hours of multilingual speech data. !GitHub(https://img.shields.io/badge/GitHub-VoxCPM-blu...
audio.cpp GGUF Model Packages This directory contains audio.cpp-native GGUF conversions of multiple speech models. These files are intended for use with audio.cpp(https://github.com/0xShug0/audio.cpp). For conversion details, supported layouts, dire...
1 min voice data can also be used to train a good TTS model! (few shot voice cloning)