TXTSubAlign

一个基于 stable-ts 的网页版音频文本字幕对齐工具，可以将现有的 TXT 文本与音频文件对齐并生成 SRT/ASS 字幕文件。

功能特点

• 支持多种音频格式（MP3、WAV、M4A）
• 支持多种语言（中文、英文、日文、韩文等）
• 可选择不同的模型大小（Tiny、Base、Small、Medium、Large）
• 支持多种字幕格式输出（SRT、ASS、JSON、TSV）
• 实时显示处理进度

安装依赖

首先确保已安装 Python 3.8 或更高版本，然后安装依赖：

pip install -r requirements.txt

启动服务器

python app.py

服务器启动后，在浏览器中打开：

http://localhost:5000

使用方法

1. 点击"添加文件"按钮，选择你的音频和文本
2. 或者可以直接拖拽上传
3. 选择语言（默认为中文）
4. 选择模型大小（推荐使用 Base，速度和准确度平衡）
5. 选择输出格式（默认为 SRT）
6. 点击"开始对齐"按钮
7. 等待处理完成（进度条会显示实时进度）
8. 点击"下载字幕文件"按钮获取生成的字幕

模型说明

• Tiny: 最快，准确度较低，适合快速测试
• Base: 推荐使用，速度和准确度平衡
• Small: 较慢，准确度较高
• Medium: 慢，准确度高
• Large: 最慢，准确度最高，需要更多内存

支持的语言

• 中文 (zh)
• 英文 (en)
• 日文 (ja)
• 韩文 (ko)
• 西班牙文 (es)
• 法文 (fr)

更多语言请参考 Whisper 支持的语言列表

输出格式

• SRT: 最常用的字幕格式，兼容性好
• ASS: 高级字幕格式，支持更多样式
• JSON: 包含完整的时间戳和元数据
• TSV: 表格格式，便于数据分析

字幕格式选项

• 句子级（推荐）: 只显示句子时间戳，输出简洁的通用字幕格式，适合大多数播放器
• 单词级高亮: 为每个单词添加时间戳和高亮样式，适合学习和精确对齐场景
  • 高亮颜色: 可自定义单词高亮的颜色（默认为绿色）
  • 文本样式: 支持粗体、斜体、下划线样式的组合
  • 设置持久化: 您的选择会自动保存，刷新页面后保持

目录结构

TXTSubAlign/
├── app.py              # Flask 后端服务器
├── index.html          # 前端页面
├── requirements.txt    # 依赖列表
├── README.md          # 说明文档
├── start.bat          # Windows 快速启动脚本
├── uploads/           # 临时上传文件目录（自动创建）
└── outputs/           # 输出字幕文件目录（自动创建）
    └── YYYY-MM-DD_HH-MM-SS/  # 每次批量处理的独立目录（按时间戳命名）
        ├── file1.srt
        ├── file2.srt
        └── ...

注意事项

• 首次运行时会下载模型文件，可能需要一些时间
• 模型文件会缓存在本地，后续运行会更快
• 处理大文件或使用大模型时需要更多时间
• 确保文本内容与音频内容匹配，否则对齐效果会不佳
• 每次批量处理会自动创建一个独立的时间戳目录，避免文件名冲突
• 历史批次的输出文件会保留在各自的时间戳目录中

故障排除

模型下载失败

如果模型下载失败，可以手动下载模型文件并放置在正确的目录，或配置代理。

内存不足

如果遇到内存不足的问题，可以尝试：

• 使用更小的模型（如 Tiny 或 Base）
• 处理较短的音频片段
• 增加系统内存

处理速度慢

如果处理速度较慢：

• 使用更小的模型
• 检查是否有 GPU 支持
• 确保 PyTorch 正确安装了 CUDA 支持（如有 NVIDIA GPU）

技术栈

• 后端: Flask + stable-ts
• 前端: 纯 HTML/CSS/JavaScript
• AI 模型: OpenAI Whisper

许可证

本项目仅供学习和个人使用。