ATAlign 主界面

ATAlign 是一款 Windows 本地运行 的 音文对齐（Audio-Text Alignment） 工具，将音频与对应文本进行音文对齐、时间轴匹配，自动生成 字幕文件（SRT/VTT/ASS），并支持导出 字级时间戳 JSON。

0.视频教程

https://www.bilibili.com/video/BV17Q6JBDEqG/

1. 软件简介

ATAlign（音文对齐工具） 基于深度学习与强制对齐技术(Forced Alignment)，将音频内容与文本内容精准对齐到时间轴，自动生成字幕与时间戳数据。

核心功能（关键词：音文对齐 / 时间戳 / 字幕生成）

  • 自动对齐：基于 CTC（Connectionist Temporal Classification）强制对齐

  • 多模型支持：standard-Multi（多语言标准）与 large-zh（中文高精度）

  • 多格式输出：SRT / VTT / ASS + JSON 字级时间戳

  • CPU/GPU 加速：支持 CPU 加速与 NVIDIA GPU 加速（需设备与驱动支持）

  • 批量处理：批量导入音频，队列依次处理（VIP/永久 VIP）

  • 拖放导入：音频文件可直接拖入任务列表

适用场景

  • TTS文本转语音后无字幕场景下的后期字幕制作（SRT/VTT/ASS）

2. 系统要求

本软件提供 全量版（支持 CPU+GPU） 与 CPU 专用版 两个版本，请根据您的硬件环境选择合适的版本。

版本说明

  • 全量版：体积较大，内置 GPU 加速组件。支持 NVIDIA 显卡加速，若无显卡也可自动降级使用 CPU 运行。

  • CPU 专用版：体积较小，精简了 GPU 相关组件，仅支持 CPU 运行。适用于没有独立显卡的办公电脑或轻量化环境。

运行环境要求

最低配置（基础运行）

适用于 CPU 专用版 或 全量版（CPU模式）：

项目 要求
操作系统 Windows 10/11 64 位
处理器 Intel Core i5 8代 / AMD Ryzen 3000 系列或同等性能（需支持 AVX2 指令集）
内存 - 基础模型 (standard-Multi)：8 GB RAM - 高精度中文模型 (large-zh)：建议 16 GB RAM
硬盘空间 至少 5 GB 可用空间（SSD 固态硬盘建议，大幅提升模型加载速度）
显卡 集成显卡或任意亮机卡

推荐配置（高性能加速）

适用于 全量版 且拥有 NVIDIA 显卡 的用户：

项目 要求
操作系统 Windows 10/11 64 位
处理器 Intel Core i7 / AMD Ryzen 7 或更高
内存 16 GB RAM 或更高
硬盘空间 10 GB 可用空间（SSD 强烈推荐）
显卡 NVIDIA GeForce GTX 1060 6GB 及以上
显存 建议 6GB 或更高（显存不足可能导致大模型加载失败）
驱动 必须安装最新的 NVIDIA 官方驱动（Studio 或 Game Ready 版本）

特别说明：

  1. AMD 或 Intel 显卡：目前暂不支持 GPU 加速，请直接使用 CPU 专用版。

  2. 老旧显卡：若您的显卡架构较老（如 Maxwell 架构以前），可能无法支持最新加速库，建议使用 CPU 模式。

3. 安装与启动

  1. 下载软件压缩包

  2. 解压到任意目录（建议路径不包含中文和空格）

  3. 双击运行 ATAlign.exe

首次启动与登录

首次启动会显示登录界面，请使用网站账号登录（没有账号可先注册一个）

ATAlign 登录界面

注意：同一账号不支持重复登录，后登录账号会将先登录账号挤下线！

4. 界面介绍

ATAlign 主界面

软件主界面一般分为：

  • 参数配置：模型选择、CPU 加速、GPU 加速

  • 输出选项：SRT / VTT / ASS / 字级时间戳 JSON（根据会员等级显示可选项）/字词间隔

  • 账号信息：用户名、会员等级、登出

  • 任务区：添加音频、开始对齐、停止、清空列表、使用教程

  • 任务列表：支持拖放导入与进度显示

5. 快速上手（3 分钟学会字幕生成）

步骤 1：准备文件（关键词：同名文本 / UTF-8 / 音频转字幕）

确保音频与文本满足：

  • 音频：.mp3 / .wav

  • 文本：.txt，UTF-8 编码，文本内容需与音频内容保持一致

  • 命名：音频与文本同名（仅扩展名不同）

示例：

C:\音频项目\
├── 第一章.mp3
├── 第一章.txt
├── 第二章.mp3
└── 第二章.txt

步骤 2：导入音频

  • 点击「添加音频文件」选择音频

  • 或直接将音频拖放到任务列表区域（拖放导入）

普通会员一次仅处理 1 个任务；VIP/永久 VIP 可批量加入队列处理（详见第 6.4 节）。

步骤 3：配置选项（关键词：Multi / large-zh / CPU加速 / GPU加速）

选项 说明 建议
模型选择 standard-Multi 为多语言标准模型；large-zh 为中文高精度模型 普通会员选择 standard-Multi；中文高精度建议用 large-zh（VIP/永久）
CPU 加速 CPU 推理加速（对 CPU 模式有效，轻微损失精度，提升速度） 建议开启
GPU 加速 NVIDIA GPU 推理加速（需硬件支持） 有 GPU 建议开启
输出格式 SRT/VTT/ASS/JSON 普通会员仅 SRT；VIP/永久可选更多

步骤 4：开始对齐

点击「开始对齐」→ 等待任务完成。

步骤 5：查看结果（字幕文件位置）

字幕默认保存到软件目录下 output 文件夹（以软件提示为准）：

软件目录\
└── output\
    ├── 第一章.srt
    ├── 第一章.vtt   (若勾选)
    ├── 第一章.ass   (若勾选)
    └── 第一章.json  (若勾选字级时间戳)

6. 详细功能说明

6.1 模型选择：

模型 特点
standard-Multi 多语言通用
large-zh 中文优化，精度更高

普通会员仅可使用 standard-Multi 模型。

6.2 模型下载与安装

  • 1、下载模型文件

下载模型文件

standard-Multi为标准多语言模型

large-zh是经过专门调校的中文模型（网站VIP才可以使用）

  • 2、解压缩

解压

  • 3、将解压后的模型文件夹整体移到以下位置
X:\ATAlign\_internal\models_bundle\

安装模型

  • 4、重新启动登录ATAlign即可自动加载模型列表

模型列表

6.3 加速选项

ATAlign 加速选项

CPU 加速

  • 用于提升 CPU 推理速度（通常会更快，具体与机器配置有关）

  • 在 CPU 模式下建议开启

GPU 加速

  • 需要 NVIDIA CUDA 兼容显卡与驱动

  • 相比纯 CPU 通常更快（实际提升幅度与显卡型号/显存/驱动有关）

  • GPU 加速“可用性以软件检测结果为准”，避免用户环境不同导致争议。

6.4 输出选项：字词间隔

  • 开启后会保留文本中的空格

  • 适合英文等语种（需要空格作为字词间隔）场景

  • 中文等字词间不以空格间隔的语种不需要开启

6.5 批量处理

VIP 与永久 VIP 支持批量导入与队列处理：

  1. 一次选择多个音频文件

  2. 按顺序依次处理

  3. 任务列表可查看进度

7. 输出格式说明（SRT / VTT / ASS / JSON 字级时间戳）

7.1 SRT（最通用字幕格式）

兼容性最好，播放器/剪辑软件基本都支持。

1
00:00:01,500 --> 00:00:04,200
这是第一行字幕内容

7.2 VTT（Web 字幕格式）

适合 HTML5 视频与在线平台。

WEBVTT
​
1
00:00:01.500 --> 00:00:04.200
这是第一行字幕内容

7.3 ASS（高级样式字幕）

支持字体、颜色、位置等样式，更适合专业字幕制作。

7.4 JSON（字级时间戳）

提供每个字符的时间戳数据，可用于逐字高亮、二次开发、精细校对。

[
  {"c": "这", "start": 1.50, "end": 1.65, "score": 0.95},
  {"c": "是", "start": 1.65, "end": 1.80, "score": 0.92}
]

JSON 字级时间戳仅限永久 VIP 使用。

8. 会员权限说明

功能 普通会员 VIP 永久VIP
SRT 输出 ✓ ✓ ✓
VTT 输出 ✗ ✓ ✓
ASS 输出 ✗ ✓ ✓
JSON 字级时间戳 ✗ ✗ ✓
large-zh 模型 ✗ ✓ ✓
批量处理（队列） ✗ ✓ ✓
单日使用次数 20 次 无限（合理使用） 无限（合理使用）
单次最大音频时长 10 分钟 90 分钟 无限
CPU 加速 ✓ ✓ ✓
GPU 加速 ✓* ✓* ✓*

* GPU 加速需设备与驱动支持，实际可用性以软件检测结果为准。

升级会员：https://www.z-tts.cn/user/vip/

9. 常见问题解答（FAQ）

Q1：提示“对应的 .txt 文件不存在”

原因：音频必须有同名 .txt 文本文件。 解决：

  1. 文本与音频在同一目录

  2. 文件名完全一致（扩展名不同）

  3. 文本必须是 .txt 格式

Q2：提示“对齐 token 数 != 可发音字符数”

原因：文本与音频不匹配，或文本中包含音频未读出的内容。 解决：

  1. 检查文本是否与朗读一致（错别字、缺失/多余内容）

  2. 删除注释、特殊标记等非朗读内容

  3. 确保 TXT 为 UTF-8

  4. 尝试缩短音频/文本后重试

Q3：GPU 加速选项无法使用或自动取消

原因：未检测到兼容 NVIDIA GPU 或 CUDA 环境。 解决：

  1. 确认是否有 NVIDIA 独显

  2. 更新显卡驱动

  3. 若你提供“CPU版/GPU版”不同安装包，提醒用户下载正确版本

  4. 源码运行时安装对应 CUDA 的 PyTorch（开发者）

Q4：处理速度慢怎么办？

建议：

  • 有 NVIDIA 显卡优先启用 GPU 加速

  • CPU 模式启用 CPU 加速

  • 分割长音频、关闭其他占用资源程序

Q5：字幕时间不准确/对不上

常见原因：

  1. 文本与音频不匹配

  2. 音频质量差（噪声大、多人说话）

  3. 数字/缩写读法不一致（建议“123”写成“一二三”）

Q6：提示“普通会员每日上限 20 次”

原因：普通（免费）会员每日最多 20 次。 解决：次日重置（以系统/服务器时间为准）或升级会员解除限制。

Q7：软件闪退或启动失败

排查：

  1. 路径不含中文/特殊字符

  2. 管理员运行

  3. 安装 VC++ 运行库（下载地址）

  4. 杀毒软件误报添加信任

Q8：登录失败或网络错误

排查：

  1. 网络正常

  2. 防火墙未拦截

  3. 关闭代理后重试

  4. 确认账号密码正确

Q9：字幕文件在哪里？怎么验证同步效果？

字幕文件在 output 文件夹；可用 PotPlayer/VLC 加载字幕验证效果。

Q10：支持哪些语言？

中文最佳；英文良好；日语/泰语基本支持。多语言场景建议使用 standard-Multi。

Q11：TXT 必须用什么编码？

必须 UTF-8。记事本另存为时编码选择“UTF-8”。

Q12：可以直接处理视频吗？

目前仅支持音频（MP3/WAV）。视频请先用 FFmpeg 提取音轨再处理。

10. 技术支持

声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。