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）：

推荐配置（高性能加速）

适用于 全量版 且拥有 NVIDIA 显卡 的用户：

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）

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

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）

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：

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

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

• 3、将解压后的模型文件夹整体移到以下位置

X:\ATAlign\_internal\models_bundle\

• 4、重新启动登录ATAlign即可自动加载模型列表

6.3 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

* 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

• 联系我们