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。
最新版本
-
v1.4.0.0
-
更新内容：
-
新增模型
qwen-Multi-Pro：中文对齐精度更高、抗背景噪声能力更强，全部会员可用 -
全部模型对所有会员开放，按素材类型自由选择
-
模型目录调整为软件根目录下的
models文件夹（更新模型只需替换该目录） -
CPU 版内置 ONNX 加速：检测到加速包自动启用，无需手动设置
-
会员额度调整：普通会员每日 10 次 / 单条 >=15 分钟；VIP 每日 50 次 / 单条 >=90 分钟；永久VIP 不限
-
新增运行日志：自动记录到软件目录
log文件夹，问题排查更方便
-
-
更新方法：因模型目录位置有变更，本次建议下载 v1.4.0.0 完整包；或将主程序与
models文件夹一同替换；
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）、large-zh（中文高精度）与qwen-Multi-Pro（多语言高精度） -
多格式输出：SRT / VTT / ASS + JSON 字级时间戳
-
多级加速：CPU int8 量化加速 / ONNX 加速（CPU 版内置）/ NVIDIA GPU 加速（按显卡架构自动选择最优精度）
-
运行日志：自动记录运行信息到软件目录
log文件夹 -
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（音频干净，无背景噪声或轻微背景噪声）
注意：
-
不适用于背景嘈杂的音频，如歌曲音乐等
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 | 8 GB RAM 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：
AMD 或 Intel 显卡：目前暂不支持 GPU 加速，请直接使用 CPU 专用版。
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
-
下载软件压缩包
-
解压到任意目录（建议路径不包含中文和空格）
-
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、音频降噪
-
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 多语言标准；large-zh 中文高精度；qwen-Multi-Pro 新一代智能对齐 |
中文内容推荐 qwen-Multi-Pro 或 large-zh；英语素材用 standard-Multi；小语种用 qwen-Multi-Pro |
| 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 |
| 音频降噪 | ffmpeg 高通+FFT 降噪预处理（参数配置区域最右侧） | 背景噪声较大时开启；干净音频无需开启 |
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
全部模型已对所有会员开放，可按素材类型自由选择。
支持语言
| 模型 | 支持语言 |
|---|---|
| standard-Multi | 中文、英语、日语、泰语、老挝语、缅甸语、高棉语等多语言 |
| large-zh | 中文（简体）、英语 |
| qwen-Multi-Pro | 中文、粤语、英语、日语、韩语、法语、德语、西班牙语、意大利语、葡萄牙语、俄语（共 11 种） |
中文（普通话）素材首选
qwen-Multi-Pro或large-zh；其它语种请使用standard-Multi或qwen-Multi-Pro。
6.2 模型下载与安装
-
1、下载模型文件
standard-Multi为多语言标准模型
large-zh是经过专门调校的中文模型
-
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\models\
注意：模型文件夹确认只有一层目录，打开large-zh或standard-Multi模型目录可以直接看到模型相关文件，如下图所示：
如果模型文件夹下不是模型文件，进行音文识别时会报错：
-
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：
-
一次选择多个音频文件
-
按顺序依次处理
-
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 | ✗ | ✗ | ✓ |
| 全部模型 | ✓ | ✓ | ✓ |
| 批量处理（队列） | ✗ | ✓ | ✓ |
| 单日使用次数 | 10 次 | 50 次 | 无限 |
| 单次最大音频时长 | 15 分钟 | 90 分钟 | 无限 |
| CPU 加速 / 音频降噪 | ✓ | ✓ | ✓ |
| 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：
-
文本与音频在同一目录
-
文件名完全一致（扩展名不同）
-
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：
-
检查文本是否与朗读一致（错别字、缺失/多余内容）
-
删除注释、特殊标记等非朗读内容
-
确保 TXT 为 UTF-8
-
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：
-
确认是否有 NVIDIA 独显
-
更新显卡驱动
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：
-
文本与音频不匹配
-
音频质量差（噪声大、多人说话）
-
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 10 次”或“VIP会员每日上限 50 次”
原因：普通会员每日 10 次、VIP 每日 50 次，永久VIP 不限次数。
解决：次日自动重置（以服务器时间为准）或升级会员。
Q7：软件闪退或启动失败
排查：
-
路径不含中文/特殊字符
-
管理员权限运行
-
安装 VC++ 运行库（）
-
杀毒软件误报添加信任
Q8：登录失败或网络错误
排查：
-
网络正常
-
防火墙未拦截
-
关闭代理后重试
-
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（普通话）：
qwen-Multi-Pro或large-zh -
小语种（日/韩/法/德/西/意/葡/俄）：使用
qwen-Multi-Pro -
英语：三个模型均支持
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。
评论(2)
我的运行出错了
联系QQ:50711698