ATAlign 音文对齐使用说明：一键生成 SRT/VTT/ASS 字幕

ATAlign｜音文对齐 / 文稿匹配，一键生成 SRT/VTT/ASS 与字级时间戳

ATAlign 是一款 Windows 本地运行 的 音文对齐（Audio-Text Alignment） 工具：把音频与对应文稿对齐到时间轴，自动生成字幕文件（SRT / VTT / ASS），并支持导出字级时间戳 JSON。常与 Z-TTS 文本转语音流程搭配使用。

最新版本

• v1.4.0.0（以下载页实际包为准）
• 更新要点：
• 新增模型 qwen-Multi-Pro：中文对齐精度更高、抗背景噪声更强，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
• 会员额度：普通会员每日 10 次 / 单条 ≥15 分钟上限；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
• 更新方法：因模型目录位置有变更，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

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

1. 软件简介

ATAlign 基于深度学习与强制对齐（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

• 自动对齐：基于 CTC 强制对齐
• 多模型：standard-Multi（多语言标准）、large-zh（中文高精度）、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 / ONNX（CPU 版内置）/ NVIDIA GPU（按显卡架构选最优精度）
• 运行日志：写入软件目录 log
• 批量处理：批量导入、队列处理（VIP / 永久 VIP）
• 拖放导入：音频可直接拖入任务列表

2. 使用场景（什么时候用 ATAlign）

不推荐

• 歌曲、带强节奏伴奏、多人叠噪的嘈杂素材
• 文稿与实际朗读差很多（错字、漏读、大量未读出的标注）
• 直接丢视频文件（请先提取音轨为 MP3/WAV）

典型工作流：

1. 用 免费在线 TTS 或 Z-TTS 桌面 生成音频（可顺带导出初版字幕）。
2. 准备与音频 同名 的 UTF-8 .txt 文稿。
3. 用 ATAlign 对齐，输出 SRT/VTT/ASS（或字级 JSON）。
4. 在剪辑软件或 PotPlayer/VLC 中校验同步效果。

3. 与 Z-TTS 的关系

说明：

• Z-TTS 部分接口可在合成时直接导出 SRT，适合大多数配音场景。
• 当你需要 字级时间戳、换模型重对齐、或手头只有「成品音频 + 文稿」时，用 ATAlign 更合适。
• 网站账号可登录 ATAlign；会员等级影响次数、单条时长与输出格式（见下文权限表）。
• 不确定先用在线还是桌面合成时，见 微软 Edge TTS 在线与桌面工具怎么选。

4. 系统要求

提供 全量版（CPU+GPU） 与 CPU 专用版。

版本说明

• 全量版：体积较大，内置 GPU 组件；有 NVIDIA 显卡可加速，无显卡可降级 CPU。
• CPU 专用版：体积较小，仅 CPU；适合无独显办公机。

最低配置（CPU）

推荐配置（GPU）

AMD / Intel 显卡暂不支持 GPU 加速，请用 CPU 版或 CPU 模式。老旧架构显卡建议 CPU 模式。

5. 安装与启动

1. 下载压缩包并解压到任意目录（路径尽量不含中文和空格）
2. 双击 ATAlign.exe
3. 首次启动用 网站账号 登录（无账号请先注册）

注意：同一账号不支持重复登录，后登录会挤掉先登录。

6. 界面与操作步骤

主界面大致包括：参数配置（模型、CPU/GPU 加速、降噪）、输出选项、账号信息、任务区、任务列表。

步骤 1：准备文件

• 音频：.mp3 / .wav
• 文本：同名 .txt，UTF-8，内容须与朗读一致
• 命名示例：

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」，或拖放到任务列表。普通会员一次 1 个任务；VIP/永久 VIP 可批量排队。

步骤 3：配置选项

步骤 4：开始对齐

点击「开始对齐」，等待完成。

步骤 5：查看结果

默认在软件目录 output：

软件目录\
└── output\
    ├── 第一章.srt
    ├── 第一章.vtt
    ├── 第一章.ass
    └── 第一章.json

7. 模型、加速与批量

7.1 模型与语言

全部模型已对所有会员开放。

7.2 模型安装位置

解压后将模型文件夹放到：

X:\ATAlign\models\

打开 large-zh 或 standard-Multi 目录应能直接看到模型文件（不要多套一层空目录）。装好后重启并登录即可加载。

7.3 加速与字词间隔

• CPU 加速：CPU 模式建议开启
• GPU 加速：需兼容 NVIDIA 与驱动；以软件检测为准
• 字词间隔：英文等需要空格分词时开启；中文一般关闭

7.4 批量处理

VIP / 永久 VIP：一次多选音频，按队列顺序处理，列表可看进度。

8. 输出格式说明

SRT

兼容性最好，多数播放器与剪辑软件支持。

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

VTT

适合 HTML5 / 在线平台。

WEBVTT

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

ASS

支持字体、颜色、位置等样式，适合进阶字幕制作。

JSON 字级时间戳

用于逐字高亮、二次开发、精细校对（永久 VIP）。

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

9. 会员权限说明

* GPU 以设备与驱动检测为准。升级：会员中心

10. 常见问题 FAQ

Q1：提示「对应的 .txt 文件不存在」

音频旁必须有同名 .txt；同目录、文件名一致（仅扩展名不同）、编码 UTF-8。

Q2：提示「对齐 token 数 != 可发音字符数」

文本与音频不匹配，或含未读出内容。请校对朗读一致性，删除注释/标记，确认 UTF-8，必要时缩短片段重试。

Q3：GPU 加速不可用或被取消

未检测到兼容 NVIDIA/CUDA。确认独显、更新官方驱动，或改用 CPU 加速。

Q4：处理很慢

有 NVIDIA 优先 GPU；否则开 CPU 加速；切分长音频；关闭占资源程序。

Q5：字幕时间不准

常见原因：文稿不一致、噪声大/多人声、数字读法不一致（建议「123」写成「一二三」等与实际朗读一致的写法）。

Q6：提示每日次数上限

次日按服务器时间重置，或升级会员。

Q7：闪退或启动失败

路径避免中文/特殊字符；尝试管理员运行；安装 VC++ 运行库；给杀软加信任。

Q8：登录失败 / 网络错误

检查网络与防火墙；关闭代理重试；确认账号密码。

Q9：字幕文件在哪？如何验证？

在 output；用 PotPlayer/VLC 加载字幕核对。

Q10：支持哪些语言？

中文普通话：qwen-Multi-Pro 或 large-zh；小语种：qwen-Multi-Pro；英语：三模型均可。

Q11：TXT 必须什么编码？

必须 UTF-8。记事本「另存为」选择 UTF-8。

Q12：可以直接处理视频吗？

目前仅 MP3/WAV。请先用 FFmpeg 等提取音轨。

Q13：Z-TTS 已经导出过 SRT，还需要 ATAlign 吗？

多数配音直接用 Z-TTS 字幕即可。若要对齐精度不满、需要字级时间戳、或只有成品音频+文稿，再用 ATAlign。

Q14：在线页合成的音频能对齐吗？

可以。从 免费在线 TTS 下载音频，准备同名 TXT，按本文步骤导入即可（注意在线页单次长度限制，长文建议桌面 Z-TTS）。

Q15：和「语音识别转字幕」有什么区别？

ATAlign 是 已知文稿的强制对齐，不是听写转写。文稿准确时，专名、术语正确率通常更高。

11. 相关链接

• 在线字幕时间轴检查
• Z-TTS 免费下载
• 免费在线文本转语音
• 新手入门指南
• 功能详解
• 视频教程
• Z-TTS 常见问题
• 在线 vs 桌面怎么选
• 会员升级
• 首页

12. 技术支持

遇到无法自行排查的问题，可通过站内联系方式或用户中心工单反馈，并附上 log 目录日志与复现步骤（系统版本、软件版本、模型名、是否 GPU）。