Olign，Olewave 手術刀級精準的語音轉文字強制對齊服務
傳送一段錄音，並附上它的逐字稿或 ASR 結果。如果兩者都沒有，Olign 會自行轉錄音訊。每個單詞和音素都會連同起始與結束時間，以及 0 到 100 的分數一併回傳。它的單詞時間戳記比 Montreal Forced Aligner、Qwen3-ForcedAligner 和 WhisperX 產生的更準確。
https://api.olewave.com/olign/v1
免費測試版現已開放。申請邀請碼，並建立你自己的 API 金鑰。
單詞時間戳記往往沒有看起來那麼準確。在 FA-Bench 論文中，Whisper 標出的單詞時間約提早 150 ms。八個商用語音轉文字 API 中有七個把單詞的起點標得偏晚，其中三個晚了超過 50 ms。強制對齊器出錯的方式不同。在 Buckeye 測試集加入背景噪音後，Montreal Forced Aligner 3.4 對 4,513 個語句中的 354 個沒有回傳任何對齊結果。
我們打造 Olign，是為了在真實錄音上準確標出單詞邊界，包括嘈雜的錄音。
所有強制對齊器中最高的邊界 F1
給定相同的逐字稿，Olign 標出的單詞邊界比 FA-Bench 評分的其他所有強制對齊器都更準確。兩個語料庫都是如此，乾淨音訊和加入噪音後的音訊也都是如此。在 TIMIT core-test 上，它的單詞邊界 F1 為 0.782，Montreal Forced Aligner 3.4 為 0.644。它標出的單詞起點平均提早 3.1 ms。F1 是這項基準測試的主要指標，因為它會把系統未能標出的每個單詞都計算在內。平均絕對誤差會把這些單詞排除在外。
為你已在使用的 ASR 提供更好的時間標註
繼續使用你的語音辨識器，讓 Olign 為它辨識出的單詞標註時間。拿到 Google Chirp 2 在 TIMIT core-test 上辨識出的單詞後，Olign 將它們的邊界 F1 從 0.443 提高到 0.734。辨識出的單詞沒有改變，所以全部的提升都來自時間標註。以這種方式執行時，Olign 的時間戳記在每個資料切分上都優於基準測試中全部八個商用 API。
在嘈雜音訊上依然穩定的對齊結果
在整個 Buckeye 測試集上，包括乾淨音訊和四種劣化條件，Olign 在 22,565 個語句中只有 3 個沒有回傳對齊結果。Montreal Forced Aligner 3.4 對其中 573 個語句沒有回傳任何結果。
你可以自行檢驗的數字
本頁的每項結果都來自 FA-Bench。FA-Bench 是開源的，並在一篇 arXiv 論文中有所介紹。產出這些已公布數字的 v0.9 API 仍然可用，所以你可以重現這些數字，並用同一套基準測試評測你目前的技術堆疊。
音訊不能離開你的網路時，可自行託管
如果你的錄音必須留在你自己的 VPC 內，我們可以討論自行託管的部署方式。
FA-Bench 上的單詞時間戳記準確度
fabench 協定在 10 ms 網格上評分，並附 bootstrap 95 % 信賴區間。四個系統都在標準逐字稿組別中執行，因此每個系統拿到的都是參考單詞，只衡量它們的時間標註。這些數字不含任何辨識錯誤。兩個切分都是保留集，且說話者互不重疊。TIMIT core-test 依語料庫文件的要求排除 SA 語句。Buckeye 測試集依該語料庫自身的性別與年齡設計分層，涵蓋 24、8 和 8 位說話者，每個語句的歸屬都已提交到儲存庫中。「嘈雜」是四種劣化條件的平均值，分別是殘響、噪音、音樂和多人交談聲。基線系統為 Montreal Forced Aligner 3.4.1、Qwen3-ForcedAligner-0.6B 和 WhisperX 3.8.6。完整結果請見 TIMIT 與 Buckeye。免費測試版現已對美式與英式英語開放，並計畫支援更多語言。申請邀請碼、建立你的 API 金鑰，然後以任務形式傳送最長 60 分鐘的完整錄音。測試版每個帳號每天可處理 60 分鐘的音訊，每個任務的執行時間約為錄音長度的八分之一。本頁的準確度數字是在美式英語上測得的。