N'oubliez pas de nous ajouter aux favoris !

Glossaire

Alignement forcé Expliqué — Synchronisation audio-textuelle au niveau des mots

L'alignement forcé est le processus consistant à prendre une transcription connue comme correcte et un fichier audio, et à produire des horodatages de début/fin précis pour chaque mot. C'est une opération distincte de ASR — L'ASR produit le texte à partir de zéro, l'alignement affine le timing d'un texte déjà connu. Utilisé pour faire correspondre les sous-titres aux frontières des syllabes, pour permettre le clic pour sauter vers l'audio dans les éditeurs, et pour construire des jeux de données phonétiques.

Pourquoi l'alignement est important séparément de la transcription

Les systèmes ASR produisent du texte ainsi que des horodatages au niveau des segments ("ce segment dure 4,2 secondes, voici le texte"). Cela suffit pour la navigation au niveau des paragraphes mais pas pour le timing des sous-titres au niveau des mots. Le timing au niveau des mots est ce qui fait que les sous-titres semblent synchronisés — chaque mot s'allume exactement quand il est prononcé. L'alignement forcé comble cette lacune, produisant des temps de début/fin par mot précis à ~30 ms.

Comment fonctionne l'alignement

Deux principales approches. (1) Alignement de Viterbi: prendre la transcription de référence, convertir chaque mot en une séquence de phonèmes, et utiliser un Modèle de Markov Caché pour trouver le temps d'alignement le plus probable des phonèmes avec l'audio. Approche classique (HTK, Kaldi). (2) Alignement basé sur l'attention: dans les systèmes ASR transformateurs comme Whisper, les poids de l'attention croisée entre l'encodeur (audio) et le décodeur (texte) encodent implicitement l'alignement. Des outils comme WhisperX les extraient pour produire des horodatages au niveau des mots sans un second passage.

Quand vous utiliseriez l'alignement forcé en pratique

Trois grands cas d'utilisation. Sous-titres karaoké pour TikTok/Reels — chaque mot est mis en évidence à mesure qu'il est prononcé. Éditeurs cliquables comme Descript — cliquez sur un mot dans la transcription, sautez à ce moment dans l'audio. Recherche linguistique — construction de corpus de discours avec des temps de phonème pour les études de prononciation, la cartographie des dialectes, la recherche sur la prosodie.

En pratique

Lorsque vous exportez un SRT fichier depuis Transcript.you, les horodatages proviennent du timing de segment de Whisper — suffisamment précis pour une lecture normale de sous-titres. Si vous avez besoin d'une précision au niveau du mot (par exemple, pour des sous-titres animés où chaque mot apparaît séparément), activez notre option "horodatages au niveau du mot" qui utilise un alignement basé sur l'attention de type WhisperX. Ajoute environ 5 secondes de traitement pour un clip de 10 minutes.

Termes associés

Lectures complémentaires

Générer des sous-titres chronométrés

Commencez — gratuitement

Dernière mise à jour : 16 novembre 2026

Questions Fréquemment Posées

Que signifie Alignement forcé en transcription ?

Associer une transcription connue à son audio pour produire des horodatages par mot. Utilisé pour améliorer la précision des sous-titres après le premier passage de l'ASR.

Pourquoi Alignement forcé critère lors du choix d'un flux de travail de transcription ?

Alignement forcé Affecte la manière dont vous comprenez la qualité de la transcription, le timing, la compatibilité ou la technologie derrière les résultats de la transcription vocale.

Où puis-je appliquer Alignement forcé sur Transcript.you ?

Utilisez le flux de travail associé à /audio-to-srt lorsque vous souhaitez voir comment ce concept de glossaire se connecte à une tâche de transcription réelle.