هم‌ترازی اجباری یا Forced Alignment، یک متن ازپیش‌داده‌شده را با صوت مرتبط می‌کند تا محل زمانی واژه‌ها یا واحدهای گفتاری پیدا شود. سؤال اصلی آن «این واژه کجا گفته شده؟» است، نه صرفاً «چه چیزی گفته شده؟». بنابراین داشتن خروجی زمان‌دار، شاهد درست‌بودن متن ورودی نیست.
ورودی دو کار را جدا کنیم
| کار | ورودی اصلی | خروجی مورد انتظار |
|---|---|---|
| تشخیص گفتار | صوت | متن حدس‌زده‌شده، گاهی با زمان |
| هم‌ترازی اجباری | صوت و متن معلوم | اتصال متن داده‌شده به بازه‌های صوت |
| ممیزی زمان | صوت، متن زمان‌دار و معیار | شاهد خطای شروع، پایان یا نسبت جمله |
در مستند Montreal Forced Aligner، متن نوشتاری، مدل صوتی و فرهنگ تلفظ در فرایند هم‌ترازی مطرح‌اند. ابزارهای دیگر ممکن است معماری متفاوتی داشته باشند. از تعریف یک روش، پشتیبانی فارسی، همه قالب‌ها یا سازگاری هر مدل را نتیجه نگیرید.
مثال نفی: زمان دقیق برای متن غلط کافی نیست
فرض آموزشی این است که در صوت جمله «من نرسیدم» وجود دارد، اما متن ورودی «من رسیدم» است. اگر ابزار زمانی برای «رسیدم» برگرداند، اختلاف معنا رفع نشده است. حتی بازه ظاهراً دقیق، تأیید مستقلی برای محتوای متن نیست. قبل از استفاده برای زیرنویس یا جست‌وجوی واژه، مطابقت متن با صوت باید بررسی شود.
سه مورد آموزشی کنترل ورودی را دریافت کنید. ستون صوت در این فایل، شرح ساختگیِ جمله فرضی است؛ فایل صوت، مرز واقعی واژه یا نتیجه اجرای یک aligner همراه آن نیست. این محدودیت در خود فایل نیز ثبت شده است.
پیش از اجرای واقعی چه چیزی آماده شود؟
- همان نسخه نهایی صوت و متن متناظر را انتخاب کنید؛ تدوین صوت بعد از نوشتن متن می‌تواند واژه‌ها را جابه‌جا کند.
- اختلاف متن با گفته واقعی، از جمله نفی، تکرار و بخش حذف‌شده را حل یا علامت‌گذاری کنید.
- زبان، مدل صوتی و روش تلفظ واژه‌های خارج از واژه‌نامه را طبق مستند همان ابزار بررسی کنید.
- واحد زمان، مبدأ فایل و اینکه بازه برای واژه یا واج است را روشن کنید.
- نمونه‌های شروع و پایان، نام ناآشنا، مکث و گفتار هم‌زمان را برای بازبینی نگه دارید.
چرا ویرایش متن می‌تواند دوباره‌کاری زمان بسازد؟
نسخه خواندنی ممکن است تکرار و تپق را حذف کند، اما آن بخش‌ها هنوز در صوت شنیده می‌شوند. قرار دادن متن ویرایش‌شده در aligner بدون بررسی اختلاف، تضمین مرز درست نمی‌دهد. متن خام متناظر با صوت را جدا از نسخه ویرایش‌شده نگه دارید؛ نگاشت نسخه‌ها باید معلوم باشد. راهنمای خام یا ویرایش‌شده این تصمیم را توضیح می‌دهد.
در این مقاله هیچ مدل هم‌ترازی نصب یا اجرا نشده و عدد دقت زمانی گزارش نمی‌شود. برگه موارد آموزشی از نظر ساختار و حفظ اختلاف متن بررسی شده است؛ کنترل واقعیِ مرز باید با شنیدن همان رسانه و ابزار منتخب انجام شود. برای این مرحله، ممیزی هم‌ترازی متن و صوت را دنبال کنید.
اگر از اپرانگار متن زمان‌دار می‌خواهید، بگویید متن آماده دارید یا متن هم باید استخراج شود و خروجی برای چه مصرفی است. این نوشته ارائه Forced Alignment مستقل در اپرانگار را تأیید نمی‌کند. منبع تعریف: راهنمای رسمی Montreal Forced Aligner.