它和转录有什么区别？
转录识别说了什么；对齐是拿你给的文本，找出每个词出现的位置。
强制对齐
文字你已经有了，时间轴交给我们
把音频和对应的文本交给 EdgeSpeak，它会找出每个词在什么时候被说出。
直接答案
强制对齐是在音频里定位已知文本，而不是识别未知语音。EdgeSpeak 在你的电脑上返回词和段落的时间戳。
适合稿件、歌词和有声书
文字已经有了，对齐比重新转录更直接：词不变，时间正确。
应用、命令行、API 都能用
使用对齐页，运行命令，或调用本地网关。
edgespeak-cli align meeting.m4a --text-file transcript.txt -o aligned.json
语言处理
知道语言时请直接传语言代码：比如用汉字写的粤语，如果靠推断，可能被当成普通话。混合语言文本用 und，会逐词匹配。
结果直接用于字幕
对齐后的输出可以驱动 SRT、VTT 和卡拉 OK ASS 导出。
常见问题
文本归一化会改我的写法吗？
默认开启。关掉它就能完全保留原始写法。
有 API 吗？
有：本地网关的 POST /v1/audio/alignments，传入 file 和 text。