把「不停点点点」整段删掉
语音识别先听写，动态规划把定下来的字钉进音频的每一秒。原来最繁重的点击与试听，交给程序自动跑。
自动化1 小时 → 几秒
Windows 10/11 · 开源 · 全程离线
人工一小时的歌词对轴 现在，几秒钟。
普通歌词（TXT / LRC）＋ 歌曲音频，自动生成 Apple Music / AMLL 逐字 TTML。
识别、对齐、分声部、拖音补全、规范自检 —— 一条流水线跑完。
我的破木箱装满枯萎的花
00:0001:0002:0003:0004:00
faster-whisper
强制对齐
CAM++
拖音补全
AMLL 自检
01 为什么做它
歌词是最规整的语言，
人工处理却最不规整。
一首四分钟的歌，六十多行、四百七十多个字，每个字都要有开始和结束。手工对轴要反复暂停、听、标记，最后往往是凌晨两点。
真实音频，不是估算
faster-whisper 识别 + 动态规划强制对齐；有 LRC 时按乐句切片，把歌词本身当提示词回喂。
逐字精度
分声部 · 拖音 · 和声
CAM++ 声纹把每一行分给不同演唱者（与人工标注约九成一致）；句尾拖音按能量与基频连续性补回；括号和声自动变成 x-bg 层。
对唱友好
离线、私有、可精修
不需要 API Key，音频不出本机。内置编辑台：播放逐字高亮、±10ms 改时间、改声部、改和声与文本；改动只写草稿，点保存才动正式文件。
隐私编辑台草稿保护
02 它怎么运作
一条流水线，
每一环都只做一件事。
从歌词文本到可直接播放的 TTML，中间是五个确定性步骤。
-
01
听写
faster-whisper 给出每个字的大概时间与置信度。
ASR -
02
对齐
动态规划在「确定的文本」与「模糊的时间块」间找最小代价路径。
Forced Alignment -
03
分声部
CAM++ 声纹把每行变成向量，聚成 N 簇，判断这句谁在唱。
Diarization -
04
拖音补全
能量 + 音高连续性判断尾音终点，把被下一行截断的尾字接回去。
Tail Extension -
05
规范自检
时间格式、父子包含、同歌手不重叠、key 连续、元数据必填项，全部校验。
AMLL Validation
0%
分声部与人工标注一致率
0%
尾字被下一行截断的比例（实测）
0
在线服务 / API Key 依赖
0
一首歌的典型处理时间（GPU）
03 真实界面
WinUI 3 原生界面，
工作台到编辑台一套完成。
开始 / 歌词工作台 / 歌词编辑台 / 任务中心 / 模型管理 / 运行库 / 设置 / 帮助诊断。
04 看一遍
4 分钟，从痛点到实机演示。
05 下载
Windows，解压即用。
首次按引导下载语音模型（约 3 GB）与 CUDA 运行库（527 MB），之后完全离线可用。
06 文档