Desert Ant Labs

Align.

逐词时间戳可用

设备端逐词时间戳，适配任意转写器，误差减半，可精准剪辑、打轴和逐词高亮，模型仅 0.7 MB。

开始使用 文档 模型卡

为任意转写文本提供精准的逐词时间戳。

Apple 说「world」从 2.61 秒持续到 3.04 秒，Align 说是 2.57 到 2.98。在那里下刀，切口干净，字幕在词上亮起，高亮从说话人开口的地方开始。

你保留 Apple 的转写器。Align 读取 SpeechAnalyzer 本来就拿到的同一段音频，返回同样的词，但起止时间更贴合，只需几毫秒，下载仅 0.7 MB。在干净的音频上，这把 Apple 平均 113 毫秒的偏差降到 45 毫秒。

遇到 Align 无法改进的词，就保留 Apple 的时间，因此一次校正只会帮忙，或者原样不动。支持九种语言，此外的语言会原样通过，Apple 的时间保持不变。

时间误差减半。

Apple 的逐词时间平均偏差 113 毫秒，Align 把它降到 45 毫秒，四个词里有三个落在 50 毫秒以内，出自一个 0.7 MB 的模型。

45ms
平均误差，干净音频
Apple 原始：113.5 毫秒
60%
消除的误差
干净和嘈杂音频皆然
0.7MB
设备端
编译后 Core ML，两个阶段

对参考词边界的平均绝对距离，九种语言下 223 段干净和 210 段嘈杂的留出录音

条件Apple 原始Align50 毫秒以内
Clean113.5ms44.9ms75.1%
Noisy124.4ms50.1ms69.4%

在实际发布的 Swift 运行时和随包的 Core ML 模型上评测。参考标准是 Qwen3-ForcedAligner 的机器强制对齐估计，而非人工标注，因此这些数字表明的是对 Apple 时间误差一次大幅且稳定的削减，而不是逐样本精确的标准答案。

跟得上的逐词字幕

在字幕视图、卡拉 OK 式的歌词页或语言学习应用里，随着每个词被说出而点亮它，字幕来自 Apple 的转写。时间落在词上，而不是差开十分之一秒。

在词上剪一段片段

在播客剪辑器或视频应用里，把一段录音修剪到某句引语，让切口从这个词开始的地方开始。不带上一个词的任何一帧，不切掉辅音，也不用在时间线上手动微调。

在转写文本里高亮正在说的词

在会议记录器或课程应用里，让转写文本随播放同步滚动，高亮跟着词走，而不会跑到音频前面去。

落在那一刻的搜索

在设备上，跳到某个词被说出的那一秒，直接检索一批录音。时间足够贴合，播放头会落在这个词上，而不是停在上一个词中间。

灵感

用 Align 构建的点子。把提示词复制到你的编码 agent 里就能开始。

Align

Highlight each word as it's spoken, timed to the audio.

Align

Tighten a system transcriber's word timings so captions land on the word.

Align

Build a text-based video editor where selecting words trims the clip.

Align

Add bouncing word-by-word captions to vertical videos.

Align

Make transcript search jump the audio to the exact word.

模型能做什么

  • 校正 Apple 的 SpeechTranscriber 和 SpeechAnalyzer 返回的词级时间，而不替换它们：同样的词、同样的结果接口，更贴合的 audioTimeRange 值。
  • 在干净音频上平均时间误差从 113.5 毫秒降到 44.9 毫秒，在嘈杂音频上从 124.4 毫秒降到 50.1 毫秒，减少 60%，在 433 段留出的录音上，对照强制对齐参考测得。
  • 在干净音频上，75.1% 的词落在参考的 50 毫秒以内，嘈杂音频上为 69.4%。
  • 一套结构化回退机制：只要一次校正会不合法、触到搜索窗口的边缘，或缺少流式上下文，就保留 Apple 原始的时间戳。
  • 九种语言：英语、西班牙语、法语、意大利语、葡萄牙语、德语、日语、韩语和中文。其他语言原样通过。
  • 约 0.7 MB 的编译后 Core ML，分两个阶段，在 CPU 和神经网络引擎上运行；一次典型结果在几毫秒内完成精修。

快速上手

只需几行代码，即可为你的 iOS or macOS 应用加上 逐词时间戳。 Align 文档.

iOS, macOS
安装
// Swift Package Manager
.package(url: "https://github.com/Desert-Ant-Labs/desert-ant-core.git", from: "3.1.0")
// target dependency
.product(name: "Align", package: "desert-ant-core")
示例 - Swift
import Align

let refiner = try await SpeechTimestampRefiner(locale: locale)
try await analyzer.start(inputSequence: inputs.recordingAudio(for: refiner))

for try await result in transcriber.results.refiningTimestamps(with: refiner) {
    result.words   // [WordTiming]: text, start, end, refined
}
用提示词构建
Add Align from Desert Ant Labs to this Swift project (iOS, macOS).

What it does: Align：面向任意转写文本的设备端逐词时间戳.

SDK:

Swift (iOS, macOS)
Repo: https://github.com/Desert-Ant-Labs/desert-ant-core#readme
// Swift Package Manager
.package(url: "https://github.com/Desert-Ant-Labs/desert-ant-core.git", from: "3.1.0")
// target dependency
.product(name: "Align", package: "desert-ant-core")

Reference:
- Model page: https://desertant.com/models/align/
- Full catalog and other models: https://desertant.com/llms.txt

Add the SDK, then follow its README for the exact API and current version. Do not invent API names or method signatures; confirm them against the README.
GitHub 上的 SDK
Android即将推出
Web, Node.js即将推出

规格

准确度
干净音频上平均误差 44.9 毫秒，嘈杂音频 50.1 毫秒，而 Apple 分别为 113.5 毫秒和 124.4 毫秒
设备端体积
约 0.7 MB 编译后 Core ML（两个 0.3 MB 阶段，外加滤波器组和校准器）
语言
英语、西班牙语、法语、意大利语、葡萄牙语、德语、日语、韩语、中文
模型
在对数梅尔频谱上做两阶段由粗到精的级联，每阶段约 117k 参数，外加一个梯度提升校准器
平台
iOS 26、macOS 26、tvOS 26、visionOS 26（Core ML），即 SpeechAnalyzer 所在的系统

Align 校正的是 Apple 的时间，它不做转写，而且需要 Apple 的 SpeechAnalyzer，也就是 iOS 26、macOS 26、tvOS 26 或 visionOS 26。Align 无法保证改进每一个词。那套保留 Apple 时间的回退机制，拦下的是看起来不安全的校正，而不是每一个错的。在现有的参考标准下，英语、意大利语、日语和韩语是九种语言里最弱的。

常见问题

Align 是什么？

设备端逐词时间戳，适配任意转写器，误差减半，可精准剪辑、打轴和逐词高亮，模型仅 0.7 MB。

Align 在设备上运行吗？

是的。Align 在设备上运行，不调用任何服务器，因此数据始终留在用户手中。

Align 支持哪些平台？

Align 以面向 Swift 的原生设备端 SDK 形式提供。

Align 的价格是多少？

每个模型的每个 SDK 均可免费支持最多 10 万台月活跃设备。每位用户调用模型的次数不设上限。 如需定制授权，请联系我们。

Align 的准确度和速度如何？

Apple 的逐词时间平均偏差 113 毫秒，Align 把它降到 45 毫秒，四个词里有三个落在 50 毫秒以内，出自一个 0.7 MB 的模型。

资源