強制アライメント

強制アライメント（Forced Alignment）ノードは、内容がわかっている文字起こしの各単語が、オーディオのどこで話されているかを特定します。録音と、その中で話されている正確なテキストを渡すと、各単語の開始時間と終了時間を返します。結果はオーディオではなくデータです。カラオケ風のハイライトや、単語に反応するグラフィックに使ったり、生成した音声のペースを確認したりするのに使います。

使いどころ

• 手元にある台本から、キャプションや字幕のための正確な単語のタイミングを取得します。
• オーディオに合わせて単語がハイライトされる、カラオケ風の表示を作ります。
• アニメーションやモーショングラフィックスのタイミングを、特定の単語に合わせます。
• 動画のコンポジションで、映像の要素を話し声に同期させます。
• テキストから音声（Text to Speech）の出力のタイミングが、想定したペースどおりかを確認します。

文字起こしがない場合は、代わりに文字起こし（Transcribe）を使ってください。ElevenLabs STT と Incredibly Fast Whisper を使う場合、そのノードの文字起こし出力には、すでに単語のタイミングが含まれています。

クイックスタート

入力と出力

出力のデータは、単語と、その開始時間と終了時間のリストです。オーディオではなくデータなので、テキストやデータを受け取るノードに接続します。

設定

結果の読み方

データ出力は、次のような形式です。

[
  { "word": "Hello", "start": 0.0, "end": 0.35 },
  { "word": "world", "start": 0.38, "end": 0.72 }
]

モデル

ヒント

• 文字起こしを話し声に合わせる：テキストとオーディオに違いがあると、タイミングが不正確になります。
• 文字起こしを整える：実際に話されている場合を除き、フィラーワード、言い直し、[music] などのメモは削除します。
• プレーンテキストを使う：タイムスタンプ、話者ラベル、書式は入れません。話されているとおりの言葉だけを書きます。
• 録音全体をカバーする：文字起こしが一部分だけの場合、アライメントされるのはその部分だけです。
• ノイズの多いオーディオは先にクリーンにする：録音を音声抽出（Voice Extractor）に通すと、タイミングがより正確になります。
• 聞き取りにくい話し声では精度が下がる：とても速い話し方、強いなまり、話者の声の重なりがあると、精度が下がることがあります。

API から

MCP ツールは forced_alignment です。MCP ツールを参照してください。