该存储库通过强制使用基于音素的ASR模型（例如wav2vec2.0）来优化openAI的Whisper模型的时间戳，多语言用例。
Whisper是由OpenAI开发的ASR模型，在大型的各种音频数据集上进行训练。虽然它确实会生成高度准确的听录，但相应的时间戳位于话语级别，而不是每个单词，并且可能不准确几秒钟。
基于音素的 ASR一套经过微调的模型，用于识别区分一个单词和另一个单词的最小语音单元，例如“tap”中的元素p。一个流行的示例模型是wav2vec2.0。
强制对齐是指将正字转录与录音对齐以自动生成电话级分段的过程。
