- 无水硫酸铜2026-09-21
前情提要
猫猫写了一个可以在Gnome桌面上跑的带悬浮歌词的播放器～
但是叭 从b站收藏夹一键爬下来的音乐里 显然是不带lrc歌词的
可恶… 猫猫手动对了一两首歌词时间轴之后就彻底力竭了w
肿么办呐… 这悬浮歌词总不能浪费了叭
于是咱盯上了
Qwen3-ForcedAlignerQwen3-ASR-0.6B
拉上手上跟不要钱一样的ds-v4.1-flash 开始折腾啦～
环境配置
由于模型较小 所以虽然咱电脑没有独显 也可以流畅的运行CPU推理
CPU:
Ryzen 7 PRO 7840U使用ModelScope拉取模型，顺利运行，十分丝滑
工作流思路
网络拉取歌词 → ASR直接从音频提取歌词 → LLM比对网络歌词和ASR提取的歌词 → Aligner对齐轴
将流程发给ds之后 就可以框框开干啦～
网络歌词获取渠道推荐选择多源头聚合～ 猫猫这里聚合了网易云 qq音乐和lrclib，接口非常好找，这里就不分享惹ww
现在 爬下来的64首歌都已经打上歌词啦～！
主楼 - mh212026-09-21
可以啊佬，想问问网络拉取歌词是怎么做的啊。以及对于其他语种歌曲是不是也可以顺便用llm做个歌曲内容翻译了。
- 无水硫酸铜2026-09-21
- XY2026-09-21
这个效果好吗？感觉千问这个比Whisper ASR+Whisper-X force-aligment轻很多。佬在前面加了Demuc吗？
- 无水硫酸铜2026-09-21
没有哦～ 直接投原始音频 效果很棒 体感准确率90%以上了 少有几个人声非常不清楚的歌错位有点明显 大部分时间轴都很准 另外几个完全对不上的音频都是歌词预处理没做好 不是Aligner的问题
- XY2026-09-21
我确认了下，Qwen3-ASR-0.6B 虽然已经是默认多语言的ASR了，Qwen3-ForcedAligner-0.6B 还是要指定语言，所以还是要做code-switching。
这个千问模型居然还专门跑过歌曲benchmark，之前我拿做对话ASR的Whisper跑，不带Demuc歌词准确度基本上看不下去 ^-^