自动对时：让歌词自动对上歌声

手动打点要跟着歌一句一句按，一首歌常常要好几分钟。“自动对时”会先把人声从音乐里分离出来，再比对歌词的发音，找出每个字开始唱的时间。对完再用逐字打点微调，比从头打快很多。

需要准备什么

本地的视频或音频文件：用“文件 > 打开视频文件”打开 mp4、mp3、m4a、wav 等文件。YouTube 网址拿不到声音，不能用。
新版的 Chrome 或 Edge：对时会用电脑的显卡（WebGPU）计算，比较快。不支持 WebGPU 的浏览器会改用 CPU，也能对时，只是慢很多。
歌词：一句一行的字幕，时间不用准，顺序对就行。可以导入 SRT 等字幕文件，或在字幕列表里一句一句输入。

第一次使用要下载约 320 MB 的模型，之后离线也能用。视频的声音和歌词都只在你的电脑上处理，不会上传。

支持的语言：中文、日文、韩文、英文、西班牙文。同一首歌夹杂英文也没问题。

开始对时

打开歌词和视频。
选“字幕 > 自动对时”。
选范围：
- 选中的字幕：只在这几句当前时间的前后 3 秒内查找，适合重新对其中几句。
- 整条字轨：整首歌从头对，句子原来的时间不用准。
- 全部字轨：有两条以上字轨时才会出现。对唱的歌如果每位歌手一条字轨，要选这个；只对一轨的话，两人都唱过的歌词可能会对到另一个人唱的地方。
想保留原来的字幕，就勾选“生成新字轨”，结果会放在新的一轨。
点“开始对时”。

对时分五个步骤：准备歌词的发音、下载人声分离模型、下载对齐模型、分离人声、对齐歌词。下载都在最前面，网络有问题会在一开始就知道；已经下载过的会直接跳过。一首 3 分钟的歌，在一般的独立显卡上大约 1 分钟。

对时的时候请让这个标签页保持在前台，浏览器会让后台标签页的显卡运算慢很多。显卡会全速运行，电脑画面可能会有点卡。觉得太卡的话，可以勾选“用 CPU 计算”：慢好几倍（3 分钟的歌大约 10～20 分钟），但电脑不会卡。

对完之后

SRT 这类普通字幕对完时间后还看不出变色，Kara3 会接着打开“转换为卡拉 OK”，并勾选好“保留字幕原有的逐字时间”，转换后就能看到逐字变色。
已经是卡拉 OK 的句子，会直接更新每个字的时间。
建议用逐字打点播放检查一遍。不对的句子可以选中后按 R 重拍，或选中后再自动对时一次。
整次对时可以用 Ctrl+Z 一次撤销。

读音行也能单独对时

用自动注音的“另外一行字幕”生成的读音行，可以单独对时：只选读音行，或在读音轨选一句后选“整条字轨”。日文振假名行会一个假名一个假名变色，例如“二人”唱成“ふたり”，原来的歌词保持整组变色，读音行则是ふ、た、り各变一次。罗马字行是一个词一个词变色。汉语拼音和韩文罗马字行本来就跟着歌词逐字变色，不用另外对时，会跳过。重新执行自动注音会重新生成读音行，对好的时间会被覆盖，所以建议最后再对。

哪些情况不太准

读音和词典不同：汉字按词典的读音比对，歌词“水面”唱成“みなも”这类就会偏。先用自动注音加上注音，再改成实际唱的读音，对时会优先按注音。
唱得含糊或漏唱的字：会用前后的字推算时间。
方言：粤语、闽南语等用汉字写的歌词，会按普通话读音比对，误差比较大。
和声很多、伴奏很吵的歌：人声分离不干净，也会不太准。

我们用几十首不同语言的歌实测，大部分的字和手动打点的差距都在 0.2 秒以内。