lyric-subtitle-align

把歌词做成「唱一句出一句、唱完即清」的时间轴。

核心不是猜 LRC 偏移，而是：

1. demucs 抽出人声
2. 在人声上找起唱点
3. 按起唱点数量自动选路，把歌词行挂上去
4. 输出卡拉 OK 式 ASS：start = 该句起唱，end = 下一句起唱

这是从十几部歌词视频里踩出来的对齐器，不是整条成片流水线。不管画面生成，不管人物变形。

适用

• 要把一首歌做成歌词视频，字幕必须跟人声走
• 以前用手猜 offset / LRC 绝对时刻，前半段或副歌会漂
• 想从已经烧录字幕的视频里反推时间轴（见 SKILL.md）

不适合：

• 想一键出风景成片
• 要求零听感误差、完全不需要人工听一遍

安装

pip install -r requirements.txt

人声分离另装 demucs：

pip install demucs

需要本机有 ffmpeg。

用法

先准备两样东西：

• vocals.wav：demucs -n htdemucs song.mp3 抽出来的人声
• lyrics_raw.txt：每行 秒<TAB>文本，删空行、重复行、词曲作者信息

然后：

python scripts/align_auto.py \
  --vocals vocals.wav \
  --lyrics lyrics_raw.txt \
  --out-dir out \
  --trim 0 \
  --duration 301 \
  --gap-long 10

输出：

文件	内容
events.json	逐行起止、来源、相对 LRC 偏差
lyrics.ass	极简卡拉 OK 字幕
report.json	走了哪条路、起唱点数、偏差统计

常用参数：

• --trim：裁掉的前奏秒数，时间轴整体减这么多
• --duration：原曲时长；不填就用人声文件时长
• --gap-long：超过这个间隔视为长间奏，字幕只留 6 秒后清屏
• --force-route {sparse,balanced,dense}：强制路线，默认自动选

自动分流

路线	何时走	做法
dense	起唱点远多于歌词行，或重复副歌容易错吸	信官方 LRC，人声只做 ±1.2s 校正
balanced	数量接近	单调吸附 + 漏检行插值
sparse	起唱点明显少于歌词行	同 balanced，漏检更多时靠插值

回测：

• 《朋友的酒（DJ版）》：dense，偏差均值 0.19s
• 《平凡之路》：balanced（56 对 56），41 个真起唱点 + 15 行插值

烧录字幕

Windows 上不要给 ffmpeg subtitles 滤镜写 C: 绝对路径，盘符冒号会被当成选项分隔符。先 cd 进 ass 所在目录：

ffmpeg -y -f lavfi -i color=c=0x0c1020:s=1920x1080:r=25 -i song.mp3 \
  -vf subtitles=lyrics.ass \
  -c:v libx264 -pix_fmt yuv420p -c:a aac -shortest out.mp4

ASS 只用淡入淡出和柔光，禁止缩放旋转动画。最后一句和长间奏只留 6 秒，尾奏无字。

建议工作流

先出深色背景验证版，听前两分钟和副歌。过了再去生成风景画面。画面坏了只重渲那一段，字幕坏了只重烧录。

更完整的坑和反向学习方法见 SKILL.md。

License

MIT