2. Linux.do
  3. 使用Qwen3-ASR-0.6B和Qwen3-ForcedAligner 为本地音乐库打上歌词！

使用Qwen3-ASR-0.6B和Qwen3-ForcedAligner 为本地音乐库打上歌词！

无水硫酸铜 2026-09-21 02:04 1

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-ForcedAligner Qwen3-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～！

最新回复 (5)
  • mh21 09-21 02:10
    1楼

    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 楼主 09-21 02:11
    2楼

    猫猫这里聚合了网易云 qq音乐和lrclib



    直接搜索这些歌词接口就行了 lrclib上多语种内容比较多

  • XY. 09-21 02:14
    3楼

    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 楼主 09-21 02:17
    4楼

    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

  • XY. 09-21 02:33
    5楼

    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 ^-^

* 帖子来源Linux.do
附近帖子
返回
飞读
随机推荐