FA-Kara

一个基于注音歌词文本和人声音频的自动打轴工具，主要参考了yohane、Forced-Alignment-For-NicoKara。

建议使用此工具处理日语歌曲，但底层模型实际上不限语种。

使用说明

配置好Python环境后，准备以下两个文件（可参考示例）：

1. 音频

• 格式及命名: i.wav
• 要求: 从歌曲中分离出的人声，例如可以用UVR或MSST生成

2. 歌词

• 格式及命名: i.txt
• 要求: 中文、英文无需处理；日文需要有振假名注音，可使用SUG或RhythmicaLyrics出力->春日向けテキスト；其他文本可以注罗马音，如[3σ|srisigma]（这部分工作甚至可以用大模型完成）；一行歌词不能同时出现中文和日文；文本尽可能与音频内容保持一致

将音频、歌词和各个.py文件放在同一目录，运行指令：

python main.py

若运行成功，该目录下会生成三个文件：

• o.ass: 可在Aegisub中灵活编辑
• o_rlf.lrc: 可在RhythmicaLyrics中灵活编辑
• o_ruby.lrc: 可直接在NicoKaraMaker3使用，默认提前150ms

高级选项

运行指令时还可以添加参数。例如基座模型效果不理想，要使用微调模型，你可以使用如下指令：

python main.py -hf 'D:\你的本地模型路径'

方便起见，建议从Hugging Face官网或镜像站手动下载模型到本地。

更多选项请用-h查看。

环境配置

参考requirements.txt，请根据实际情况调整。

如果你从未接触过Python，可按照如下步骤配置环境：

1. 安装Python（推荐版本3.13），并配置好环境变量；
2. 根据操作系统与GPU情况，安装对应的PyTorch；
3. 再安装其他库，如运行指令pip install janome librosa nltk pykakasi pyphen pypinyin transformers；
4. 第一次运行程序时会自动下载模型与字典，这可能需要更多的时间。

模型简介

主要使用librosa进行音频预处理，结合Janome、pykakasi、NLTK、Pyphen、PyPinyin标注歌词文本读音，输入基于PyTorch的MMS_FA进行推理。

目前的效果尚不尽如人意，欢迎交流。

项目结构

FA-Kara/
├── align.py                 # 核心对齐引擎（基座 MMS_FA）
├── align_yohane.py          # 核心对齐引擎（yohane 微调模型）
├── ass2lrc.py               # 已弃用，ass转RL特定格式
├── haruraw2norm.py          # 歌词注音与解析，并转成标准结构
├── lrcfmt.py                # 非春日向け格式歌词处理
├── main.py                  # 主程序入口，解析参数并执行对齐流程
├── norm2ass.py              # 已打轴的标准结构转ass
├── norm2lrc.py              # 已打轴的标准结构转lrc
├── utils_audio.py           # 音频辅助函数（librosa 工具）
├── utils_basic.py           # 基础辅助函数（时间格式转换等简单文本处理）
├── requirements.txt         # Python 依赖列表参考
├── i.txt                    # 示例：输入歌词文本文件
└── i.wav                    # 示例：输入人声音频文件