字幕要精确到每个词？WhisperX 强制对齐（word-level timestamp）实战
普通 Whisper 出的时间轴是"整句级"的——一句字幕一个起止时间，字幕在屏幕上整句一起跳，跟不上一句句的口型。做教学字幕、歌词字幕、演讲逐字稿时，这不够。WhisperX 在 Whisper 后面接了一个"强制对齐"模型，能把时间轴精确到每个词。这篇讲怎么跑。
WhisperX 干了啥
两步：
- Whisper 出文本 + 句级时间戳；
- wav2vec2 类对齐模型，把每个词"贴"到音频上的精确位置（强制对齐，forced alignment）。
所以你拿到的是带词级时间轴的 srt/vtt。
跑起来
whisperx video.mp3 --model large-v2 --output_format srt --compute_type int8 --language zh
--language zh 指定中文，否则它先检测可能误判。int8 是量化版，省显存。
坑一：对齐模型要语言匹配
WhisperX 的对齐模型是按语言分的（wav2vec2-large-xlsr-53-... 各语种）。没指定或指定错，对齐会乱。中文要确认装了中文对齐模型，不然词级时间轴是假的。
坑二：多人说话错位
强制对齐默认不分说话人，两个人抢话时词会乱贴。要区分说话人得加 diarization（说话人分离），需要 pyannote 的 token：
whisperx video.mp3 --model large-v2 --diarize --hf_token your_token
和 ffsubsync 的关系
两个不同活：WhisperX 是"从零生成准时间轴"，ffsubsync 是"校正已有字幕的时间轴"。如果你已经有一份外文 srt 只是对不上画面，用 ffsubsync 更快；如果是从头出字幕又要词级精度，用 WhisperX。
产出能直接进剪辑软件
srt/vtt 丢进 PR、剪映、DaVinci 都能认，词级时间戳做"逐字高亮"字幕特效很顺。前面多字幕轨那篇讲怎么封装，这条生成的字幕直接喂进去就行。
提醒
词级精度依赖音频清晰度和对齐模型质量，嘈杂录音别指望每个字都准。关键句子人工过一遍最稳。