自信を持ってご提供します

Olign、Olewaveのランセット級の精度を誇る、音声とテキストの強制アライメントサービス

録音を送るときは、その書き起こしテキストかASRの結果を添えてください。どちらもない場合は、Olign自身が音声を書き起こします。すべての単語と音素について、開始時刻と終了時刻、そして0から100までのスコアが返ってきます。

サインアップ · 無料クレジット https://tycho.olewave.com

サインアップしてカードを登録すると、3,000クレジット（ローンチキャンペーン価格で1,000分間の音声）を無料で受け取れます。カードを登録しても料金はかかりません。Olignは現在ベータ版で、サインアップには招待コードが必要です。招待コードは当社にリクエストしていただけます。

単語のタイムスタンプは、見た目ほど正確でないことがよくあります。FA-Benchの論文では、そのずれがどれほど大きいかを測定しました。Whisperは単語を約150 ms早く配置します。商用の音声テキスト変換APIは、8つのうち7つで単語の開始が遅れます。そのうち3つは、遅れが50 msを超えます。強制アライナーの失敗の仕方は異なります。Buckeyeのテスト分割に背景ノイズを加えたところ、Montreal Forced Aligner 3.4は4,513発話のうち354発話でアライメントを返しませんでした。

私たちは、ノイズを含む実際の録音でも単語境界を正確に配置できるよう、Olignを開発しました。

人間のアノテーターと照合した単語境界

FA-Benchは、すべての強制アライナーに同じ書き起こしテキストを与え、各単語境界を人間のアノテーターが付けた境界と照合して採点します。TIMIT core-testでのOlignの単語境界F1は0.782で、Montreal Forced Aligner 3.4は0.644です。F1がこのベンチマークの主要指標である理由は、システムが配置できなかった単語もすべて数えるからです。平均絶対誤差では、そうした単語は含まれません。

書き起こしテキストなしでのタイムスタンプ

書き起こしテキストを渡さなければ、Olignが音声そのものを書き起こします。音声だけから出したOlignの単語境界F1は、TIMIT core-testで0.756です。ベンチマークにある他の商用音声認識API 8つの中で最も高いGoogle Chirp 2は0.443です。

ノイズの多い音声でも破綻しないアライメント

Buckeyeのテスト分割全体で、クリーンな音声と4種類の劣化を加えた音声を合わせた22,565発話のすべてに、Olignはアライメントを返しました。Montreal Forced Aligner 3.4は、そのうち573発話で何も返しませんでした。

ご自身で確認できる数値

このページのすべての結果はFA-Benchによるものです。OlignとFA-Benchは、どちらもOlewaveが開発しています。Olignの数値は2026年10月の記録にあるOlign 1.0のもので、全システムの数値はFA-Benchリーダーボードで確認できます。FA-BenchはGitHubで公開されており、arXivの論文で解説されています。論文が報告しているのはOlign 0.9の数値で、そのAPIは引き続き利用できるため、論文の数値を再現し、現在お使いのスタックに対して同じベンチマークを実行できます。

音声をネットワークの外に出せないときは、セルフホスト

録音をご自身のVPCの内側に置いておく必要がある場合は、セルフホスト型のデプロイについてご相談に応じます。

OlignMFAQwen3-FAWhisperX

単語境界の20 msでのF1です。値が高いほど良い結果です。境界が正解と数えられるのは、その両側の単語が正解と一致し、なおかつ人手でラベル付けした境界から20 ms以内に収まった場合だけです。分割は、2026年10月時点のFA-BenchのスナップショットにあるTIMIT core-testとBuckeye testです。採点にはFA-Benchのfabenchプロトコルを使います。10 msのグリッドで評価し、ブートストラップ法による95 %信頼区間を付けています。4つのシステムはすべて、正解書き起こしトラックで実行しています。そのため、各システムには正解の単語が渡され、測定されるのはタイミングだけです。これらの数値に、認識誤りは入り込みません。どちらの分割もホールドアウトされており、話者が重複しません。TIMIT core-testは、コーパスのドキュメントの定めに従い、SA文を除外しています。Buckeyeのテスト分割には8人の話者が含まれます。コーパスの性別と年齢で分けた4つのグループから、2人ずつ選んでいます。発話リストはリポジトリにコミットされています。雑音環境は、残響、ノイズ、音楽、バブルノイズという4種類の劣化条件の平均です。ベースラインは、Montreal Forced Aligner 3.4.1、Qwen3-ForcedAligner-0.6B、WhisperX 3.8.6です。全結果はFA-Benchリーダーボードで確認できます。

Olignは現在、米国英語と英国英語でご利用いただけます。対応言語は今後増やす予定です。音声1分につき3.5クレジットを使い、1,000クレジットは1ドルです。音声1時間あたり0.21ドルになります。ローンチキャンペーン中は1分あたり3クレジット、1時間あたり0.18ドルです。新規アカウントは、カードを登録すると3,000クレジットを無料で受け取れます。録音は1本ごとに1つのジョブとして送信します。長さは最長3時間です。1時間の音声は約4分で処理が完了します。このページの精度の数値は、アメリカ英語で測定したものです。

サインアップ · FA-Benchの論文 · FA-Benchのコード · クライアントライブラリ

3,000の無料クレジットから始めましょう。

ローンチキャンペーン価格で1,000分間の音声に相当し、お手持ちの録音を使って、現在お使いのアライナーやASRとOlignを比較するのに十分です。カードを登録するとクレジットが付与され、料金はかかりません。招待コードをまだお持ちでない場合は、当社にリクエストしてください。

tycho.olewave.comでサインアップ →