一言以蔽之就是 speech recognition + force alignment。 XD
Speech recognition 的部分試過幾個還是以 Google Cloud Speech API 最好，不過如果訴求是簡單、不想申請帳號、懶得建環境、寫程式又不太在意錯誤率的話，可以用 IBM 的 Speech to Text Demo 頂著。
把影片的音軌或是音檔用 FFmpeg 轉成 FLAC 格式，就可以送上去。
ffmpeg -i input.mp4 audio.flac
離線版的 speech recognition 有 CMUSphinx 可以用，美中不足的是中文的 model 有點爛（辨識不太準），再來就是要使用者大概要會寫一點程式。
出來的結果把辨識錯誤、標點、斷句修一修之後就可以送到 aeneas 做 force alignment。理論上到這裡就很接近完稿了，大概就是針對語速（單位時間字數）等等的小細節做最後的人工微調。