一句话定义：强制对齐（Forced AI 词典：Alignment">Alignment）是在已知「语音 + 这份语音对应的文本」的前提下，算出文本里每个词甚至每个音素（phoneme）在这段音频中的精确起止时间。
注意前提：文本是给定的，不需要靠听来猜。这就像卡拉 OK 歌词已经印在屏幕上，系统要做的不是听歌识曲，而是决定每一句歌词该在第几秒点亮。也像字幕组做时间轴——台词早就拿到了，人肉一句句听、标出起点终点，这个过程就是人工版强制对齐，只是慢。
它怎么工作：先把文本转成音素序列（英文靠发音词典，中文常用拼音或音素集，这一步叫 G2P，grapheme-to-phoneme），然后让声学模型逐帧判断「此刻最像哪个音素」，最后在所有可能的切分方案里，用动态规划（常见是维特比解码，Viterbi）找出一条总得分最高的路径。这条路径就是每个音素的时间边界。
打比方：一段 10 秒的波形像一条 10 米长的绳子，文本是一串珠子。我们要把珠子按顺序串到绳子上，每颗占多长不确定，但顺序不能乱、必须铺满。算法就是在所有合法串法里挑最顺眼的那一种。
和相邻概念的区别：
| 概念 | 输入 | 输出 |
|---|---|---|
| 语音识别 ASR | 只有音频 | 文本 |
| 强制对齐 | 音频 + 已知文本 | 每个词/音素的时间戳 |
| 语音活动检测 VAD | 音频 | 哪里有人声、哪里是静音 |
| 说话人分离 Diarization | 音频 | 哪句话是谁说的 |
简单说：ASR 回答「说了什么」，VAD 回答「有没有在说」，Diarization 回答「谁在说」，强制对齐回答「什么时候说的哪个音」。
实际用途：字幕和卡拉 OK 的逐字高亮；语音数据集标注，把长录音按句切开喂给训练；语音合成（TTS）训练需要音素级时长，对齐结果直接就是监督信号；口语评测里定位哪个音发错、错在什么位置；客服质检里定位关键词出现的秒数，方便剪出片段；语音学研究与语料库建设也离不开它。
难点在哪：真实语音里相邻音素会连读、互相影响（协同发音），边界本身就是模糊的，很难说清「t」到第几毫秒结束；多音字、数字、英文缩写会让 G2P 出错；录音里的噪声、口误、重复、笑声会让对齐漂移；如果文本和音频对不上（漏读或多读了几个字），还得允许跳过，否则整段崩掉。所以实际工程里通常要配合置信度检查，人工复核那些低分片段。
对普通职场人来说，它的价值很直接：任何「录音 + 文稿」的组合，都能变成可点击、可检索、可定位的时间轴。具体工具和接口差异较大，选型时以官方文档为准。