YuE2 Studio 是一个本地运行的 AI 歌曲生成器，它还能把生成好的歌曲做词级卡拉OK对齐：内置的 Parakeet 与 Whisper 两种语音识别引擎负责"听"，配合自研的 LRC 增强算法，为每个词打上时间戳，产出所有卡拉OK播放器都认识的增强 LRC（A2）文件。本文带你理解两种对齐方案的差异、LRC 增强的原理，以及如何三步生成歌词时间轴。

什么是词级卡拉OK？增强 LRC 的价值

普通 LRC 文件只有"整行"的时间戳，播放器只能在一行内线性扫过高亮，听久了就会发现高亮和口型"漂"开了。YuE2 Studio 输出的是增强 LRC：行首一个时间戳，之后每个词前还有一个独立时间戳。

[00:01.00]<00:01.00>Neon <00:01.40>on <00:01.80>the <00:02.20>glass [00:09.00]<00:09.00>Driving <00:09.60>home

有了每个词的时间，播放器与视频工作室都能让高亮精确落在正在唱的那个字上。这个能力对新手非常友好——你写的歌词原样保留，模型只贡献"时间"，不会把歌词改得面目全非。

Parakeet 与 Whisper 两种对齐方案对比

YuE2 Studio 的卡拉OK 时间轴默认关闭，需要时才会下载识别组件（见 lyrics_sync.rs 顶部注释）。引擎在"设置 → 模型 → 可选附加 → 卡拉OK 时间轴"中选择，界面逻辑在 KaraokeSettings.tsx。

Parakeet：轻量快速的本地识别

• NVIDIA Parakeet TDT 0.6B 模型（约 0.7 GB），跑在 transcribe.cpp 引擎上
• 自动选择最优运行时：NVIDIA 卡走CUDA，AMD/Intel 卡走Vulkan，没有独显则走CPU
• 可选Parakeet Ultra（Moondream 微调版），俄语和嘈杂环境下错词更少
• 单次加载即可批量处理多首歌，速度快、显存占用低

Whisper：模型可选、抗干扰更强

• 使用 faster-whisper 独立运行时，CUDA 版优先，无 CUDA 时自动退回 CPU
• 模型从tiny到large-v3共 5 档可选；官方注释明确推荐large-v3-turbo用于演唱人声（见 lyrics_sync.rs）
• 内置一套幻觉过滤：识别器面对音乐和静音时常"脑补"字幕组署名、"[Music]" 之类的文字，YuE2 Studio 用 whisper_hallucinations.txt 词表把这些段整段剔除，避免污染时间轴

怎么选？一张表看懂

官方给出的运行位置（NVIDIA / AMD·Intel / 无显卡）见 README.md 的"What runs where"表格。

LRC 增强原理：歌词不变，只借时间

这是整个功能最巧妙的设计。识别器听到的演唱人声经常是错的（"on the glass" 可能听成 "arms the grass"），YuE2 Studio从不把识别文本当歌词，而是：

1. 行级锚定：用单调对齐（动态规划）把每一行歌词匹配到识别流中得分最高的位置，整首一起优化而不是逐行贪心——重复副唱会按"先唱的那次"对齐，听不清的行则在相邻两行之间均匀插值，保证时间轴无空洞（align_lyrics）
2. 词级落点：行内每个词寻找匹配的识别词并直接取它的时间；没匹配上的词按词长比例铺在空隙中间，高亮就不会"两个字同时亮"（align_lyrics_words）
3. 防闪烁合并：起始间隔不足 2 秒的行会被合并，避免字幕一闪而过（merge_flashing_lines）

最终由 enhanced_lrc 写出上文那种"行时间 + 词时间"的增强 LRC 文本。

一键生成卡拉OK 时间轴的操作步骤

1. 安装组件：打开"设置 → 模型 → 可选附加"，在"卡拉OK 时间轴"分组里选择识别器（Parakeet 或 Whisper）、运行时与模型，点击下载。组件目录默认在数据目录的karaoke\下，中断可续传。
2. 开启开关：勾选"为新曲目自动生成时间轴"（KaraokeSettings.tsx 中的karaokeEnable），之后的新曲目会自动对齐。
3. 生成时间轴：在曲库歌曲菜单点"生成卡拉OK"，按钮会经历"正在对齐…"到"卡拉OK 已就绪"三态（KaraokeAction.tsx）。已有的老曲目随时可以补跑。

生成后的时间轴有两个去处：播放器逐行/逐词滚动歌词，视频工作室导出带歌词字幕的视频——歌词按演唱时间"唱一句亮一句"，前提正是这首歌有卡拉OK 时间轴。

常见问题：对齐失败怎么办

界面里的报错都有明确指向（zh.ts）：

• 卡拉OK 已关闭 / 尚未选择识别模型：回设置里打开开关并选好引擎
• 这首曲目没有歌词：纯音乐无词可对齐，补上歌词即可
• 识别模型没有在音频中听到这段歌词：先确认歌词与音频是同一首歌；人声很轻时换 large-v3-turbo 或 Parakeet Ultra 再试
• 所选识别模型下载失败：检查网络后重试，或换另一个引擎
• Whisper 走了 CPU 而非 CUDA：确认 cuBLAS / cuDNN 运行时已随组件安装完成

总结

YuE2 Studio 的词级卡拉OK把三件事组合得很干净：Parakeet 快而轻，Whisper 准而稳，二选一即可本地跑完识别；自研的行级 + 词级对齐算法保证"歌词只借时间不被篡改"；输出的增强 LRC 被玩家器和视频导出直接消费。对新手来说，只需在设置里点一次下载，之后每首歌的歌词高亮都会自动跟上演唱节奏。