用途：把已有的参考文本（脚本、歌词、字幕）与音频/视频强制对齐，得到每个词的开始与结束时间，用于生成字幕、剪辑片段或同步配音。它只负责找时间，不负责猜词；若还没有文本，应改用转写类技能。全程在设备本地运行，音频不外传。
主要能力：输出词级时间戳，JSON 结构为 { task, duration, text, segments[].words[], usage }，词在 segments[].words[] 下，含 word、start、end、score（0 到 1 的置信度，非校准百分比）。支持 stdout、txt、json、srt 输出；srt 每个词一条字幕。可用 --protected-terms 保护品牌名、术语等不被拆分改写。
使用方式：先运行 edgespeak-cli status 检查运行时。命令未找到时，Windows x64 安装 EdgeSpeak 桌面应用（自带 CLI）；macOS Apple Silicon 或 Linux x86_64 用 curl -fsSL https://edgespeak.com/install.sh | sh。首次使用需激活：edgespeak-cli login、edgespeak-cli activate <KEY> 或 edgespeak-cli trial。对齐命令：edgespeak-cli align <audio-or-video-file> --text-file script.txt [-o out.json] [--format txt|json|srt]；短文本可用 --text。--device 选择 cpu/cuda/metal/auto，仅独立模式有效。需要句级时间戳时，先输出 JSON，再用 edgespeak-cli segment --transcript words.json 重新切分。
适用场景：已有准确文本的字幕制作、卡拉OK、配音对齐、按词剪辑。
限制：文本须与音频大致匹配，语言错误或段落缺失会降低时间精度；不支持说话人分离；长音频运行时间长，引擎会自动分块，无需手动切分；本地网关单实例串行，避免并发调用；-o 会无提示覆盖已有文件，需先确认；非交互运行缺少许可会直接报 license_required。资料未提供收费与价格信息。