我有一个音频文件，该文件是一个人按顺序说出不同字母的录音，以及该音频文件的正确人工创建的转录本，例如 string ABCDEF。
然后将此音频文件传递到语音到文本转录 API，并为我提供每个字符到它在音频剪辑中出现（开始）的时间戳的有序映射。例如，对于一个简单的 5 秒剪辑，映射可能如下所示：
['A' => 0.2, 'B' => 1.5, 'C' => 2.2, 'D' => 3.2, 'E' => 3.8, 'F' => 4.2]
不同之处在于，从 API 返回的时间戳映射有时会错误地转录字母。除了只是将一个字母误认为另一个字母（替换）之外，它还可以感知存在实际上不存在的字母（插入），或者完全忽略口头字母（删除）。例如，包含的音频ABCDEF可能有如下 API 响应：
['A' => 0.2, 'B' => 1.5, 'C' => 2.2, 'X' => 2.8, 'D' => 3.2, 'E' => 3.8, 'F' => 4.2]
这里最终期望的结果是协调实际转录和来自 API 的潜在错误的字母到时间戳映射，以获得剪辑中每个字母实际说出的时间戳。我相信我可以使用一些线性插值和差异算法来达到理想的解决方案，但需要一些入门指导。谢谢你。
注意：这个例子中的“字母”实际上是普通话汉字，但为了举例，我使用字母，因为它们是单音节的，更容易可视化。