将转录的文本与音频中的特定时间戳对齐

问：

在 Azure 中是否有可能，或者 Azure 中是否有服务可用于根据源视频的口语获取每个纯文本的位置？

基本上，我有一个纯文本，其中包含手动转录的单词。现在，这些文本将用于创建字幕，并且每个文本的每个计时都应取自音频源。

例：

srt 格式 00：00：01,002 -> 00：00：05,010 -->这是从视频源获取的 快速的棕色狐狸跳过懒惰的狗。-->文本文件中手动编码的文本

如果 Azure 无法做到这一点，我可以使用的任何资源都将有很大帮助。

谢谢！

我目前正在创建一个 c# 函数，用于比较 Azure 语音转文本与纯文本文件的 JSON 输出