python - 音声ファイルの各単語の長さを取得する

Question

音声ファイルの各単語のおおよその長さを取得することは可能ですか? 最も近いのは (YouTube ビデオのオーディオ ファイルの場合)、キャプション ファイルをsrt. にはsrt、ビデオの各センテンスの長さが表示されます。

文中の各単語の長さを何らかの方法で取得できるかどうか疑問に思っていました。正確ではないかもしれませんが、そのあたりですか？