우리는 정렬 인코더(alignment encoder)와 학습된 정렬 디코더(alignment decoder)로 구성된 정확한 다국어 단어 수준 강제 정렬(word-level forced alignment) 방법을 제시합니다. 인코더는 두 가지 표현(representation)을 통합합니다: 하나는 Massively Multilingual Speech (MMS) 모델로부터의 것이고, 다른 하나는 자기지도 음소 경계 탐지기(self-supervised phoneme boundary detector, UnSupSeg)로부터의 것입니다. 인코더는 이들을 융합하고 긴 시간적 문맥(temporal contexts)에 걸쳐 단어 경계 확률(word-boundary probabilities)을 추정하는 법을 학습합니다. 정렬 디코더는 MMS 및 UnSupSeg 표현에 대한 분절 특징(segmental features)과 인코더 출력을 결합하여 최종 단어 경계를 추론하는 학습된 동적 계획법(learned dynamic programming)입니다. TIMIT 및 Buckeye 데이터셋에서 반복적으로 학습된 제안된 방식은 두 데이터셋 모두에서 Montreal Forced Aligner (MFA) 및 MMS 기반 정렬보다 뛰어난 성능을 보입니다. 학습되지 않은 언어(Dutch, German, Hebrew)에서도 제안된 모델은 기존 정렬 방식보다 일관되게 우수하거나 대등한 성능을 달성하였으며, 이는 추가 학습 없이도 MMS가 지원하는 1100개 이상의 언어로 확장될 수 있는 잠재력을 나타냅니다.