ElevenLabs ने Cue पेश किया, एक forced alignment मॉडल

ElevenLabs रिसर्च ने Cue पेश किया—एक forced alignment मॉडल, जो ट्रांसक्रिप्ट को टाइमस्टैम्प में बदलता है। इसका इस्तेमाल सबटाइटल, डबिंग और क्लिक किए जा सकने वाले ट्रांसक्रिप्ट के लिए होता है। यह हर अक्षर को ऑडियो की टाइमलाइन पर रखता है।

ElevenLabs के दावे (इसके अपने बेंचमार्क पर आधारित, स्वतंत्र रूप से सत्यापित नहीं):

• Cue किसी भी लंबाई की रिकॉर्डिंग को एक ही पास में संभालता है। कंपनी का कहना है कि ज़्यादातर ओपन-सोर्स aligner सीमित भाषाओं में छोटे, साफ़ क्लिप के लिए बनाए गए हैं।
• वास्तविक दुनिया के ऑडियो पर, ElevenLabs ने अपने बेंचमार्क की सभी 29 भाषाओं में Cue को अपने द्वारा जांचे गए हर ओपन-सोर्स aligner से अधिक सटीक पाया।
• यह एक GPU पर लगभग आधे सेकंड में एक घंटे के ऑडियो को align करता है।

Cue पहले से ही ElevenLabs पर हर Speech to Text ट्रांसक्रिप्शन को शक्ति देता है और Forced Alignment API के ज़रिए अलग से उपलब्ध है।