ElevenLabs 推出強制對齊模型 Cue

ElevenLabs 研究團隊推出強制對齊模型 Cue：這是將逐字稿轉換為時間戳記的步驟，可用於字幕、配音和可點擊的逐字稿。它會將每個字元定位在音訊時間軸上。

ElevenLabs 的說法（根據該公司自己的基準測試，未經獨立驗證）：

• Cue 可一次處理任意長度的錄音；ElevenLabs 表示，多數開源對齊工具是為短而清晰、且語言種類有限的音訊片段打造。
• 在真實世界的音訊中，Cue 在其基準測試涵蓋的全部 29 種語言裡，都比 ElevenLabs 測試過的所有開源對齊工具更準確。
• 使用單張 GPU，Cue 約半秒即可對齊一小時的音訊。

ElevenLabs 上每次 Speech to Text 轉錄目前都由 Cue 提供支援；此外，也可透過 Forced Alignment API 單獨使用。