ElevenLabs 推出强制对齐模型 Cue

ElevenLabs 研究团队推出了强制对齐模型 Cue：它将转录文本转换为时间戳，可用于字幕、配音和可点击的转录文本。它会在音频时间轴上为每个字符定位。

ElevenLabs 的说法（基于其自有基准测试，未经独立验证）：

• Cue 可一次性处理任意时长的录音；据 ElevenLabs 称，大多数开源对齐工具都是为时长较短、音质清晰且语言种类有限的音频片段打造的。
• 在其基准测试涵盖的全部 29 种语言中，Cue 在真实场景音频上的准确度都高于 ElevenLabs 测试过的所有开源对齐工具。
• 使用一块 GPU，Cue 对齐一小时音频约需半秒。

Cue 已用于 ElevenLabs 上的所有 Speech to Text 转录，也可通过 Forced Alignment API 单独使用。