ElevenLabs 发布强制对齐模型 Cue
ElevenLabs 研究团队发布强制对齐模型 Cue，可将每个字符精确放到音频时间轴上，在其基准测试的全部 29 种语言上精度高于所测试的所有开源对齐器。Cue 用单个模型一次处理任意长度录音，在单张 GPU 上约半秒对齐一小时音频，目前已用于 ElevenLabs 全部 Speech to Text 转写，并可通过 Forced Alignment API 单独调用。
ElevenLabs· @ElevenLabs · X·2026-10-29 03:33· 1 小时前AI 评分54
AI 导读
ElevenLabs 研究团队发布强制对齐模型 Cue，能将每个字符精确放到音频时间轴上，精度高于其测试过的所有开源对齐器，覆盖基准测试全部 29 种语言。Cue 单模型可一次处理任意长度的录音，在单张 GPU 上约半秒对齐一小时音频，已用于 ElevenLabs 全部 Speech to Text 转写，并可通过 Forced Alignment API 单独使用。
正文 · 原文
ElevenLabs 研究新成果：今天我们分享更多关于 Cue 的信息，这是我们新的强制对齐模型。它把每个字符放到音频时间轴上，精度高于我们测试过的任何其他对齐器。这意味着正确的词会在正确的时间出现。
强制对齐是将转写文本转换为时间戳的步骤。字幕靠它准时出现，配音台词靠它与说话人匹配，点击转写文本中的某个词就能跳转到它被说出的时刻。大多数开源对齐器是为有限语言中的短小、干净片段而构建的。Cue 是一个模型，单次处理即可应对任意长度的录音。在真实世界音频上，它在我们基准测试的全部 29 种语言中都比我们测试过的所有开源对齐器更准确。它在一张 GPU 上约半秒即可对齐一小时音频。
Cue 已为 ElevenLabs 上的每一次 Speech to Text 转写提供支持，也可通过 Forced Alignment API 单独使用。
阅读完整文章：https://elevenlabs.io/blog/cue-aligner
来源：ElevenLabs · x.com
来源：RadarAI · aihot.news