ElevenLabs 发布强制对齐模型 Cue，支持 90 多种语言单次处理任意长度音频

报道讲了什么

• ElevenLabs 发布强制对齐模型 Cue，为音频中每个字符定位到精确时间线。
• Cue 是 Scribe 语音转文字流程的最后一步，每个 Scribe 请求都会经过它。
• 该模型也用于字幕、配音和音乐歌词时间轴，并可通过 Forced Alignment API 单独使用。

可以做什么

• 单次处理任意长度录音，避免分块拼接带来的累积时间误差。
• 单个模型覆盖 90 多种基准语言，而多数竞品需按语言分别建模。
• 可对齐歌曲人声，在 JamendoLyrics MultiLang 数据集子集上 92.7% 的词落在标签 0.3 秒内。

怎么使用

1. 直接使用可调用 Forced Alignment API。

结果与限制

• 基准由 ElevenLabs 用真实请求自建，且以词级标签评测字符级系统，官方称可能低估其精度。
• 速度数据基于其生产 GPU，一小时音频约半秒。
• 歌曲对齐仅在 Creative Commons 许可的 JamendoLyrics MultiLang 数据集子集上测试。

使用入口与依据