ElevenLabs 发布 Cue 对齐模型，让每个字符对应到发声时间

發生什麼事

@ElevenLabs 发布了 Cue。这是一款强制对齐（forced alignment）模型：输入一段音频及对应的文字稿，它会标出每个字符在音频中出现的时间。

根据How your transcript knows where each word is spoken，Cue 不需要先把长录音切成片段，再长的文件也能一次处理完；在官方 GPU 上，约半秒就能对齐一小时音频。官方用真实用户的录音建立测试集，Cue 在受测的 29 种语言中，准确度都高于官方测试过的其他工具。整段录音的平均时间误差为 179 毫秒；开源工具的误差则从 283 毫秒到超过 6 秒。这些数字均来自官方自测（🗣 自述）。