ElevenLabs 推出 Cue 對齊模型，把每個字元對到說出口的時間

發生什麼事

@ElevenLabs 發表 Cue，這是強制對齊（forced alignment）模型：給它一段音訊和對應的文字稿，它會標出每個字元在音訊裡出現的時間。

依How your transcript knows where each word is spoken，Cue 不必先把長錄音切段，再長的檔案都一次處理完；在官方的 GPU 上，一小時音訊大約半秒就能對完。官方用真實使用者的錄音建立測試集，Cue 在 29 種受測語言都比官方測過的其他工具準，完整錄音的平均時間誤差是 179 毫秒，開源工具則從 283 毫秒到超過 6 秒不等。這些數字都是官方自己測的（🗣 自述）。